برآورد فرسایش‌پذیری ذاتی خاک در برابر باد به کمک الگوریتم ژنتیک در ترکیب با شبکه عصبی مصنوعی

زمینه و هدف: فرسایش پذیری ذاتی خاک در برابر باد (siwe)، حساسیت ذاتی ذرات تشکیل دهنده خاک در مقابل کنده شدن و انتقال، در مقابل فرسایش است. اندازه گیری فرسایش پذیری ذاتی خاک در برابر باد می تواند به وسیله دستگاه تونل باد صورت بگیرد، که عموما پرهزینه، مشکل و زمان بر است. از طرف دیگر به دلیل تغییر مداوم شرایط مختلف زراعی و اقلیمی این ویژگی نیز دارای تغییرات زمانی و مکانی می باشد. بنابراین برآورد siwe به وسیله ابزار هوش مصنوعی می تواند گامی مهم در برنامه ریزی عرصه های تحت فرسایش بادی باشد. در این تحقیق، برآورد این شاخص به کمک مدل الگوریتم ژنتیک در ترکیب با شبکه عصبی مصنوعی بررسی شد. روش پژوهش: در منطقه مورد مطالعه که بخشی از دشت الله آباد در استان قزوین در مجاورت استان البرز است، 72 نمونه از عمق 10 0 سانتی متری سطح خاک برداشته شد. شاخص جزء فرسایش پذیری بادی خاک (ef) که درصد خاک دانه های با قطر کوچک تر از 0.84 میلی متر است در نمونه ها تعیین شد. همچنین بافت خاک (درصد رس، شن و سیلت)، ph، ec و کربنات کلسیم معادل اندازه گیری شدند. نمونه های خاک برداشته شده از مزرعه بعد از هواخشک شدن از الک 4.75 میلی متری عبور داده شده و بر روی سینی دستگاه تونل باد بصورت صاف ریخته شد. سپس دستگاه تونل باد، بادی با سرعت ثابت 18 متر بر ثانیه و به مدت 10 دقیقه ایجاد نمود. با استفاده از وزن رسوبات جمع آوری شده در انتهای تونل بعد از انجام آزمایش، siwe تعیین شد. مدل الگوریتم ژنتیک در ترکیب با شبکه عصبی مصنوعی بر طبق الگویتم آموزشی لونبرگ مارکوارت با توجه به متغیرهای دارای همبستگی مثبت با siwe به عنوان ورودی مدل، تهیه و تحلیل شد. یافته ها: مقدار ph خاک بین 7.00 تا 8.81 متغیر بود. مقادیر قابلیت هدایت الکتریکی از 0.84 تا 49.3 دسی زیمنس بر متر (ds/m) متفاوت بود. داده های اجزاء بافت خاک، نشان دهنده مقدار بیشتر رس در مقایسه با اجزاء سیلت و شن در خاک ها می باشد. حداقل آهک (cce) در خاک، 3.15 درصد و حداکثر آن، 30.52 درصد بود. فرسایش پذیری ذاتی خاک در برابر باد فقط با دو متغیر قابلیت هدایت الکتریکی و ef همبستگی معنی دار داشت. مدل الگوریتم ژنتیک هیبرید با شبکه عصبی مصنوعی با دو متغیر ورودی ef و ec تهیه شد. بررسی صحت و دقت مدل نشان داد که مقدار r2 در داده های سری آموزش 9 درصد با داده های سری آزمون اختلاف داشت و مقدار خطا (rmse)،kg s m 4 1.62 بود. در داده های سری آموزش، r2 نتایج بدست آمده از مدل (0.805) بیشتر از داده های نتایج بدست آمده از سری آزمون (0.714) بود. اگرچه داده های آموزش از r2 بیشتری برخوردار بودند، لذا خطای (rmse) نتایج داده های آموزش از آزمون بیشتر بود و در سری آزمون، مدل دارای پراکندگی (gsder) کمتری بود. نتیجه گیری: از نتایج بدست آمده می توان نتیجه گرفت که شوری خاک و فاکتور جزء فرسایش پذیر خاک از ویژگی های مهم خاک هستند که می توانند به عنوان تخمین گر مناسب وارد مدل های برآورد فرسایش پذیری خاک شوند. همچنین دقت تخمین مدل تلفیقی الگوریتم ژنتیک با شبکه عصبی مصنوعی برای داده های سری آموزش نسبت به دقت مدل برای داده های سری آزمون بیشتر است. اما مدل برای داده های سری آموزش از خطای بیشتری برخوردار است. مقایسه خطا، دقت و صحت مدل در برآورد فرسایشپذیری ذاتی خاک در برابر باد در مقایسه با مطالعات مختلف فرسایش خاک و خصوصیات فیزیکی و شیمیایی خاک، مدل تلفیقی الگوریتم ژنتیک و شبکه عصبی از صحت و دقت مناسبی در پیش بینی و برآورد فرسایش پذیری ذاتی خاک در برابر باد برخوردار است.

estimation of inherent soil erodibility against wind using genetic algorithm in combination with artificial neural network

background and aim: inherent soil erodibility against wind (siwe) is the inherent sensitivity of soil constituent particles against uprooting and transport, against erosion. measuring the inherent erodibility of soil against wind can be done by a wind tunnel device, which is generally expensive, difficult and time consuming. on the other hand, this feature has significant temporal and spatial changes and depends on the measurement method. estimating siwe by artificial intelligence tools can be an important step in planning areas under wind erosion. in this research, the estimation of this index was investigated with the help of genetic algorithm model in combination with artificial neural network. methods: seventy two samples were taken from 10 cm of the soil surface in the studied area, which is a part of allah abad desert in qazvin province, adjacent to alborz province. in the samples, the soil wind erodibility (ef) index, which is the percentage of soil aggregates with a diameter smaller than 0.84 mm, was measured. also, soil texture (percentage of clay, sand and silt), ph, ec and equivalent calcium carbonate (cce) were measured. after air drying, the soil samples taken from the field were passed through a 4.75 mm sieve and poured flat on the tray of the wind tunnel machine. then, the wind tunnel device created a wind with a constant speed of 18 meters per second for 10 minutes. using the weight of sediments collected at the end of the tunnel after the test, siwe was determined. the genetic algorithm model in combination with the artificial neural network was prepared and analyzed according to the levenberg marquardt educational algorithm according to the variables having positive correlation with siwe as the input of the model. results: the ph value of the soil varied between 7.00 and 8.81. electrical conductivity values varied from 0.84 to 49.3 ds/m. the data of the soil texture components show a higher amount of clay compared to the silt and sand in the soils. the minimum lime (cce) in the soil was 3.15% and the maximum was 30.52%. the inherent erodibility of soil against wind had a significant correlation with only two variables, electrical conductivity and ef. hybrid genetic algorithm model was prepared with artificial neural network with two input variables ef and ec. the accuracy and precision of the model showed that the value of r2 in the data of the training series was 9% different from test series data and the error value (rmse) was 1.62 kg s m 4. conclusion: in the data of the training series, r2 of the results obtained from the model (0.805) was higher than the data of the results obtained from the test series (0.714). although the training data had more r2, therefore, the error (rmse) of the training data was higher than the test and in the test series, the model with dispersion (gsder) was less. comparing the error, precision and accuracy of the model in estimating the inherent erodibility of the soil against the wind in comparison with different studies of soil erosion and soil physicochemical properties, the integrated model of the genetic algorithm and the neural network of almost appropriate accuracy and precision in predicting and estimating the erosion. the soil has inherent flexibility against the wind.