شناسایی و مدل‌سازی عوامل موثر در تولید رواناب و رسوب از توده‌های بهره‌برداری‌شدۀ جنگلی

در این پژوهش تاثیر بهره‌برداری بر رواناب و رسوب با استفاده از پلات‌هایی با مقیاس کوچک بررسی شد. نمونۀ رواناب و رسوب از 36 پلات به ابعاد 1 در 2 متر تهیه شد. پلات‌ها در قسمت‌های مختلف عرصۀ بهره‌برداری و منطقۀ شاهد احداث شد. به‌منظور مدل‌سازی از شبکۀ پرسپترون چندلایه mlp (multi layer perceptron) استفاده شد. 65 درصد داده‌ها برای آموزش و 10 درصد برای صحت‌سنجی و 25 درصد داده‌ها به آزمون اختصاص داده شد. برای ارزیابی صحت مدل و همچنین مقایسۀ آن با مدل‌های بهینه‌سازی‌شده با روش آزمون و خطا، از معیارهای آماری ضریب تبیین (rsqr)، جذر میانگین مربعات خطا (rmse) و میانگین خطای مطلق (mae) استفاده شد. از gis در همۀ مراحل جمع‌آوری اطلاعات استفاده شد. مقادیر رواناب و رسوب شبیه‌سازی‌شده به‌وسیلۀ ann با استفاده از gis در تولید نقشه استفاده شد. نتایج نشان داد که مهم‌ترین عوامل در تولید رواناب، جرم مخصوص خاک، شدت بارش، شیب، مقدار بارش، درصد پوشش علفی و درصد پوشش تاجی و برای رسوب به‌ترتیب، شدت بارش، جرم مخصوص خاک، درصد شیب و درصد پوشش علفی است. مقادیر mse و r حاصل از مدل‌سازی رواناب در مرحلۀ آموزش به‌ترتیب 0.009 و 0.9 و در مرحلۀ آزمون 0.01 و 0.82 بود. مقادیر mse و r حاصل از مدل‌سازی رسوب در مرحلۀ آموزش 0.01 و 0.86 و در مرحلۀ آزمون 4.3 و 0.8 بود. نتایج نشان داد که شبکۀ عصبی قابلیت مناسبی در مدل‌سازی رواناب و رسوب در اراضی جنگلی دارد. آنالیز همپوشانی مقادیر اندازه‌گیری‌شده و نقشۀ مقادیر رسوب و رواناب نیز بر صحت، کارایی نتایج و روش ارائه‌شده دلالت دارد. بنابراین می‌توان از مدل ارائه‌شده با تلفیق ann و gis در شبیه‌سازی و مدل‌سازی رواناب و رسوب در مناطق جنگلی استفاده کرد.

identification and modeling of effective factors on runoff and sediment production from operated forest stands

in this study, we investigated the effects of forest operation on runoff and sediment using small-scale plots. the runoff and sediment samples were collected from 36 sample plots with dimensions of one by two meters in different areas of the operation. we used the multi-layer perceptron (mlp) for modeling, with 65% of the data for training, 10% for validation, and 25% for testing. we evaluated the accuracy of the model using the coefficient of determination (r²), root mean square error (rmse), and mean absolute error (mae), and compared our results with optimized models obtained through trial and error. we collected information and produced runoff and sediment maps using gis. our results showed that the most important factors affecting runoff production were soil bulk density, rainfall intensity, slope, rainfall values, percentage of grass cover, and canopy cover percentage. for sediment, the most important factors were rainfall intensity, soil bulk density, slope percentage, and surface cover percentage. the mse and r values for runoff modeling were 0.009 and 0.9 in the training stage and 0.01 and 0.82 in the test stage, respectively. for sediment modeling, the mse and r values were 0.01 and 0.86 in the training stage and 4.3 and 0.8 in the test stage, respectively. our results showed that neural networks have high capability in modeling runoff and sediment in forest lands. we also conducted an overlap analysis to measure the accuracy, precision, and efficiency of the results and methods presented in our study. therefore, the proposed model can be used to combine ann and gis in the simulation and modeling of runoff and sediment in forest areas.