ارزیابی کارایی برخی روش‌های هوش مصنوعی در مدل‌سازی فرسایش‌پذیری بادی خاک در بخشی از اراضی شرق دریاچه ارومیه

پیش بینی فرسایش پذیری بادی از طریق ویژگی های خاک به عنوان گامی اساسی در مدل سازی فرسایش بادی محسوب می‌شود. این پژوهش با هدف مقایسه کارایی چهار روش مختلف شامل رگرسیون خطی چندمتغیره، شبکه عصبی مصنوعی، شبکه عصبی مصنوعی هیبریدشده با الگوریتم ژنتیک و شبکه عصبی هیبریدشده با الگوریتم بهینه‌سازی وال در مدل‌سازی فرسایش‌پذیری بادی در بخشی از اراضی پیرامون شرقی دریاچه ارومیه انجام شد. برای این منظور، 96 نمونه خاک به روش تصادفی نظارت شده جمع آوری و 32 ویژگی مختلف فیزیکی و شیمیایی آن ها در آزمایشگاه تعیین شدند. همچنین فرسایش‌پذیری بادی نمونه ها نیز با استفاده از تونل باد تعیین گردید. از میان ویژگی های خاک، چهار ویژگی شامل فراوانی ذرات ثانویه 0.1 تا 0.25 میلی‌متری، فراوانی ذرات ثانویه  1.7 تا 2 میلی‌متری، فراوانی ذرات شن ریز و محتوای کربن آلی از طریق رگرسیون گام به گام به عنوان ورودی مدل های پیش بینی فرسایش‌پذیری، انتخاب شدند. نتایج نشان داد که مدل شبکه عصبی هیبریدشده با الگوریتم بهینه‌سازی وال با توجه به کمترین مقادیر میانگین خطا (0.11-) و جذر میانگین مربعات خطا (2.9) و بیشترین مقادیر ضریب تبیین (0.87) و ضریب کارایی نش-ساتکلیف (0.87) از کارایی مطلوب‌تری در پیش‌بینی فرسایش پذیری بادی خاک های منطقه برخوردار است و پس از آن روش‌های شبکه عصبی مصنوعی هیبرید شده با الگوریتم ژنتیک، شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره به ترتیب در رتبه‌های بعدی قرار داشتند. در مجموع با توجه به کارایی قابل قبول مدل شبکه عصبی هیبریدشده با الگوریتم بهینه‌سازی وال در پیش‌بینی فرسایش‌پذیری بادی، استفاده از این روش برای تعیین سریع و دقیق فرسایش پذیری خاک‌های منطقه توصیه می شود.

Evaluating Efficiency of Some Artificial Intelligence Techniques for Modeling Soil Wind Erodibility in Part of Eastern Land of Urmia Lake

Prediction of soil wind erodibility through soil characteristics is an important aspect for modeling soil wind erosion. This study was conducted to compare the efficiency of multiple linear regression (MLR), artificial neural network (MLP), artificial neural network based on genetic algorithm (MLPGA) and artificial neural network based on whale optimization algorithm (MLPWOA) for prediction of soil wind erodibility in part of eastern land of Urmia Lake. In this research, 96 soil samples were collected based on a stratified random sampling method and their physicochemical properties were measured. Additionally, the wind erodibility of soil samples was measured using a wind tunnel. Among the 32 measured soil properties, four properties including the percentages of fine sand, size classes of 1.72.0, and 0.10.25 mm (secondary particles) and organic carbon were selected as the model inputs by stepwise regression. Result showed that the MLPWOA was the most effective method for predicting soil wind erodibility in the study area regarding to the lowest RMSE (2.9) and ME (0.11), and the highest R2 (0.87) and NSE (0.87) values; followed by MLPGA, MLP, and MLR. Considering the high efficiency of MLPWOA, This method can be used as a promising method for determination of soil wind erodibility in the study area.