مدل سازی عوامل موثر بر فرسایش بین شیاری در اراضی جنگلی و مرتعی با استفاده از شبکه های عصبی مصنوعی

فرسایش بین شیاری از جمله مهم ترین شکل های فرسایش است که عوامل مختلفی از قبیل خاک، روان آب و بارندگی بر روند و مقدار آن نقش دارند. در ایران در زمینه عوامل موثر بر فرسایش بین شیاری به وسیله شبکه عصبی مصنوعی مطالعات کمی صورت گرفته، و در جیرفت بررسی انجام نشده است. بنابراین هدف از انجام این مطالعه، تشخیص عوامل موثر بر فرسایش بین شیاری با استفاده از شبکه عصبی مصنوعی در چهار منطقه مختلف اطراف جیرفت در استان کرمان بود.

برای انجام این پژوهش از دو مرتع و دو جنگل، تعداد 100 نمونه خاک سطحی (عمق صفر تا 10 سانتی متر) در قالب یک الگوی نمونه برداری تصادفی برداشت شد. تعدادی از خصوصیات شیمیایی و فیزیکی خاک تعیین شدند. فرسایش بین شیاری توسط باران ساز مدل کامفورست اندازه گیری شد. مدل سازی با استفاده از شبکه پرسپترون چند لایه پیش خور با روش پس انتشار خطا و قاعده آموزشی لونبرگ مارکوارت و به وسیله 11 ویژگی خاک در دو سناریو صورت گرفت. به منظور تعیین اهمیت متغیرهای ورودی، آنالیز حساسیت به روش هیل انجام شد.

نتایج نشان داد که در مناطق مورد مطالعه ویژگی های رس، سیلت، شن (2-0.05 میلی متر)، انحراف معیار هندسی و میانگین هندسی قطر ذرات، بیشترین نقش را در فرسایش بین شیاری داشته و عوامل سیمانی کننده مانند ماده آلی و کربنات کلسیم معادل از اهمیت کمتری در این ارتباط برخوردار هستند. بررسی ها نشان داد که جنگل حفاظت شده (قرق شده) با وجود داشتن شن زیاد، و سیلت، ماده آلی و کربنات کلسیم معادل کم، کمترین مقدار فرسایش را داشت (63/2 تن بر هکتار). مقدار R2 در داده های آزمون سناریوی یک (متغیرهای ورودی شامل pH، EC، چگالی ظاهری، ماده آلی، کربنات کلسیم معادل، ماده آلی جزیی، درصد شن، درصد سیلت و درصد رس) 81/0 به دست آمد. هم چنین این مقدار در سناریوی دوم (با متغیرهای ورودی pH، EC، چگالی ظاهری، ماده آلی، کربنات کلسیم معادل، ماده آلی جزیی، میانگین هندسی قطر ذرات و انحراف معیار هندسی ذرات خاک) برابر 72/0 بود. به علاوه، مقادیر جذر میانگین مربعات خطا (RMSE) برای داده های آزمون سناریوهای یک و دو، به ترتیب 77/0 و 14/1 به دست آمد.

نتیجه گیری:

 هر چند هر دو سناریو، دقت تقریبا یکسانی در مدل سازی فرسایش بین شیاری داشتند؛ لیکن با توجه به مقدار R2 و RMSE، سناریوی اول از دقت بالاتری نسبت به سناریوی دوم برخوردار بود. به طور کلی نتایج نشان داد که شبکه عصبی مصنوعی قادر است که با استفاده از متغیرهای ورودی مناسب میزان فرسایش بین شیاری را با دقت بالایی برآورد کرده و بنابراین در تخمین فرسایش بین شیاری مفید باشد.