ارزيابي روش‌هاي يادگيري نظارتي هوشمند و سطح پاسخ براي بهينه‌سازي عوامل مؤثر بر فرسايش خاك (مطالعه‌ي موردي حوزه‌ آبخيز امامزاده عبدالله باغملك)

Evaluation of Different Supervised Learning Smart Methods and Response Surface Method to Optimize Factors Affecting Erosion (Case Study: Emamzadeh Watershed of Baghmalek)

ارزيابي عوامل مؤثر بر كنترل فرسايش خاك در قالب شيوه­ هاي مديريتي از اهميت شاياني برخوردار است. در اين پژوهش تأثيرات شيوه­ هاي مديريتي غير سازه‌اي شامل قرق و اصلاح پوشش گياهي توسط مدل WEPP در حوزه­ آبخيز امامزاده عبدالله باغملك واقع در شمال شرقي استان خوزستان، شبيه­ سازي شد. بهينه ­سازي متغيرهاي فيزيكي و هيدروليكي مؤثر بر فرسايش شامل بافت خاك و اجزاء معادل ,ون ­گنوختن توسط روش ­هاي سطح پاسخ (RSM)، جنگل تصادفي (RF)، ماشين بردار پشتيبان (SVM) و شبكه­ي عصبي مصنوعي (ANN) صورت پذيرفت. همچنين مقدار فرسايش خاك قبل از اعمال شيوه­ هاي مديريتي به‌عنوان پاسخ اول (R1) و مقدار فرسايش خاك پس از اعمال شيوه­هاي مديريتي تحت عنوان پاسخ دوم (R2) تعريف شد. نتايج بهينه­ سازي توسط نرم ­افزار Orange شامل روش­هاي جنگل تصادفي، ماشين بردار پشتيبان و شبكه­ عصبي مصنوعي نشان داد كه روش جنگل تصادفي با MSE، RMSE و R2 به ترتيب برابر 991/0، 995/0 و 963/0 براي پاسخ اول و براي پاسخ دوم به ‌ترتيب برابر 095/0، 307/0 و 974/0، به‌عنوان مناسب‌ترين روش است. همچنين بهينه‌سازي به روش سطح پاسخ با نتايج آماري MSE، RMSE و R2 براي پاسخ اول به ترتيب 7/28، 37/5 و 999/0 و براي پاسخ دوم به ترتيب برابر 16/4، 03/2 و 998/0، مناسب‌ترين روش محسوب مي­شود. در مجموع استفاده از روش­هاي بهينه ­سازي، ابزاري مناسب براي ارزيابي شيوه­ هاي مديريتي و در نهايت انتخاب بهترين آن‌ها در مناطق بحراني مي­باشد. متناسب بودن شيوه­ هاي مديريتي بر پايه­ي شرايط بهينه، منجر به كاهش هدر رفت منابع آب و خاك مي ­شود.

Evaluation of soil erosion control factors is important regarding the application of management practices. In this study, the effects of non-structural management practices including revision of crop cover (RC) and exclosure (EX) were simulated using WEPP model in ​​Emamzadeh Abdullah watershed of Baghmalek, located in the northeast of Khuzestan Province. Optimization of physical and hydraulic parameters affecting erosion including soil texture and components of the Van Genuchten equation was performed using response surface methodology (RSM), random forest (RF), support vector machine (SVM) and artificial neural network (ANN). Also, the soil erosion rate before and after management practices was defined as the first response (R1) and the second response (R2), respectively. Optimization results by Orange software including random forest methods, support vector machine and artificial neural network showed that the random forest method with MSE, RMSE and R2 equal to 0.991, 0.995 and 0.963 respectively, for the first response and equal to 0.095, 0.307 and 0.974 respectively, for the second response is the most proper method. Also, optimization by response surface method is the most appropriate method with MSE, RMSE and R2 equal to 28.7, 5.37 and 0.999 respectively, for the first response and equal to 4.16, 2.03 and 0.998 respectively, for the second response. Generally, using optimization techniques is a convenient method for evaluating management practices and finally selecting the best one for critical areas. Appropriate management practices based on optimal conditions leading to water and soil loss reduction.