مقايسه كارايي مدلهاي رگرسيوني، شبكه عصبي مصنوعي و تلفيق آن با الگوريتم ژنتيك در بررسي فرسايش بادي

زمينه و هدف: فرسايش بادي در بخش بزرگي از پهنه ايران وجود داد كه سبب تخريب اراضي و كاهش باروري آنها به همراه اثرات زيست محيطي شده است. شناخت مناطق حساس به فرسايش مي تواند در برنامه ريزي هاي حفاظت خاك به كمك مديران منابع طبيعي و محيط زيست آيد.روش پژوهش: اين تحقيق براي برآورد جزء فرسايش پذير خاك در مقابل باد (EF) از روي ويژگي هاي سهل الوصول خاك دردشت الله lrm;آباد واقع در شرق استان قزوين انجام شد. بدين منظور جزء فرسايش پذير خاك در مقابل باد با استفاده از روش هاي رگرسيون چند متغيره (MLR)، شبكه عصبي مصنوعي (ANN) و تلفيق شبكه عصبي مصنوعي با الگوريتم ژنتيك براي بهينه سازي اوزان (GA-ANN) با به كار بردن ويژگي هاي سهل الوصول برآورد شد. با بررسي نقشه خاك، تفاوت خاك ها و خصوصيات محيطي دشت الله آباد، 103 نمونه خاك طبق يك الگوي تصادفي طبقه بندي شده از 10 سانتي متري سطح آن lrm;ها، جمع آوري و به آزمايشگاه ارسال شد. در نمونه هاي خاك، برخي خصوصيات خاك به عنوان ورودي هاي مدل هاي برآورد جزء فرسايش پذير خاك در مقابل باد اندازه گيري گرديد. ورودي هاي هر مدل شاملpH، ECe، CCE، SAR، جرم مخصوص ظاهري، ذرات شن، سيلت و رس، ذرات درشت خاك با قطر كمتر از 2 ميلي متر و ماده آلي بودند. دقت و قابليت اعتماد نتايج مدل lrm; هاي ايجاد شده با توجه به معيارهاي ضريب تبيين، مجذور مربعات خطا، آزمون مورگان-گرنجر- نيوبلد و شاخص آكايك مورد مقايسه قرار گفتند.يافته ها: طبق يافته ها، بيشترين همبستگي جزء فرسايش پذير خاك در مقابل باد (EF) با مقدار رس خاك ديده شد (0.789- r=). همچنين جزء فرسايش پذير خاك با خصوصيات ديگر خاك شامل pH، هدايت الكتريكي، SAR، مقدار ماده آلي و جرم مخصوص ظاهري، همبستگي نشان داد، اين همبستگي با سه خصوصيت SAR، ماده آلي و رس در سطح يك درصد همبستگي معني دار بود. مدل lrm;هاي ايجاد شده با هر سه روش توانايي بسيار بيشتري در پيش بيني EF در سري داده هاي آزمون نسبت به داده هاي سري آموزش داشتند. همچنين نتايج نشان داد كه مدل شبكه عصبي از دقت بيشتر و خطاي تخمين كمتري در مقايسه با مدل هاي هيبريد و رگرسيون به دست آمده است. نتايج آناليز حساسيت نيز نشان داد كه بيشترين حساسيت مدل به متغيرهاي ورودي در مدل ANN، به ترتيب مربوط به ماده آلي و SAR و در مدل GA-ANN مربوط به متغير ميزان رس خاك بود.نتيجه گيري: بر طبق نتايج، تنها مدل رگرسيون در مرحله آموزش داراي R2 بيشتر از 50 درصد (R2=0.56) در برآورد جزء فرسايش پذيري خاك بود كه البته اين مقدار (R2=0.56) نيز قابل اعتماد نيست. با توجه به نتايج مرحله آزمون، هر سه مدل به كار رفته شامل رگرسيون، شبكه عصبي مصنوعي و تلفيق آن با الگوريتم ژنتيك در برآورد شاخص جزء فرسايش پذير خاك از كارايي مناسبي برخوردار نمي باشند به طوري كه بالاترين ضريب تبيين (R2) در مدل شبكه عصبي در مرحله آزمون (R2 = 0.43)، صحت كمتر از 50 درصد در تخمين EF داشت كه نمي تواند صحت مناسبي در پيش بيني جزء فرسايش پذيري بادي خاك باشد.