مدل‌سازي پارامترهاي مقاومت برشي خاك سطحي در مقياس زمين نما به كمك برخي ويژگي هاي خاك و محيطي در اراضي منطقه سميرم استان اصفهان

Surface Shear Strength Modeling Using Soil and Environmental Attributes in Landscape Scale (Semirom District, Isfahan Province)

مقاومت برشي خاك سطحي يكي از مهم ترين ويژگي هاي موثر در تخمين و اندازه گيري فرسايش خاك بوده كه اندازه گيري مستقيم آن در سطح حوضه آبخيز هزينه بر و وقت گير مي باشد. اين پژوهش با هدف پيش بيني مقاومت برشي خاك سطحي و رتبه بندي مهم ترين فاكتورهاي موثر بر آن، با استفاده از مدل سازي توسط روش هاي شبكه عصبي مصنوعي (ANNs) و رگرسيون چندمتغيره خطي (MLR) و مقايسه اين دو روش انجام شد. براي اندازه گيري مقاومت برشي خاك سطحي در صحرا، دستگاه جعبه برش مستقيم طراحي و ساخته شد كه قادر به تعيين هر دو پارامتر چسبندگي (c) و زاويه اصطكاك داخلي (?) مي باشد. منطقه مورد مطالعه به مساحت 3500 كيلو متر مربع در اراضي شهرستان سميرم، واقع در استان اصفهان انتخاب و نمونه برداري خاك (5-0 سانتي متري) و اندازه گيري مقاومت برشي خاك سطحي توسط دستگاه مزبور در 100 نقطه انجام شد. ويژگي هاي توزيع اندازه ذرات، درصد رس ريز، مقدار ماده آلي، درصد آهك، چگالي ظاهري و درصد سنگ ريزه خاك روي نمونه هاي خاك تعيين شدند. شاخص نرمال شده پوشش گياهي (NDVI)، كاربري زمين و نوع سازند زمين شناسي نيز تعيين گرديد. مدل سازي به دو روش MLRو ANNs جهت پيش-بيني مقاومت برشي خاك سطحي (c و ?) انجام شد. به منظور ارزيابي و مقايسه عملكرد مدل هاي مذكور از شاخص هاي ضريب تبيين و ريشه ميانگين مربعات خطا استفاده شد. نتايج نشان دهنده دقت مناسب روش ANNs نسبت به روش MLR به دليل توانايي زياد شبكه عصبي در كشف و بررسي روابط پيچيده غير خطي بين پارامتر ها است. نتايج تجزيه حساسيت بر اساس مدل هاي شبكه عصبي نشان داد كه NDVI، چگالي ظاهري و ميزان رس ريز فاكتورهايي هستند كه به كمك آن ها مي توان c خاك را پيش بيني كرد. نتايج تجزيه حساسيت در مورد پارامتر ? نشان داد كه ميزان شن، چگالي ظاهري و NDVI مهم ترين فاكتور ها و نسبت OM/Clay و مقدار ماده آلي كم اهميت ترين فاكتورها در پيش بيني اين پارامتر در منطقه مورد بررسي بودند.

Soil surface shear strength is an important parameter for prediction of soil erosion, but its direct measurement is difficult, time-consuming and costly in the watershed scale. This study was done to predict soil surface shear strength using artificial neural networks (ANNs) and multiple linear regression (MLR) and to rank the most important soil and environmental attributes affecting the shear strength. A direct shear box was designed and constructed to measure in situ soil surface shear strength. The device can determine two soil shear strength parameters i.e. cohesion (c) and angle of internal friction (?). The study area (3500 km2) was located in Semirom region, Isfahan province. Soil surface shear strength was determined using the shear box at 100 locations. Soil samples were also collected from 0-5 cm layer of the same 100 locations at which the surface shear strength was measured using the shear box. Particle size distribution, fine clay content, organic matter content (OM), carbonate content, bulk density and gravel content were determined on the collected soil samples. Normalized difference vegetation index (NDVI), the type of land use and geology were also determined. The MLR and ANNs were used to model/predict soil surface shear strength (c and ?). In order to compare the modeling methods, coefficient of determination and root mean square errors were used as efficacy indices. The results showed that ANN models were more feasible in predicting soil shear strength parameters than MLR models due to capability of ANN models in deriving nonlinear and complex relations between the parameters. Results of sensitivity analysis for ANN models indicated that NDVI, bulk density and fine clay content are more effective parameters in predicting c in the studied region. Also it was found that sand content, bulk density and NDVI were more effective parameters and OM/clay ratio and organic matter content were less effective parameters in predicting ? in the region.