سال 12، شماره 1 - ( بهار 1401 )
جلد 12 شماره 1 صفحات 159-145 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Noori A, Eftekhari K, Efandiari M, Mohammadi Torkashvand A, Ahmadi A. Estimation of soil erodible fraction using artificial neural network models and integration of artificial neural network with genetic algorithm in the part of Qazvin province. E.E.R. 2022; 12 (1) :145-159
URL: http://magazine.hormozgan.ac.ir/article-1-609-fa.html
URL: http://magazine.hormozgan.ac.ir/article-1-609-fa.html
نوری علیرضا، افتخاری کامران، اسفندیاری مهرداد، محمدی ترکاشوند علی، احمدی عباس. برآورد جزء فرسایشپذیری بادی خاک به کمک مدلهای شبکه عصبی مصنوعی و تلفیق شبکه عصبی مصنوعی با الگوریتم ژنتیک در بخشی از اراضی جنوب شرقی قزوین. پژوهش هاي فرسايش محيطي. 1401; 12 (1) :145-159
موسسه تحقیقات خاک و آب، تهران، ایران ، kamran_eftekhari@hotmail.com
چکیده: (1923 مشاهده)
یکی از مسائل اساسی ایران، فرسایش بادی در پهنه وسیعی از اراضی کشور است که یک چالش جدی در استفاده پایدار از منابع تولید است. شاخص جزء فرسایش پذیری بادی خاک (EF) یکی از ویژگی‌های خاک است که حساسیت ذرات خاک در برابر فرسایش بادی را نشان می‌دهد. در این تحقیق، برآورد این شاخص به کمک روش‌های شبکه عصبی مصنوعی (ANN) و تلفیق آن با الگوریتم ژنتیک (GA- ANN) بررسی می‌شود. در منطقه مورد مطالعه که بخشی از دشت الله آباد در استان قزوین بود، 95 نمونه از 10 سانتی‌متری سطح خاک، برداشت شد. در نمونهها، درصد خاکدانه‌های با قطر کوچکتر از 0.84 میلیمتر به عنوان شاخص جزء فرسایش پذیری بادی خاک و درصد رس، شن و سیلت، ظرفیت اشباع خاک، pH، EC، SAR، کربنات کلسیم معادل و ماده آلی، به عنوان ورودی مدلها (خصوصیات زودیافت) اندازهگیری شدند. برای مدلسازی جزء فرسایش پذیر خاک در مقابل باد با استفاده از خصوصیات زودیافت از دو روش شبکه عصبی مصنوعی و تلفیق شبکه عصبی مصنوعی با الگوریتم ژنتیک برای بهینه سازی اوزان، استفاده شد. نتایج نشان داد که جزء فرسایش پذیر خاک با پنج خصوصیت خاک شامل pH، هدایت الکتریکی، SAR، رس و ماده آلی، در سطح یک درصد همبستگی معنی‌دار داشت. مدلهای مورد استفاده از صحت مناسبی در برآورد EF در هر دو مرحله آموزش و آزمون برخوردار نبودند، طوری که بیشترین R2 در مدل شبکه عصبی مصنوعی (0.49) با دادههای سری آزمون به دست آمد. هر دو مدل دارای اندکی بیشبرآوردی بودند و مقدار GMER برای مدلهای ANN و GA-ANN به ترتیب 1.15 و 1.08بود، اما بر طبق شاخص آکایک (AIC)، هر دو مدل قدرت پیشبینی مشابهی داشتند. آنالیز حساسیت دادهها نشان داد که بیشترین تأثیر بر جزء فرسایشپذیری خاک در مدل ANN مربوط به ماده آلی (4.07) و در مدل GA-ANN مربوط به رس (8.14) بود.
نوع مطالعه: مستخرج از پایان‌نامه / رساله / طرح پژوهشی |
موضوع مقاله:
مدلسازی و تحلیل زمانی و مکانی رخداد انواع مختلف فرسایش محیطی
دریافت: 1400/1/18 | انتشار: 1400/12/21
دریافت: 1400/1/18 | انتشار: 1400/12/21
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
