@ARTICLE{Eftekhari, author = {Noori, Alireza and Eftekhari, Kamran and Efandiari, Mehrdad and Mohammadi Torkashvand, Ali and Ahmadi, Abbas and }, title = {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}, volume = {12}, number = {1}, abstract ={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. }, URL = {http://magazine.hormozgan.ac.ir/article-1-609-fa.html}, eprint = {http://magazine.hormozgan.ac.ir/article-1-609-fa.pdf}, journal = {Environmental Erosion Research}, doi = {}, year = {2022} }