کاربرد الگوریتم هوش جمعی کلونی زنبورهای مصنوعی در بهینه سازی تخمین و پهنه بندی شدت فرسایش باد با استفاده از داده های ژئومورفولوژی (مطالعه موردی: حوضه آبریز دشت بیرجند، استان خراسان جنوبی)

برای تخمین شدت فرسایش باد که وسیع ترین قلمرو فعالیت را دارد، استفاده از مدل های منطقه ای اجتناب ناپذیر است. این مدل ها، تجربی بوده و مبتنی بر مولفه هایی هستند که از طریق امتیازدهی در آستانه های تعیین شده به تخمین فرسایش منجر می شوند. تفاوت تجربیات و متغیر بودن مولفه های ورودی این مدل ها، باعث بروز ناسازگاری و کاهش قابلیت اعتماد تخمین ها می شود. هدف از این مطالعه، بهینه سازی تخمین فرسایش باد در حوضه آبریز دشت بیرجند از طریق کمینه نمودن ناسازگاری امتیازات مولفه های ورودی مدل مورد استفاده است. برای این منظور، مدل تجربی پهنه بندی شدت فرسایش باد سازمان جنگل ها و مراتع ایران با استفاده از الگوریتم هوش جمعی کلونی زنبورهای مصنوعی، بهینه سازی شده است. پس از تعیین امتیازات مولفه های مدل اولیه، منطقه مورد مطالعه به پیکسل های 200×200 مترمربعی تبدیل و با استفاده از دستگاه مختصات قطبی به 82 ناحیه تقسیم شد. سپس الگوریتم بهینه سازی کلونی زنبورها در سه مرحله شامل: 1- تخصیص، 2- پایش و 3- نتیجه گیری توسط زنبورها، اجرا و پیکسل های با بیشترین پتانسیل فرسایش شناسایی شده اند. نتایج، نشانگر انتقال حدود 49% از مساحت طبقات فرسایش باد در مدل سازمان جنگل ها و مراتع ایران به طبقات فرسایشی بالاتر در روش الگوریتم کلونی زنبورها است. بر این اساس، الگوریتم کلونی زنبورها حساسیت بسیار زیادی در ارائه طبقه بندی کلاس های فرسایش باد دارد. آزمون واریانس مساحت کلاس های فرسایشی حاصل از دو روش، حاکی از قابلیت اطمینان بیشتر به نتایج روش الگوریتم کلونی زنبورها است. بیشترین نرخ فرسایش در لندفرم مخروط افکنه ها رخ داده و بیش از 90% کانون های فرسایش در واحد ژئومورفولوژیک دشت سر واقع شده است.