مقایسه کارایی مدلهای رگرسیونی، شبکه عصبی مصنوعی و تلفیق آن با الگوریتم ژنتیک در بررسی فرسایش بادی

فرسایش بادی در بخش بزرگی از پهنه ایران وجود داد که سبب تخریب اراضی و کاهش باروری آنها به همراه اثرات زیست محیطی شده است. شناخت مناطق حساس به فرسایش می تواند در برنامه ریزی های حفاظت خاک به کمک مدیران منابع طبیعی و محیط زیست آید.

روش پژوهش:

 این تحقیق برای برآورد جزء فرسایش پذیر خاک در مقابل باد (EF) از روی ویژگی های سهل الوصول خاک دردشت الله ‎آباد واقع در شرق استان قزوین انجام شد. بدین منظور جزء فرسایش پذیر خاک در مقابل باد با استفاده از روش های رگرسیون چند متغیره (MLR)، شبکه عصبی مصنوعی (ANN) و تلفیق شبکه عصبی مصنوعی با الگوریتم ژنتیک برای بهینه سازی اوزان (GA-ANN) با به کار بردن ویژگی های سهل الوصول برآورد شد. با بررسی نقشه خاک، تفاوت خاک ها و خصوصیات محیطی دشت الله آباد، 103 نمونه خاک طبق یک الگوی تصادفی طبقه بندی شده از 10 سانتی متری سطح آن‎ها، جمع آوری و به آزمایشگاه ارسال شد. در نمونه های خاک، برخی خصوصیات خاک به عنوان ورودی های مدل های برآورد جزء فرسایش پذیر خاک در مقابل باد اندازه گیری گردید. ورودی های هر مدل شاملpH، ECe، CCE، SAR، جرم مخصوص ظاهری، ذرات شن، سیلت و رس، ذرات درشت خاک با قطر کمتر از 2 میلی متر و ماده آلی بودند. دقت و قابلیت اعتماد نتایج مدل‎ های ایجاد شده با توجه به معیارهای ضریب تبیین، مجذور مربعات خطا، آزمون مورگان-گرنجر- نیوبلد و شاخص آکایک مورد مقایسه قرار گفتند.

طبق یافته ها، بیشترین همبستگی جزء فرسایش پذیر خاک در مقابل باد (EF) با مقدار رس خاک دیده شد (789/0- r=). همچنین جزء فرسایش پذیر خاک با خصوصیات دیگر خاک شامل pH، هدایت الکتریکی، SAR، مقدار ماده آلی و جرم مخصوص ظاهری، همبستگی نشان داد، این همبستگی با سه خصوصیت SAR، ماده آلی و رس در سطح یک درصد همبستگی معنی دار بود. مدل‎های ایجاد شده با هر سه روش توانایی بسیار بیشتری در پیش بینی EF در سری داده های آزمون نسبت به داده های سری آموزش داشتند. همچنین نتایج نشان داد که مدل شبکه عصبی از دقت بیشتر و خطای تخمین کمتری در مقایسه با مدل های هیبرید و رگرسیون به دست آمده است. نتایج آنالیز حساسیت نیز نشان داد که بیشترین حساسیت مدل به متغیرهای ورودی در مدل ANN، به ترتیب مربوط به ماده آلی و SAR و در مدل GA-ANN مربوط به متغیر میزان رس خاک بود.

بر طبق نتایج، تنها مدل رگرسیون در مرحله آموزش دارای R2 بیشتر از 50 درصد (R2=0.56) در برآورد جزء فرسایش پذیری خاک بود که البته این مقدار (R2=0.56) نیز قابل اعتماد نیست. با توجه به نتایج مرحله آزمون، هر سه مدل به کار رفته شامل رگرسیون، شبکه عصبی مصنوعی و تلفیق آن با الگوریتم ژنتیک در برآورد شاخص جزء فرسایش پذیر خاک از کارایی مناسبی برخوردار نمی باشند به طوری که بالاترین ضریب تبیین (R2) در مدل شبکه عصبی در مرحله آزمون (R2 = 0.43)، صحت کمتر از 50 درصد در تخمین EF داشت که نمی تواند صحت مناسبی در پیش بینی جزء فرسایش پذیری بادی خاک باشد.