۲۲۴۹۴پ
per
ارزیابی برخی تکنیک‌های هوش مصنوعی و هیبریدی در مدل‌سازی فرسایش‌پذیری ذاتی خاک در مقابل باد( مطالعه موردی :دشت تبریز)
Evaluation of some artificial intelligence and hybrid techniques for modelling soil inherent wind erodibility (Case study: Dasht-e-Tabriz)
/بیژن راعی
: کشاورزی
، ۱۳۹۸
، میرزائی
۱۴۹ص
چاپی - الکترونیکی
دکتری
علوم و مهندسی خاک گرایش فیزیک و حفاظت خاک
۱۳۹۸/۱۱/۱۶
تبریز
درسال‌صهای اخیر، بخش زیادی از عرصه آبی دریاچه ارومیه در منطقه دشت تبریز خشک و بستری از رسوبات ریزدانه شور در سطح زمین به وجود آمده که مستعد فرسایش بادی می‌صباشند .این پژوهش به منظور بررسی فرسایش‌صپذیری بادی و رابطه آن با خصوصیات فیزیکی و شیمیایی خاک و همچنین مدل‌سازی فرسایش‌پذیری بادی با استفاده از تکنیک‌های هوش مصنوعی در دشت تبریز انجام شد .در مجموع ۹۶ نمونه خاک از منطقه‌ای با مساحت ۴۱۴ هزار هکتار از عمق ۵ سانتی‌متری خاک با استفاده از روش تصادفی نظارت شده جمع‌آوری گردید .فرسایش‌صپذیری بادی نمونه‌صها با استفاده از تونل بادی در پنج سرعت باد مختلف(۵/۹ ،۱۱ ،۵/۱۲ ، ۱/۱۴ و ۱۵ متر بر ثانیه (تعیین و در نهایت رابطه آن با ویژگی‌های فیزیکی و شیمیایی خاک مورد بررسی قرار گرفت .نتایج نشان داد که فرسایش‌صپذیری بادی در خاک‌صهای منطقه در محدوده-ی۱)) -۱)/(m s-۲ min-۷۶/۰ ((g m- ۹۸/۴۹متغیر بوده و با میانگین ۲۱/۱۰ و ضریب تغییرات ۵/۹۴ درصد از دامنه‌صی تغییرات نسبتا بالایی در منطقه برخوردار است .فرسایش‌صپذیری بادی با ویژگی‌صهای فیزیکی خاک‌ها از جمله میانگین وزنی قطر ذرات ثانویه، شاخص جزء فرسایش‌پذیر) خاکدانه‌صهای کوچکتر از ۸۵/۰ میلی‌صمتر(، فراوانی ذرات ثانویه۲- ۷۵/۴،۷/۱ - ۲و۱/۰ - ۲۵/۰میلی‌صمتر ارتباط معنی‌صدار دارد .(۰۰۱/۰>p) نتایج نشان داد که در مقایسه با تمامی ویژگی‌صهای فیزیکی و شیمیایی خاک‌صها، میانگین وزنی قطر ذرات ثانویه، فراوانی ذرات ثانویه۱/۰ - ۲۵/۰میلی‌متری و جزء فرسایش‌صپذیر دارای مناسب‌صترین ارتباط) به ترتیب با ضرایب تبیین برابر با۶۹/۰ ، ۶۷/۰ و ۶۸/۰) با فرسایش‌صپذیری بادی خاک بوده است به گونه‌ای که با کاهش میانگین وزنی قطر ذرات ثانویه و با افزایش جزء فرسایش‌پذیر و فراوانی ذرات ثانویه۱/۰ - ۲۵/۰میلی‌متری، مقدار فرسایش‌صپذیری بادی افزایش یافت .همچنین این پژوهش با هدف مقایسه کارایی پنج روش مختلف شامل رگرسیون خطی چندمتغیره، برنامه‌ریزی بیان ژن، شبکه عصبی مصنوعی، شبکه عصبی مصنوعی هیبرید شده با الگوریتم ژنتیک و شبکه عصبی هیبرید شده با الگوریتم بهینه‌سازی وال در مدل‌سازی فرسایش‌پذیری بادی انجام شد .از میان ۳۲ ویژگی خاک، چهار ویژگی شامل فراوانی ذرات ثانویه ۱/۰ تا ۲۵/۰ میلی‌متری، فراوانی ذرات ثانویه ۷/۱ تا ۲ میلی‌متری، فراوانی ذرات شن ریز و محتوای کربن آلی از طریق رگرسیون گام به گام به عنوان ورودی مدل‌صهای پیش‌صبینی فرسایش‌پذیری، انتخاب شدند .نتایج نشان داد که مدل شبکه عصبی هیبرید شده با الگوریتم بهینه‌سازی وال با توجه به مقادیر کمتر میانگین خطا (۱۱/۰) و جذر میانگین مربعات خطا (۹/۲) و مقادیر بالاتر ضریب تبیین (۸۷/۰) و ضریب کارایی نش-سایتکلیف (۸۷/۰) از کارایی مطلوب‌تری در پیش‌بینی فرسایش‌صپذیری بادی خاک‌صهای منطقه برخوردار است و پس از آن نیز روش‌های شبکه عصبی مصنوعی هیبرید شده با الگوریتم ژنتیک، شبکه عصبی مصنوعی، برنامه‌ریزی بیان ژن و رگرسیون خطی چندمتغیره به ترتیب در رتبه‌های بعدی قرار داشتند که با توجه به آزمون MGN این اختلاف معنی‌دار بود .در مجموع با توجه به کارایی قابل قبول مدل شبکه عصبی هیبرید شده با الگوریتم بهینه‌سازی وال در پیش‌بینی فرسایش‌پذیری بادی، استفاده از این روش برای تعیین سریع و دقیق فرسایش‌صپذیری خاک‌های منطقه توصیه می-شود
In recent years, vast areas of Urmia Lake in Dasht-e-Tabriz has dried up leading to saline sediments exposure on the surface lake coastal areas being highly susceptible to wind erosion. This study was conducted to investigate wind erosion and its relevance to soil physicochemical properties and also modeling of wind erodibility (WE) using artificial intelligence techniques. For this purpose, 96 soil samples were collected from 0-5 cm depth in 414000 hectares using stratified random sampling method. To measure the WE, all samples (<8 mm) were exposed to 5 different wind velocities (9.5, 11, 12.5, 14.1 and 15 m s-1 at the height of 20 cm) in wind tunnel and its relationship with soil physicochemical properties was evaluated. According to the results, WE varied within the range of 76.69-9.98 (g m-2 min-1)/(m s-1) with a mean of 10.21 and coefficient of variation of 94.5 showing a relatively high variation in the studied area. WE was significantly (P<0.01) affected by soil physical properties, including mean weight diameter, erodible fraction (secondary particles smaller than 0.85 mm) and percentage of the secondary particle size classes 2-4.75, 1.7-2 and 0.1-0.25 mm. Results showed that the mean weight diameter, erodible fraction and percentage of size class 0.1-0.25 mm demonstrated stronger relationship with WE (coefficients of determination were 0.69, 0.67 and 0.68, respectively). This study also compared efficiency of multiple linear regression (MLR), gene expression programming (GEP), artificial neural network (MLP), artificial neural network based on genetic algorithm (MLP-GA) and artificial neural network based on whale optimization algorithm (MLP-WOA) in predicting of soil wind erodibility in Dasht-e-Tabriz. Among 32 measured soil variable, percentages of fine sand, size classes of 1.7-2.0 and 0.1-0.25 mm (secondary particles) and organic carbon were selected as the model inputs by stepwise regression. Findings showed MLP-WOA as the most powerfull artificial intelligence techniques (R2=0.87, NSE=0.87, ME=0.11 and RMSE=2.9) to predict soil wind erodibility in the study area; followed by MLP-GA, MLP, GEP and MLR and the difference between this mehods were significant according to the MGN test. Based on the above finding MLP-WOA may be used as a promising method to predict soil wind erodibility in the study area
Evaluation of some artificial intelligence and hybrid techniques for modelling soil inherent wind erodibility (Case study: Dasht-e-Tabriz)
راعی، بیژن
Raei, Bijan
احمدی، عباس، استاد راهنما
نیشابوری، محمدرضا، استاد راهنما
قربانی، محمدعلی، استاد مشاور
اسدزاده، فرخ، استاد مشاور
سیاه و سفید
نمایه‌سازی قبلی
