کارایی شبکههای عصبی مصنوعی در شبیه سازی فرسایش خاک و رواناب با بکارگیری ابعاد فرکتالی
/عباس احمدی
دانشگاه تبریز، دانشکده کشاورزی ، گروه علوم خاک
، ۱۳۸۸
۱۹۷ص
چاپی
دکتری
علوم خاک
دانشگاه تبریز، دانشکده کشاورزی ، گروه علوم خاک
امروزه استفاده از شبکههای عصبی مصنوعی به عنوان ابزار قوی در ایجاد توابع انتقالی رایج شده است .همچنین استفاده از ابعاد فرکتالی ذرات اولیه و ثانویه خاک و نیز منافذ آن به عنوان تخمینگر در بسیاری از شاخههای علوم خاک رو به گسترش است .اما تحقیقات اندکی در رابطه با کاربرد شبکههای عصبی مصنوعی و ابعاد فرکتالی در زمینه فرسایش خاک صورت گرفته است .هدف از این تحقیق تعیین ابعاد فرکتالی خصوصیات فوقالذکر و کاربرد آن در تخمین ضریب فرسایشپذیری بینشیاری (Ki) و هدایت هیدرولیکی موثر خاک (Ke) میباشد .بدین منظور ۳۶ نوع خاک با خصوصیات متفاوت از ۲۸ خانواده خاک در منطقه شمالغرب ایران انتخاب و از افق سطحی (Ap) آنها نمونهبرداری شد .میزان موادآلی، کربنات کلسیم معادل، گچ،هدایت الکتریکی عصاره اشباع، واکنش خاک، ظرفیت تبادل کاتیونی و نسبت جذب سدیمی خاک با روشصهای متداول آزمایشگاهی، رس و سیلت خاک با روش هیدرومتری و توزیع اندازه ذرات بخش شن به روش الک کردن تعیین و میانگین هندسی قطر ذرات محاسبه گردید .بعد فرکتالی ذرات اولیه خاک با سه مدل فرکتالی محاسبه گردید .شاخصهای پایداری خاکدانهها نظیر پایداری خاکدانههای خیس(WAS) ، میانگین وزنی قطر خاکدانهها (MWD) و میانگین هندسی قطر خاکدانهها (GMD) نیز تعیین گردید .توزیع اندازه خاکدانهصها در دو محدوده۷۵/۴ - ۸میلیمتر و کوچکتر از ۷۵/۴ میلیمتر و با دو شیوه الک کردن مرطوب و خشک و نیز بدون تصحیح و با تصحیح جزء شن یا سنگریزه همراه تعیین گردید .بعد فرکتالی خاکدانهها از روی ASD تعیین شده با هر حالت از سه مدل فرکتالی بدست آمد .منحنی رطوبتی خاک در محدودهkPa ۱۵۰۰ - ۰تعیین و بعد فرکتالی منافذ خاک هم با دو مدل فرکتالی محاسبه شد .آزمایشهای شبیهسازی باران و رواناب با استفاده از بارانساز مصنوعی با سینی زهکشدار به ابعاد۵/۰ - ۰/۱متر در شیب ۹ و در سه شدت۲۰ ، ۳۷ و ۴۷ میلی متر بر ساعت انجام و شدت فرسایش بینشیاری(Ei) ، Ki و Ke محاسبه گردید .بدین ترتیب در مجموع ۴۵ متغیر مستقل و سه متغیر وابستهKi ، , Ke و Ei حاصل شد .برای نشان دادن مزیت نسبی متغیرهای مستقل به خصوص ابعاد فرکتالی ذرات اولیه، ذرات ثانویه) خاکدانهها (و منافذ خاک به عنوان تخمینگر، متغیرهای مذکور به صورت سلسله مراتبی در پنج مرحله برای ایجاد توابع انتقالی در آنالیزهای رگرسیونی شرکت داده شد و متغیرهای ورودی به مدل با رگرسیون گام به گام گزینش شدند .همچنین توابع انتقالی توسط شبکههای عصبی مصنوعی با بهرهگیری از متغیرهای گزینش شده برای توابع انتقالی رگرسیونی ایجاد گردید .در نهایت به ترتیب چهار و سه تابع انتقالی برای تخمین Ki و Ke در هر روش) رگرسیون و شبکههای عصبی مصنوعی (حاصل و آنها از لحاظ دقت و قابلیت اعتماد با همدیگر مقایسه شدند .همچنین یک تابع انتقالی نیز برای برآورد Ei ایجاد گردید .گزینش متغیرهای ورودی شبکه در ایجاد تابع انتقالی اخیر با روش آنالیز حساسیت صورت گرفت و نتایج تخمینهای آن با نتایج برآوردی مدل WEPP مقایسه شد .نتایج نشان داد که متغیرهای کنترل کننده Ki با تغییر شدت بارندگی تغییر مینمایند .در شدتهای پایین بارندگی، ذرات اولیه از قبل کنده شده و در شدتهای بالای بارندگی خاکدانهها کنترل کننده Ki میباشند Ki .با شاخصهای پایداری خاکدانهها(WAS ، MWD و بعد فرکتالی خاکدانهها (در حالت مرطوب و میزان پاشمان هوایی با شاخصهای پایداری خاکدانهها در حالت خشک همبستگی معنیدار نشان دادند .وارد کردن متغیرهای بعد فرکتالی ذرات اولیه خاک و خاکدانهها به لیست متغیرهای ورودی سبب افزایش معنیدار دقت و قابلیت اعتماد توابع انتقالی رگرسیونی و دقت توابع انتقالی شبکههای عصبی مصنوعی در تخمین Ki گردید .از بین ابعاد فرکتالی خاکدانهها، تنها بعد فرکتالی محاسبه شده در حالت الک کردن مرطوب خاکدانههای ۷۵/۴ - ۰/۸میلیمتری بدون تصحیح شن و با مدل ریئو و اسپوزیتو در مدلهای رگرسیونی نهایی Ki باقی ماند .استفاده از روش شبکههای عصبی مصنوعی برای ایجاد توابع انتقالی تخمین Ki سبب افزایش دقت و قابلیت اعتماد آنها نسبت به روش رگرسیون چند متغیره شد .در تخمین Ke متغیر WAS سبب افزایش معنیدار دقت و قابلیت اعتماد توابع انتقالی رگرسیونی و شبکههای عصبی مصنوعی گردید، اما بعد فرکتالی ذرات اولیه، خاکدانهها و منافذ خاک وارد مدل نشدند .استفاده از روش شبکههای عصبی مصنوعی برای ایجاد توابع انتقالی تخمین Ke نیز سبب افزایش معنیدار دقت تمامی توابع گردید .گر چه میزان خطای مدل WEPP واسنجی شده برای تخمین Ei بیشتر از PTF ایجاد شده با شبکه عصبی مصنوعی بوده اما این تفاوت معنیدار نبود .استفاده از بعد فرکتالی خاکدانهها به عنوان تخمینگر Ki و بهرهگیری از شبکههای عصبی مصنوعی میتواند منجر به ایجاد توابعی انتقالی جهت تخمین قابل اطمینان Ki و Ei باشد .همچنین بهرهگیری از شبکههای عصبی مصنوعی میتواند در بهبود قابلیت اطمینان توابع انتقالی تخمین Ke مفید باشد.
PTF. Using fractal dimension as predictor of Ki and ANNs for development PTFs for the prediction of Ki, Ke and Ei created more accurate and reliable PTFs.-PTFs in predicting Ke when WAS were included in the list of input variables. None of the fractal dimensions remained in regression model for estimation Ke. Development of PTFs for estimation Ke by ANNs significantly improved the accuracy of PTFs. Root mean square error (RMSE) of WEPP model for estimation Ei was higher than that for ANN- and ANNs- 8 mm aggregates without sand correction, remained in the final PTF for estimation of Ki. Development PTFs for estimation Ki by ANNs improved both accuracy and reliability. A significant improvement was occurred for the accuracy and reliability of regression-sieving data of 4.75-PTFs for estimation of Ki, when fractal dimension of soil aggregates and primary particles were included in the list of input variables. Among all fractal dimension of soil aggregates, only the fractal dimensions obtained by Rieu and Sposito model from wet-PTFs and accuracy of the ANNs- aggregate stability data, respectively. A significant improvement was occurred for the accuracy and reliability of regression- and dry-1 rainfall intensities. Totally 45 independent variables and three dependent variables (Ki, Ke and Ei) were used for the development of pedotransfer functions (PTFs). For investigation the relative importance of each independent variable especially fractal dimensions as predictor, they were used at five steps for development regression PTFs, hierarchically. Independent variables were reduced using stepwise techniques and remaining variables in the regression equations were used as independent variables for development ANNs PTFs too. For each regression and ANNs approach, four PTFs were derived for Ki estimation and three PTFs were derived for Ke estimation, the accuracy and reliability of each PTF were examined. Another PTF was derived for estimation Ei by ANNs. Sensitivity analyses were performed to determine independent variables of the later PTF. This PTF were compared to WEPP model. In contrast to textural variables, the correlation coefficient (r) of Ki with structure related indices (WSA, MWD and GMD) turned to be greater while significant at higher rainfall intensities. Ki and total air splashed soil (TS) were correlated to wet-0.5 m) at slope of 9 was employed and interrill erosion rate (Ei), Ki and Ke were calculated at 20, 37, and 47 mm hr- 1500 kPa soil water pressures range. Pores fractal dimension for each soil sample was calculated from water retention data by using two fractal models. A rainfall simulator with drainable tilting flume (1-8 and <4.75 mm aggregates with and without correction for the appropriate sand and gravel fraction. Fractal dimension of soil aggregates were estimated by three fractal models using ASD data. Water retention curve was constructed using pressure plate apparatus and measuring volumetric water content at 0 - sieving of 4.75- and wet-aggregate stability (WAS), mean weight diameter (MWD) and geometric mean diameter (GMD) of the aggregates were determined. Aggregate size distribution (ASD) were determined using dry-Abstract: Recently artificial neural networks (ANNs) have become a common tool for modeling of pedotransfer functions. Fractal dimensions of soil pores, primary particles and soil aggregates have been used as predictor of the soil texture and structure related properties. There are, however, a few studies about using ANNs and fractal dimension in soil erosion. The objective of this study was to investigate applicability of ANNs for estimation of interrill erodibility factor (Ki) and effective hydraulic conductivity (Ke) using fractal dimension of the mentioned soil properties (pores, aggregates and primary particles). For this purpose samples from 36 soil Types with contrasting properties were collected from northwest part of Iran. Soil texture, organic matter, pH, EC, CEC, CaCO3, and CaSO4 were determined using the standard laboratory methods. Fractal dimension of primary particles were estimated by three fractal models. Wet