برآورد فرسايشپذيري ذاتي خاک در برابر باد به کمک الگوريتم ژنتيک در ترکيب با شبکه عصبي مصنوعي
الموضوعات :ساينا جعفريان 1 , علی محمدی ترکاشوند 2 , عباس احمدی 3 , نازنین خاکی پور 4 , مریم مرعشی 5
1 - دانشجوي دکتري مديريت منابع خاک، گروه علوم و مهندسي خاک، واحد علوم و تحقيقات، دانشگاه آزاد اسلامي، تهران، ايران.
2 - استاد گروه علوم و مهندسي خاک، واحد علوم و تحقيقات، دانشگاه آزاد اسلامي، تهران، ايران.
3 - دانشيار گروه علوم و مهندسي خاک، دانشگاه تبريز، تبريز، ايران.
4 - استاديار گروه علوم و مهندسي خاک، واحد سوادکوه، دانشگاه آزاد اسلامي، سوادکوه، ايران.
5 - استاديار، گروه علوم و مهندسي خاک، واحد علوم و تحقيقات، دانشگاه آزاد اسلامي، تهران، ايران.
الکلمات المفتاحية: شوری خاک, فرسایش‌پذیری, مدلسازی, EF, SIWE.,
ملخص المقالة :
زمينه و هدف: فرسايشپذيري ذاتي خاک در برابر باد (SIWE)، حساسيت ذاتي ذرات تشکيل دهنده خاک در مقابل کنده شدن و انتقال، در مقابل فرسايش است. اندازه‌گيري فرسايشپذيري ذاتي خاک در برابر باد مي‌تواند به وسيله دستگاه تونل باد صورت بگيرد، که عموما پرهزينه، مشکل و زمان‌بر است. از طرف ديگر به دليل تغيير مداوم شرايط مختلف زراعي و اقليمي اين ويژگي نيز داراي تغييرات زماني و مکاني ميباشد. بنابراين برآورد SIWE به وسيله ابزار هوش مصنوعي مي تواند گامي مهم در برنامه ريزي عرصه هاي تحت فرسايش بادي باشد. در اين تحقيق، برآورد اين شاخص به کمک مدل الگوريتم ژنتيک در ترکيب با شبکه عصبي مصنوعي بررسي شد. روش پژوهش: در منطقه مورد مطالعه که بخشي از دشت الله آباد در استان قزوين در مجاورت استان البرز است، 72 نمونه از عمق 10 -0 سانتي‌متري سطح خاک برداشته شد. شاخص جزء فرسايشپذيري بادي خاک (EF) که درصد خاکدانه هاي با قطر کوچک تر از 84/0 ميلي متر است در نمونه‌ها تعيين شد. همچنين بافت خاک (درصد رس، شن و سيلت)، pH، EC و کربنات کلسيم معادل اندازه-گيري شدند. نمونه‌هاي خاک برداشته شده از مزرعه بعد از هواخشک شدن از الک 75/4 ميلي‌متري عبور داده شده و بر روي سيني دستگاه تونل باد بصورت صاف ريخته شد. سپس دستگاه تونل باد، بادي با سرعت ثابت 18 متر بر ثانيه و به مدت 10 دقيقه ايجاد نمود. با استفاده از وزن رسوبات جمع آوري شده در انتهاي تونل بعد از انجام آزمايش، SIWE تعيين شد. مدل الگوريتم ژنتيک در ترکيب با شبکه عصبي مصنوعي بر طبق الگويتم آموزشي لونبرگ - مارکوارت با توجه به متغيرهاي داراي همبستگي مثبت با SIWE به عنوان ورودي مدل، تهيه و تحليل شد. يافته ها: مقدار pH خاک بين 00/7 تا 81/8 متغير بود. مقادير قابليت هدايت الکتريکي از 84/0 تا 3/49 دسي زيمنس بر متر (dS/m) متفاوت بود. داده هاي اجزاء بافت خاک، نشان دهنده مقدار بيشتر رس در مقايسه با اجزاء سيلت و شن در خاک‌ها مي باشد. حداقل آهک (CCE) در خاک، 15/3 درصد و حداکثر آن، 52/30 درصد بود. فرسايش پذيري ذاتي خاک در برابر باد فقط با دو متغير قابليت هدايت الکتريکي و EF همبستگي معني دار داشت. مدل الگوريتم ژنتيک هيبريد با شبکه عصبي مصنوعي با دو متغير ورودي EF و EC تهيه شد. بررسي صحت و دقت مدل نشان داد که مقدار R2 در داده هاي سري آموزش 9 درصد با داده هاي سري آزمون اختلاف داشت و مقدار خطا (RMSE)،kg s m-4 62/1 بود. در داده هاي سري آموزش، R2 نتايج بدست آمده از مدل (805/0) بيشتر از داده‌هاي نتايج بدست آمده از سري آزمون (714/0) بود. اگرچه داده هاي آموزش از R2 بيشتري برخوردار بودند، لذا خطاي (RMSE) نتايج داده هاي آموزش از آزمون بيشتر بود و در سري آزمون، مدل داراي پراکندگي (GSDER) کمتري بود. نتيجه گيري: از نتايج بدست آمده مي‌توان نتيجه گرفت که شوري خاک و فاکتور جزء فرسايش‌پذير خاک از ويژگي‌هاي مهم خاک هستند که مي‌توانند به عنوان تخمين‌گر مناسب وارد مدلهاي برآورد فرسايشپذيري خاک شوند. همچنين دقت تخمين مدل تلفيقي الگوريتم ژنتيک با شبکه عصبي مصنوعي براي داده‌هاي سري آموزش نسبت به دقت مدل براي داده‌هاي سري آزمون بيشتر است. اما مدل براي داده‌هاي سري آموزش از خطاي بيشتري برخوردار است. مقايسه خطا، دقت و صحت مدل در برآورد فرسايشپذيري ذاتي خاک در برابر باد در مقايسه با مطالعات مختلف فرسايش خاک و خصوصيات فيزيکي و شيميايي خاک، مدل تلفيقي الگوريتم ژنتيک و شبکه عصبي از صحت و دقت مناسبي در پيشبيني و برآورد فرسايشپذيري ذاتي خاک در برابر باد برخوردار است.
Abdollahzadeh, A., Mukhlisin, M., & El Shafie, A. (2011). Predict soil erosion with artificial neural network in Tanakami (Japan). WSEAS Transactions on Computers, 10 (2): 51–60.
Ahmadi, A., Neyshabouri, M. R., Rouhipour, H., & Asadi, H. (2011) Fractal dimension of soil aggregates as an index of soil erodibility. J Hydrol 400 (3-4), 305-311.
Aytek A, & Kisi, O. (2008). A genetic programming approach to suspended sediment modeling. Journal of Hydrology, 351: 288-298.
Besalatpour, A. A., Ayoubi, S., Hajabbasi, M. A., Mosaddeghi, M. R., & Schulin, R. (2013). Estimating wet soil aggregate stability from easily available properties in a highly mountainous watershed. Catena, 111: 72-79.
Black, J. M. W. & Chanasyk, D. S. (1989). The wind erodibility of some Alberta soils after seeding: aggregation in addition to field parameter. Canadian Journal of Soil Science 69: 835-875.
Chahar Azar, F., Chahar Azar, Y., & Javad Amiri, M. (2019). The Role of aerosol on Human Health and the Environment, International Dust Conference on Southwest Asia, 23-25 April 2019, University of Zabol, Zabol, Iran. In Persian.
Chandler, D. G. (2005). Predicting wind erodibility of loessial soils in the Pacific Northwest by particle sizing. Arid Land Res Manag 19: 13-27.
Chepil, W. (1958). Soil conditions that influence wind erosion. USDATech, Bui, No, 1185.
Chepil, W. (1960). Conservation of relative field erodibility to annual soil loss by wind. Soil Sci Soc Am J 24(2):143-148.
Colazo, J. C., & Buschiazzo, D. E. (2010). Soil dry aggregate stability and wind erodible fraction in a semiarid environment of Argentina. Geoderma, 159 (1-2): 228-236.
Gholami, H., Mohammadifar, A., Golzari, S., Kaskaoutis, D. G., & Collins, A. L., (2021). Using the Boruta algorithm and deep learning models for mapping land susceptibility to atmospheric dust emissions in Iran. Aeolian Res. 50, 100682.
Goldberg, D. E. (1989). Genetic algorithm in search, optimization and machine learning. Addison Wesley, Reading, MA, 412p.
Hosseini, M., Hemmati, M., & Yasi, M. (2023). 'Predicting River Suspended Load Using Artificial Neural Network and Non-Dominant Genetic Sorting Algorithm', Applied Soil Research, 10(4), pp. 45-60.
Jain, A. & Srinivasulu, S. (2004). Development of effective and efficient rainfall-runoff models using integration of deterministic, real-coded genetic algorithms and artificial neural network techniques. Water and resource research, 40(4), W04302.
Khanbabakhani E., Mohammadi Torkashvand A., & Mahmoodi M. A., (2020). The possibility of preparing soil texture class map by artificial neural networks, inverse distance weighting, and geostatistical methods in Gavoshan dam basin, Kurdistan. Arabian J Geosci 13 (5), 1-14
Klute, A. (1986). Methods of Soil Analysis: Part 1. Physical and Mineralogical Methods (Sssa Book Series No 5) 2nd Edition, Am Soc Agron Soil Sci Soc Am, Madison, WI.
Kokelj S. V., Lantz T. C., Solomon S., Pisaric M. F. J., Keith D., Morse P., Thienpont J. R., Smol J. P., & Esagok D. (2012). Using multiple sources of knowledge to investigate northern environmental change: regional ecological impacts of a storm surge in the outer Mackenzie delta, N.W.T. Arctic, 65(3): 257 – 272.
Kouchami-Sardoo, I., Shirani, H., Esfandiarpour-Boroujeni, I., & Besalatpour, A. A. (2020). Development and application of two hybrid metaheuristic algorithms to identify the most important parameters influencing wind erosion. Journal of Arid Biome, 10(1), pp. 31-45. doi: 10.29252/aridbiom.2021.1997
Li, H., Zhu, L., Dai, Z., Gong, H., Guo, T., Guo, G., Wang, J., & Teatini, P., (2021). Spatiotemporal modeling of land subsidence using a geographically weighted deep learning method based on PS-InSAR. Sci. Total Environ. 799, 149244.
Lyles, L. & Tatarko, J. 1986. Wind erosion effects on soil texture and organic matter. Journal of Soil and Water Conservation 41: 191-194.
Lyles, L., Disrud, L. A. & Woodruff, N. P. (1969). Effects of soil physical properties, rainfall characteristics, and wind velocity on clod disintegration by simulated rainfall. SSSA Proc, 33(2): 302-306.
Marashi, M., Mohammadi Torkashvand, A., Ahmadi, A., & Esfandiari, M. (2017). Estimation of soil aggregate stability indices using artificial neural network and multiple linear regression models. Spanish J Soil Sci 7(2): 89-99.
Marashi, M., Mohammadi Torkashvand, A., Ahmadi, A., & Esfandiari, M. (2019). Adaptive neuro-fuzzy inference system: estimation of soil aggregates stability. Acta Ecol Sinica. 39(1):95-101.
Menhaj, M. (2001). Artificial neural network training. Sharif University of Technology Press, Tehran, Iran.
Merrill, S. D., Black, A. L., & Halvorson, A. (1997). Soil-inherent wind erodibility: Progress and prospects; Paper presented at the Proceedings Wind Erosion: An International Symposium/Workshop.
Mohammadi Torkashvand A., Nikkami, D. (2008). Investigating some methodologies of preparing erosion features map by using RS and GIS. Int J Sediment Res 23 (2): 124-132.
Mohammadi Torkashvand, A., Haghighat, N. (2009). Investigation of some models derived from data layers integration in geographic information system with slope layer for providing water-soil erosion types maps. Res J Environ Sci 3 (2), 202-209.
Mokhtari, P., Ayoubi, S. H., Honarju, N., & Jalalian, A. (2011). Predicting soil organic matter by artificial neural network in landscape scale using remotely sensed data and topographic attributes. Geophys Res Abs 13: 10-75.
Moradi, G, & Aprajunqani, A. (2019) Investigating the Origin of aerosol and their Impacts on Air Pollution, International Dust Conference on Southwest Asia, 23-25 April 2019, University of Zabol, Zabol, Iran. In Persian.
Munns, R. (2003). Comparative physiology of salt and water stress. Plant Cell Environ 25: 239-50.
Munson, SM, Belnap, J, Okin, SG (2011). Responses of wind erosion to climate-induced vegetation changes on the Colorado Plateau. Proceedings of the National Academy of Sciences of the United States of America, 108(10): 3854–3859.
Nasseh, S., Mohebbi, A., Sarrafi, A., & Taheri, M. (2009). Estimation of pressure drop in venturi scrubbers based on annular two-phase flow model, artificial neural networks and genetic algorithm. J Chem Engin 150: 1. 131-138.
Nelson, D. W., & Sommers, L. E. (1982). Total carbon, organic carbon, and organic matter: 539-579, In: Page AL (ed.) Methods of Soil Analysis. Part 2. 2nd ed. American Society of Agronomy, Madison,WI .
Nosrati, H., Eftekhari, M. (2014). A new approach for variable selection using fuzzy logic. Computational Intelligence in Electrical Engineering, 4, 71 -83.
Nouri, A., Esfandiari, M., Eftekhari, E., Mohammadi Torkashvand, A., & Ahmadi, A. (2023). Development support vector machine, artificial neural network and artificial neural network – genetic algorithm hybrid models for estimating erodible fraction of soil to wind erosion. International Journal of River Basin Management. https://doi.org/10.1080/15715124.2022.2153856
Ostovari, Y., Ghorbani-Dashtaki, S., Bahrami, H. A., Naderi, M., Dematte, J. A. M., & Kerry, R. (2016). Modification of the USLE K factor for soil erodibility assessment on calcareous soils in Iran. Geomorphology, 273, 385–395.
Qorbanian, R. (2016). Development of Pedotransfer functions for estimation of soil inherent wind erodibility (A case study: Dash-e –Tabriz). University of Tabriz.
Rajabi Agereh, S., Kiani, F., Khavazi, K., Rouhipour, H., & Khormali, F., (2019). An environmentally friendly soil improvement technology for sand and dust storms control. Environ. Health Eng. Manag. J. 6 (1), 63–71.
Sarani, A., & Rahdari, S. (2019). Aerosol on Agricultural Performance and Extension Activities. International Dust Conference on Southwest Asia, 23-25 April 2019, University of Zabol, Zabol, Iran.
Sarkar, T., & Mishra, M. (2018). Soil erosion susceptibility mapping with the application of logistic regression and artificial neural network. J Geovisual Spatial Anal 2: 1-17.
Saxton, K., Chandler, D., Stetler, L., Lamb, B., Claiborn, C. & Lee, B. H. (2000). Wind erosion and fugitive dust fluxes on agricultural lands in the Pacific Northwest. Transactions of the ASAE, 43: 623-630.
Shahkoui, A., & Rahmani, T. (2018). Climatic Survey of aerosol at Northwest of Iran, Second National Meteorological Conference of Iran, 9th May 2018, Ferdowsi University of Mashhad, Mashhad, Iran.
Song, Y., Liu, L., Yan, P., & Cao, T. (2005). A review of soil erodibility in water and wind erosion research. J Geograph Sci 15, 167-176.
Taghizadeh Mehrjerdi, R., Sarmadian, F., Savaghebi, G., Mahmoodian, A., Tmonanian, N., Roosta, M. J., & Rahimian, MH. (2013). The comparison of Neuro-fuzzy, Genetic Algorithm, Neural Network, and Multivariate Regression methods in anticipation of soil salinity (case study: Ardakan city). Pasture Watershed Manag (Natural Resources of Iran). 66(2):207-222.
Tanasan, M. (2013). Designing spatial optimization land use model using multi-objective genetic algorithm whit land use planning approach, MSc Thesis, Department of Remote Sensing and GIS, Shahid Beheshti University, (In Persian).
Tietje, O., and V. Hennings. 1996. Accuracy of the saturated hydraulic conductivity prediction by pedo-transfer functions compared to the variability within FAO textural classes. Geoderma 69, 71–84.
Vaezi, A. R., Sadeghi, S. H., Bahrami H.A., & Mahdian, M. (2008). Modeling the USLE K-factor for calcareous soils in northwestern Iran. Geomorphology 97, 414–423.
Young, R.A., & Muchler, C.K. (1977). Erodibility of some Minesota Soils. Journal of Soil and Water Conservation 32: 180-182.
Zhao H. L., Yi, X. Y., Zhou, R. L., Zhao, X. Y., Zhang, T. H., & Drake, S. (2006). Wind erosion and sand accumulation effects on soil properties in Horqin Sandy Farmland, Inner Mongolia. Catena, 65: 71-79.
