زمینه و هدف: فرسایش بادی در بخش بزرگی از پهنه ایران وجود داد که سبب تخریب اراضی و کاهش باروری آنها به همراه اثرات زیست‌محیطی شده است. شناخت مناطق حساس به فرسایش می‌تواند در برنامه‌ریزی‌های حفاظت خاک به کمک مدیران منابع طبیعی و محیط‌زیست آید.روش پژوهش: این تحقیق برای برآورد جزء فرسایش‌پذیر خاک در مقابل باد (EF) از روی ویژگی‌های سهل الوصول خاک دردشت الله ‎آباد واقع در شرق استان قزوین انجام شد. بدین منظور جزء فرسایش‌پذیر خاک در مقابل باد با استفاده از روش‌های رگرسیون چند متغیره (MLR)، شبکه عصبی مصنوعی (ANN) و تلفیق شبکه عصبی مصنوعی با الگوریتم ژنتیک برای بهینه‌سازی اوزان (GA-ANN) با به کار بردن ویژگی‌های سهل الوصول برآورد شد. با بررسی نقشه خاک، تفاوت خاک ها و خصوصیات محیطی دشت الله‌آباد، 103 نمونه خاک طبق یک الگوی تصادفی طبقه بندی شده از 10 سانتی‌متری سطح آن‎ها، جمع‌آوری و به آزمایشگاه ارسال شد. در نمونه های خاک، برخی خصوصیات خاک به‌عنوان ورودی های مدل های برآورد جزء فرسایش‌پذیر خاک در مقابل باد اندازه‌گیری 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.یافته ها: طبق یافته ها، بیشترین همبستگی جزء فرسایش‌پذیر خاک در مقابل باد (EF) با مقدار رس خاک دیده شد (789/0- r=). همچنین جزء فرسایش‌پذیر 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 به‌دست 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.نتیجه گیری: 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 فرسایش‌پذیر خاک از کارایی مناسبی برخوردار نمی‌باشند به‌طوری 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. تفاصيل المقالة