زمینه و هدف: رفتار رودخانه، از دو دسته عوامل طبیعی و عوامل انسانی تأثیر می‌پذیرد. عوامل طبیعی مانند وقوع سیل، فرسایش خاک، حرکت توده‌ای و عوامل انسانی مانند ساخت‌و‌ساز تأسیسات، تغییر کاربری اراضی و برداشت شن و ماسه از بستر، نقش اساسی در رفتار و تشدید تغییرات رودخانه دارد. خطرات جدی و جبران‌ناپذیری که جابه‌جایی‌ها و تغییرات رودخانه‌ها ممکن است به دنبال داشته باشد، ضرورت بررسی مورفولوژی آن را در مرحله مطالعات، قبل از هر گونه اقدامی نمایان می‌سازد. شبکه آبراهه‌ها پیوسته مکان خود را براساس زمان، عوامل محیطی و دخالت بشر تغییر می‌دهند. مطالعه تغییرات آبراهه‌ها به‌منظور ارائه راه‌کارهای مدیریتی برای حفاظت خاک از اهمیت بسزائی برخوردار است. یکی از روش‌های نوین در این رابطه، استفاده از هندسه فرکتال می‌باشد. هدف از این پژوهش، محاسبه بُعدهای فرکتالی آبراهه و بررسی رابطه آن با خصوصیات مورفومتری حوضه بود.روش پژوهش:بدین منظور نقشه توپوگرافی حوضه مزداران شهرستان فیروزکوه استان تهران تهیه و با استفاده از نرم‌افزار ARC GIS 10.3 نقشه آبراهه‌ها تهیه و خصوصیات مورفومتری حوضه تعیین گردید. سپس سه بُعد فرکتالی شبکه زهکشی (انشعاب آبراهه)، تراکم زهکشی و مساحت حوضه محاسبه شد. در نهایت با وارد کردن داده‎ های به‌دست آمده از محاسبات در نرم‎افزارهای SPSS 18 و Curve Expert روابط خصوصیات مورفومتری حوضه با ابعاد فرکتالی بررسی گردید.یافته‌ها: نتایج نشان داد کم ترین و بیش‌ترین بُعد فرکتالی نسبت انشعاب 25/0 و 99/2، بُعد فرکتالی تراکم زهکشی 19/0 و 34/2 و بُعد فرکتالی مساحت 76/0 و 60/2 می‌باشد. میزان بُعد فرکتالی نسبت انشعاب، بُعد فرکتالی تراکم زهکشی و بُعد فرکتالی مساحت کل حوضه به ترتیب برابر 84/1، 71/0 و 46/1 به دست آمد. رابطه بین بُعد فرکتالی نسبت انشعاب با مساحت زیرحوضه‌ها با ضریب تببین‌ 90/0، معکوس و رابطه بین بُعد فرکتالی تراکم زهکشی با مساحت و بُعد فرکتالی مساحت با مساحت زیرحوضه‌ها به ترتیب با ضریب تببین 88/0 و 87/0، مستقیم می‌باشد. هرچه حوضه کشیده‌تر و ضریب شکل، گردی و کشیدگی کوچک تری داشته باشد، بُعد انشعاب کوچک تری خواهد داشت. بُعد فرکتالی مساحت با ضریب فشردگی، ضریب کشیدگی، ضریب شکل، نسبت انشعاب، عرض مستطیل معادل و طول مستطیل معادل رابطه مستقیم و با سایر متغیرها رابطه معکوس دارد. براین اساس هرچه حوضه کشیده‌تر باشد و ضریب شکل و کشیدگی کوچکتری داشته باشد، بُعد مساحت کوچکتری خواهد داشت. بُعد فرکتالی تراکم زهکشی با ضریب گردی، ضریب فشردگی، ضریب کشیدگی، ضریب شکل، نسبت مساحت، نسبت انشعاب، عرض مستطیل معادل و طول مستطیل معادل رابطه مستقیم و با سایر متغیرها رابطه معکوس دارد. بنابراین با گردتر شدن حوضه، بُعد فرکتالی تراکم زهکشی افزایش می‌یابد.نتایج: باتوجه به ضریب تبیین مدل‌های به‌دست آمده برای رابطه ابعاد فرکتالی و خصوصیات مورفومتری، می‌توان ابعاد فرکتالی مورد بررسی را با استفاده از خصوصیات مورفومتری به راحتی محاسبه و به تحلیل آن‌ها پرداخت . با توجه به اهمیت خصوصیات آبراهه در مدیریت حوزه‌های آبخیز از نظر سیل، فرسایش و حفاظت خاک، می‌توان از مدل‌های فرکتالی جهت تصمیم‌گیری سریع‌ و دقیق‌تر برای مدیریت آبراهه‌ها استفاده کرد. در آخر با توجه به اینکه استفاده از هندسه فرکتالی روشی نوین در بررسی خصوصیات شبکه آبراهه‌ها می‌باشد پیشنهاد می‌شود در مناطق مختلف با شرایط مورفومتری متفاوت‌تر، حوضه‌ها مورد تحلیل فرکتالی قرار گیرند پرونده مقاله

حفظ منابع و ذخایر آب خاک با اعمال مدیریت صحیح و به کارگیری روش‌های پیشرفته از اقدامات مناسب در بهره برداری از منابع محدود آب می‍باشد. در این پژوهش، اثر برخی ضایعات آلی و یک سوپرجاذب رطوبت بر مقدار آب قابل استفاده و تأخیر در نقطه پژمردگی دائم یک خاک، مربوط به دامنه های شیب دار رودبار بررسی شد. تیمارها شامل مقادیر 10، 20 و 50 درصد حجمی از ضایعات چای، کمپوست زباله های شهری و ضایعات زیتون بودند که به همراه مقادیر 1، 2، 4، 8 و 16 گرم از یک سوپر جاذب رطوبت (A200) در یک طرح کاملاً تصادفی در فضای آزاد مسقف دانشگاه آزاد اسلامی واحد رشت در محدوده دمایی 28-26 درجه سانتی گراد استفاده شد. به منظور تهیه منحنی رطوبتی و تعیین رطوبت معادل ظرفیت زراعی (FC) و نقطه پژمردگی (PWP) در تیمارها از روش کاغذ صافی استفاده شد. پس از اشباع خاک‌ها، زمان شروع اشباع خاک ها تا رسیدن به رطوبت معادل PWP محاسبه شد. نتایج نشان داد که اثر تیمارها بر مقدار رطوبت در ضرائب ظرفیت زراعی و نقطه پژمردگی دائم در سطح یک درصد معنی دار بود. بیشترین تأخیر معنی دار (در سطح یک درصد) در ضریب رطوبتی نقطه پژمردگی دائم خاک با تأخیر 19 روز نسبت به شاهد در 50 درصد کمپوست زباله شهری و با تأخیر 30 روز در 16 گرم سوپرجاذب دیده شد. در کل، استفاه توأم از 10 درصد ضایعات آلی کشاورزی و میزان 5 گرم بر کیلوگرم سوپر جاذب نتایج مطلوبی در تأخیر ضریب رطوبتی نقطه پژمردگی دائم و افزایش رطوبت قابل استفاده به همراه داشت. پرونده مقاله

بافت خاک یکی از مهم ترین ویژگی‌های خاک است که بر روی بسیاری از خصوصیات فیزیکی و شیمیایی مانند ظرفیت نگهداری آب، ظرفیت تبادل کاتیونی، حاصلخیزی خاک و تهویه خاک اثر می گذارد. امروزه از فناوری هوش مصنوعی مانند شبکه های عصبی و عصبی فازی برای حل مسائل مربوط به مدل سازی سیستم ها و فرآیند ها استفاده می شود. در این پژوهش کارآیی شبکه‌های عصبی مصنوعی در پیش‌بینی بافت خاک بررسی شد. بدین منظور 150 نمونه خاک از عمق 15- 0 سانتی‌متری از حوزه آبخیز سد گاوشان در استان کردستان جمع آوری گردید. موقعیت جغرافیایی، ارتفاع و درصد شیب در هر نقطه ثبت شد. بافت خاک در آزمایشگاه به‌روش هیدرومتری اندازه‌گیری شد. با استفاده از شبکه‌های عصبی مصنوعی رابطه بین طول و عرض جغرافیایی، ارتفاع و شیب و درصد هر کدام از گروه‌های ذرات خاک با استفاده از نرم‌افزار MATLAB به‌دست آمد. دقت شبکه ساخته شده با استفاده از شاخص‌های آماری مانند شاخص ریشه میانگین مربعات خطا (RMSE)، شاخص نسبت خطای متوسط هندسی (GMER) و ضریب همبستگی (R) ارزیابی گردید. نتایج به‌دست آمده نشان داد که کارآیی روش استفاده شده برای برآورد مقدار شن و رس خاک نسبتاً یکسان و برای برآورد مقدار سیلت کم‌تر بود؛ با این حال در سطح برآورد بافت خاک روش استفاده شده از کارآیی بالایی برخوردار نبود. پرونده مقاله

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. پرونده مقاله

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. پرونده مقاله