دوره 12، شماره 24 - ( پاییز و زمستان 1400 1400 )
جلد 12 شماره 24 صفحات 158-147 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Gholami V, Borna F, Hadian B. Estimation of Soil Erosion using Artificial Neural Network (ANN) and Geographic Information System (GIS) on the Rangeland Hillslopes. jwmr. 2021; 12 (24) :147-158
URL: http://jwmr.sanru.ac.ir/article-1-1100-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-1100-fa.html
غلامی وحید، برنا فرهاد، هادیان امری محمدعلی. برآورد فرسایش خاک در اراضی شیبدار مرتعی با بکارگیری شبکه عصبی مصنوعی (ANN) و سیستم اطلاعات جغرافیایی (GIS). پژوهشنامه مديريت حوزه آبخيز. 1400; 12 (24) :158-147
دانشکده منابع طبیعی دانشگاه گیلان
چکیده: (1023 مشاهده)
چکیده مبسوط
مقدمه و هدف: فرسایش خاک از مهمترین مشکلات مدیریت منابع طبیعی بخصوص در اراضی شیبدار مرتعی می‌باشد. از طرفی، برآورد فرسایش بوسیله تجهیزات انداز‌ه‌گیری، هزینه بر و زمان بر است. بنابراین، استفاده از مدلسازی به منظور ارائه یک برآورد دقیق با زمان و هزینه اندک، کارآمد خواهد بود. هدف از تحقیق حاضر ارائه یک روش کارآمد برای برآورد مقادیر فرسایش خاک در اراضی شیبدار دور از دسترس می باشد.
مواد و روش ها: در تحقیق حاضر مقادیر فرسایش سالانه خاک به وسیله استقرار پین‌های فرسایشی بر روی دامنه با کاربری مرتعی در حوضه آبخیز کسیلیان استان مازندران مورد مطالعه قرار گرفت. مقادیر فرسایش خاک در 109 پین فرسایشی یک سال پس از استفرار آنها براساس تغییرات سطح خاک و اعمال وزن مخصوص خاک برآورد گشت. در این راستا، شبکه عصبی مصنوعی در محیط نرمافزار NeuroSolutions با بکارگیری مقادیر فرسایش به عنوان خروجی مدل و عوامل درصد پوشش مرتعی، شیب زمین، طول شیب، شکل شیب (انحناء زمین) و بافت خاک (درصد شن، رس، سیلت) به عنوان ورودی ها، جهت مدلسازی فرسایش بکار گرفته شدند. فرآیند مدلسازی با بکارگیری شبکهMLP طی سه مرحله آموزش شبکه (65 درصد داده ها)، صحت صحنی (10 درصد) و تست (25 درصد داده ها) شبکه عصبی انجام پذیرفت. از سیستم اطلاعات جغرافیایی (GIS) نیز جهت تهیه نقشه فرسایش خاک با بکارگیری ارقام مدلسازی شده فرسایش در اراضی شیبدار استفاده شد.
یافته ها: نتایج تست یا اعتباریابی شبکه بهینه شده، دلالت برای کارایی شبکه عصبی در برآورد فرسایش خاک داشته است (Rsqr=0.9). همچنین، تجزیه و تحلیلهای آماری با بکارگیری نرم افزار SPSS و ساختار شبکه عصبی بهینه و آنالیز حساسیت ورودی های شبکه نشان داد که مهمترین عوامل فرسایش خاک به ترتیب میزان پوشش گیاهی، شکل شیب، میزان شیب، طول شیب و خصوصیات خاک می‌باشند. در نهایت، ورودیهای شبکه بهینه اعتباریابی شده، در محیط GIS با پیکسل سایز ده متر با هم تلفیق شدند و با ادغام قابلیت‌های ANN و GISنقشه مقادیر فرسایش سالانه خاک اراضی مرتعی مطالعاتی تهیه گردید.
نتیجه گیری: متدولوژی ارائه شده می تواند به عنوان روشی کارآمد و جایگزینی برای اندازه گیری ها صحرایی فرسایش خاک در مناطق دور از دسترس با کارایی بالا، مورد استفاده قرار گیرد.
مقدمه و هدف: فرسایش خاک از مهمترین مشکلات مدیریت منابع طبیعی بخصوص در اراضی شیبدار مرتعی می‌باشد. از طرفی، برآورد فرسایش بوسیله تجهیزات انداز‌ه‌گیری، هزینه بر و زمان بر است. بنابراین، استفاده از مدلسازی به منظور ارائه یک برآورد دقیق با زمان و هزینه اندک، کارآمد خواهد بود. هدف از تحقیق حاضر ارائه یک روش کارآمد برای برآورد مقادیر فرسایش خاک در اراضی شیبدار دور از دسترس می باشد.
مواد و روش ها: در تحقیق حاضر مقادیر فرسایش سالانه خاک به وسیله استقرار پین‌های فرسایشی بر روی دامنه با کاربری مرتعی در حوضه آبخیز کسیلیان استان مازندران مورد مطالعه قرار گرفت. مقادیر فرسایش خاک در 109 پین فرسایشی یک سال پس از استفرار آنها براساس تغییرات سطح خاک و اعمال وزن مخصوص خاک برآورد گشت. در این راستا، شبکه عصبی مصنوعی در محیط نرمافزار NeuroSolutions با بکارگیری مقادیر فرسایش به عنوان خروجی مدل و عوامل درصد پوشش مرتعی، شیب زمین، طول شیب، شکل شیب (انحناء زمین) و بافت خاک (درصد شن، رس، سیلت) به عنوان ورودی ها، جهت مدلسازی فرسایش بکار گرفته شدند. فرآیند مدلسازی با بکارگیری شبکهMLP طی سه مرحله آموزش شبکه (65 درصد داده ها)، صحت صحنی (10 درصد) و تست (25 درصد داده ها) شبکه عصبی انجام پذیرفت. از سیستم اطلاعات جغرافیایی (GIS) نیز جهت تهیه نقشه فرسایش خاک با بکارگیری ارقام مدلسازی شده فرسایش در اراضی شیبدار استفاده شد.
یافته ها: نتایج تست یا اعتباریابی شبکه بهینه شده، دلالت برای کارایی شبکه عصبی در برآورد فرسایش خاک داشته است (Rsqr=0.9). همچنین، تجزیه و تحلیلهای آماری با بکارگیری نرم افزار SPSS و ساختار شبکه عصبی بهینه و آنالیز حساسیت ورودی های شبکه نشان داد که مهمترین عوامل فرسایش خاک به ترتیب میزان پوشش گیاهی، شکل شیب، میزان شیب، طول شیب و خصوصیات خاک می‌باشند. در نهایت، ورودیهای شبکه بهینه اعتباریابی شده، در محیط GIS با پیکسل سایز ده متر با هم تلفیق شدند و با ادغام قابلیت‌های ANN و GISنقشه مقادیر فرسایش سالانه خاک اراضی مرتعی مطالعاتی تهیه گردید.
نتیجه گیری: متدولوژی ارائه شده می تواند به عنوان روشی کارآمد و جایگزینی برای اندازه گیری ها صحرایی فرسایش خاک در مناطق دور از دسترس با کارایی بالا، مورد استفاده قرار گیرد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
فرسايش خاک و توليد رسوب
دریافت: 1399/5/10 | ویرایش نهایی: 1400/12/3 | پذیرش: 1399/7/14 | انتشار: 1400/6/10
دریافت: 1399/5/10 | ویرایش نهایی: 1400/12/3 | پذیرش: 1399/7/14 | انتشار: 1400/6/10
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
