Journal of Watershed Management Research

fa برآورد فرسایش خاک در اراضی شیبدار مرتعی با بکارگیری شبکه عصبی مصنوعی (ANN) و سیستم اطلاعات جغرافیایی (GIS) Estimation of Soil Erosion using Artificial Neural Network (ANN) and Geographic Information System (GIS) on the Rangeland Hillslopes فرسايش خاک و توليد رسوب فرسايش خاک و توليد رسوب پژوهشي Research <div style="text-align: justify;">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.   </div> <div style="text-align: justify;">Extended Abstract Introduction and Objective: Soil erosion is one of the most important problems in natural resources management, especially on the e rangeland hillslopes. Further, soil erosion estimation using field measurement is expensive and time-consuming. Therefore, models can be efficient tool for performing an exact estimation in a short time and a low cost. The aim f this study is to present a methodology to estimate soil erosion on the rangeland hillslopes. Material and Methods:  In this study, the annual rates of soil erosion have been studied using erosion pins on the rangeland hillslope in the of Kasilian watershed in Mazandaran Province. Annual soil erosion rates were measured using 109 erosion pins (one year after the its establishment) due to changes in soil surface and soil specific gravity. An artificial neural network (ANN) was used in NeuroSolutions software. Soil erosion rates were as the model output and the affecting factors of soil erosion were the inputs. The model inputs rangeland cover percentage, land slope, slope length, slope shape (land curvature) and soil texture (sand, clay and silt percentage). The modeling process was performed using the MLP network. All of the data were separated into three classes included training (65% data), cross-validation (10%), and test stage (25% data). The model was performed and optimized. Further, geographic information system (GIS) was used for mapping soil erosion rates based on the simulated erosion values. Results: The results of the test stage proved the high performance of the ANN in estimating soil erosion (Rsqr = 0.9). Further, statistical analysis using SPSS software  and the optimum structure of the network and sensitivity analysis showed that the most important factors of soil erosion are vegetation cover, slope shape, land slope, slope length and soil characteristics, respectively. Finally, the optimized network inputs were combined in a GIS environment with a pixel size of ten meters, and annual soil erosion map was generated by coupling the capabilities of ANN and GIS on the studied rangelands. Conclusion: The proposed methodology can be used as an efficient and alternative method for field measurements of soil erosion in the highlands with a high performance.</div>   حوضه کسیلیان, مدلسازی, نقشه فرسایش خاک, MLP Kasilian Watershed, MLP, Modeling, Soil erosion map 147 158 http://jwmr.sanru.ac.ir/browse.php?a_code=A-11-1702-1&slc_lang=fa&sid=1 Vahid Gholami وحید غلامی gholami.vahid@gmail.com 100319475328460011296 100319475328460011296 Yes Associate Professor, Faculty of Natural Resources, University of Guilan دانشکده منابع طبیعی دانشگاه گیلان Farhad Borna فرهاد برنا farhad.borna69@gmail.com 100319475328460011297 100319475328460011297 No Department of Rangeland, Sari University of Agricultural Sciences and Natural Resources دانش آموخته کارشناسی ارشد مرتعداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری Babak Hadian محمدعلی هادیان امری bk_hadian@yahoo.com 100319475328460011298 100319475328460011298 No Assistant Professor of Mazandaran Agricultural and Natural Resources Education and Research Center, Soil Protection and Watershed Management Department بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی مازندران، سازمان تحقیقات آموزش و ترویج کشاورزی، ساری، ایران