کارایی شبکه های عصبی مصنوعی در شبیه سازی فرسایش خاک و رواناب با بکارگیری ابعاد فرکتالی

امروزه استفاده از شبکه های عصبی مصنوعی به عنوان ابزار قوی در ایجاد توابع انتقالی رایج شده است. همچنین استفاده از ابعاد فرکتالی ذرات اولیه و ثانویه خاک و نیز منافذ آن به عنوان تخمین گر در بسیاری از شاخه های علوم خاک رو به گسترش است. امّا تحقیقات اندکی در رابطه با کاربرد شبکه های عصبی مصنوعی و ابعاد فرکتالی در زمینه فرسایش خاک صورت گرفته است. هدف از این تحقیق تعیین ابعاد فرکتالی خصوصیات فوق الذکر و کاربرد آن در تخمین ضریب فرسایش پذیری بین شیاری (ki) و هدایت هیدرولیکی موثر خاک (ke) می باشد. بدین منظور 36 سری خاک با خصوصیات متفاوت از منطقه شمال غرب ایران انتخاب و از افق سطحی (ap) آن ها نمونه برداری شد. میزان موادآلی، کربنات کلسیم معادل، گچ،هدایت الکتریکی عصاره اشباع، واکنش خاک، ظرفیت تبادل کاتیونی و نسبت جذب سدیمی خاک با روش های متداول آزمایشگاهی، رس و سیلت خاک با روش هیدرومتری و توزیع اندازه ذرات بخش شن به روش الک کردن تعیین و میانگین هندسی قطر ذرات محاسبه گردید. بعد فرکتالی ذرات اولیه خاک با سه مدل فرکتالی محاسبه گردید. شاخص های پایداری خاکدانه ها نظیر پایداری خاکدانه های خیس (was)، میانگین وزنی قطر خاکدانه ها (mwd) و میانگین هندسی قطر خاکدانه ها (gmd) نیز تعیین گردید. توزیع اندازه خاکدانه ها در دو محدوده 8-75/4 میلیمتر و کوچکتر از 75/4 میلیمتر و با دو شیوه الک کردن مرطوب و خشک و نیز بدون تصحیح و با تصحیح جزء شن یا سنگریزه همراه تعیین گردید. بعد فرکتالی خاکدانه ها از روی asd تعیین شده با هر حالت از سه مدل فرکتالی بدست آمد. منحنی رطوبتی خاک در محدوده kpa 1500-0 تعیین و بعد فرکتالی منافذ خاک هم با دو مدل فرکتالی محاسبه شد. آزمایش های شبیه سازی باران و رواناب با استفاده از باران ساز مصنوعی با سینی زهکش دار به ابعاد 0/1×5/0 متر در شیب 9% و در سه شدت 20، 37 و 47 میلی متر بر ساعت انجام و شدت فرسایش بین شیاری (ei)، ki و ke محاسبه گردید. بدین ترتیب در مجموع 45 متغیر مستقل و سه متغیر وابسته ki، ke , و ei حاصل شد. برای نشان دادن مزیت نسبی متغیرهای مستقل به خصوص ابعاد فرکتالی ذرات اولیه، ذرات ثانویه (خاکدانه ها) و منافذ خاک به عنوان تخمین گر، متغیرهای مذکور به صورت سلسله مراتبی در پنج مرحله برای ایجاد توابع انتقالی در آنالیزهای رگرسیونی شرکت داده شد و متغیرهای ورودی به مدل با رگرسیون گام به گام گزینش شدند. همچنین توابع انتقالی توسط شبکه های عصبی مصنوعی با بهره گیری از متغیرهای گزینش شده برای توابع انتقالی رگرسیونی ایجاد گردید. در نهایت به ترتیب چهار و سه تابع انتقالی برای تخمین ki و ke در هر روش (رگرسیون و شبکه های عصبی مصنوعی) حاصل و آن ها از لحاظ دقت و قابلیت اعتماد با همدیگر مقایسه شدند. همچنین یک تابع انتقالی نیز برای برآورد ei ایجاد گردید. گزینش متغیرهای ورودی شبکه در ایجاد تابع انتقالی اخیر با روش آنالیز حساسیت صورت گرفت و نتایج تخمین های آن با نتایج برآوردی مدل wepp مقایسه شد. نتایج نشان داد که متغیرهای کنترل کننده ki با تغییر شدت بارندگی تغییر می نمایند. در شدت های پایین بارندگی، ذرات اولیه از قبل کنده شده و در شدت های بالای بارندگی خاکدانه ها کنترل کننده ki می باشند. ki با شاخص های پایداری خاکدانه ها (was، mwd و بعد فرکتالی خاکدانه ها) در حالت مرطوب و میزان پاشمان هوایی با شاخص های پایداری خاکدانه ها در حالت خشک همبستگی معنی دار نشان دادند. وارد کردن متغیرهای بعد فرکتالی ذرات اولیه خاک و خاکدانه ها به لیست متغیرهای ورودی سبب افزایش معنی دار دقت و قابلیت اعتماد توابع انتقالی رگرسیونی و دقت توابع انتقالی شبکه های عصبی مصنوعی در تخمین ki گردید. از بین ابعاد فرکتالی خاکدانه ها، تنها بعد فرکتالی محاسبه شده در حالت الک کردن مرطوب خاکدانه های 0/8 -75/4 میلی متری بدون تصحیح شن و با مدل ریئو و اسپوزیتو در مدل های رگرسیونی نهایی ki باقی ماند. استفاده از روش شبکه های عصبی مصنوعی برای ایجاد توابع انتقالی تخمین ki سبب افزایش دقت و قابلیت اعتماد آن ها نسبت به روش رگرسیون چند متغیره شد. در تخمین ke متغیر was سبب افزایش معنی دار دقت و قابلیت اعتماد توابع انتقالی رگرسیونی و شبکه های عصبی مصنوعی گردید، امّا بعد فرکتالی ذرات اولیه، خاکدانه ها و منافذ خاک وارد مدل نشدند. استفاده از روش شبکه های عصبی مصنوعی برای ایجاد توابع انتقالی تخمین ke نیز سبب افزایش معنی دار دقت تمامی توابع گردید. گر چه میزان خطای مدل wepp واسنجی شده برای تخمین ei بیشتر از ptf ایجاد شده با شبکه عصبی مصنوعی بوده امّا این تفاوت معنی دار نبود. استفاده از بعد فرکتالی خاکدانه ها به عنوان تخمین گر ki و بهره گیری از شبکه های عصبی مصنوعی می تواند منجر به ایجاد توابعی انتقالی جهت تخمین قابل اطمینان ki و ei باشد. همچنین بهره گیری از شبکه های عصبی مصنوعی می تواند در بهبود قابلیت اطمینان توابع انتقالی تخمین ke مفید باشد.امروزه استفاده از شبکه های عصبی مصنوعی به عنوان ابزار قوی در ایجاد توابع انتقالی رایج شده است. همچنین استفاده از ابعاد فرکتالی ذرات اولیه و ثانویه خاک و نیز منافذ آن به عنوان تخمین گر در بسیاری از شاخه های علوم خاک رو به گسترش است. امّا تحقیقات اندکی در رابطه با کاربرد شبکه های عصبی مصنوعی و ابعاد فرکتالی در زمینه فرسایش خاک صورت گرفته است. هدف از این تحقیق تعیین ابعاد فرکتالی خصوصیات فوق الذکر و کاربرد آن در تخمین ضریب فرسایش پذیری بین شیاری (ki) و هدایت هیدرولیکی موثر خاک (ke) می باشد. بدین منظور 36 سری خاک با خصوصیات متفاوت از منطقه شمال غرب ایران انتخاب و از افق سطحی (ap) آن ها نمونه برداری شد. میزان موادآلی، کربنات کلسیم معادل، گچ،هدایت الکتریکی عصاره اشباع، واکنش خاک، ظرفیت تبادل کاتیونی و نسبت جذب سدیمی خاک با روش های متداول آزمایشگاهی، رس و سیلت خاک با روش هیدرومتری و توزیع اندازه ذرات بخش شن به روش الک کردن تعیین و میانگین هندسی قطر ذرات محاسبه گردید. بعد فرکتالی ذرات اولیه خاک با سه مدل فرکتالی محاسبه گردید. شاخص های پایداری خاکدانه ها نظیر پایداری خاکدانه های خیس (was)، میانگین وزنی قطر خاکدانه ها (mwd) و میانگین هندسی قطر خاکدانه ها (gmd) نیز تعیین گردید. توزیع اندازه خاکدانه ها در دو محدوده 8-75/4 میلیمتر و کوچکتر از 75/4 میلیمتر و با دو شیوه الک کردن مرطوب و خشک و نیز بدون تصحیح و با تصحیح جزء شن یا سنگریزه همراه تعیین گردید. بعد فرکتالی خاکدانه ها از روی asd تعیین شده با هر حالت از سه مدل فرکتالی بدست آمد. منحنی رطوبتی خاک در محدوده kpa 1500-0 تعیین و بعد فرکتالی منافذ خاک هم با دو مدل فرکتالی محاسبه شد. آزمایش های شبیه سازی باران و رواناب با استفاده از باران ساز مصنوعی با سینی زهکش دار به ابعاد 0/1×5/0 متر در شیب 9% و در سه شدت 20، 37 و 47 میلی متر بر ساعت انجام و شدت فرسایش بین شیاری (ei)، ki و ke محاسبه گردید. بدین ترتیب در مجموع 45 متغیر مستقل و سه متغیر وابسته ki، ke , و ei حاصل شد. برای نشان دادن مزیت نسبی متغیرهای مستقل به خصوص ابعاد فرکتالی ذرات اولیه، ذرات ثانویه (خاکدانه ها) و منافذ خاک به عنوان تخمین گر، متغیرهای مذکور به صورت سلسله مراتبی در پنج مرحله برای ایجاد توابع انتقالی در آنالیزهای رگرسیونی شرکت داده شد و متغیرهای ورودی به مدل با رگرسیون گام به گام گزینش شدند. همچنین توابع انتقالی توسط شبکه های عصبی مصنوعی با بهره گیری از متغیرهای گزینش شده برای توابع انتقالی رگرسیونی ایجاد گردید. در نهایت به ترتیب چهار و سه تابع انتقالی برای تخمین ki و ke در هر روش (رگرسیون و شبکه های عصبی مصنوعی) حاصل و آن ها از لحاظ دقت و قابلیت اعتماد با همدیگر مقایسه شدند. همچنین یک تابع انتقالی نیز برای برآورد ei ایجاد گردید. گزینش متغیرهای ورودی شبکه در ایجاد تابع انتقالی اخیر با روش آنالیز حساسیت صورت گرفت و نتایج تخمین های آن با نتایج برآوردی مدل wepp مقایسه شد. نتایج نشان داد که متغیرهای کنترل کننده ki با تغییر شدت بارندگی تغییر می نمایند. در شدت های پایین بارندگی، ذرات اولیه از قبل کنده شده و در شدت های بالای بارندگی خاکدانه ها کنترل کننده ki می باشند. ki با شاخص های پایداری خاکدانه ها (was، mwd و بعد فرکتالی خاکدانه ها) در حالت مرطوب و میزان پاشمان هوایی با شاخص های پایداری خاکدانه ها در حالت خشک همبستگی معنی دار نشان دادند. وارد کردن متغیرهای بعد فرکتالی ذرات اولیه خاک و خاکدانه ها به لیست متغیرهای ورودی سبب افزایش معنی دار دقت و قابلیت اعتماد توابع انتقالی رگرسیونی و دقت توابع انتقالی شبکه های عصبی مصنوعی در تخمین ki گردید. از بین ابعاد فرکتالی خاکدانه ها، تنها بعد فرکتالی محاسبه شده در حالت الک کردن مرطوب خاکدانه های 0/8 -75/4 میلی متری بدون تصحیح شن و با مدل ریئو و اسپوزیتو در مدل های رگرسیونی نهایی ki باقی ماند. استفاده از روش شبکه های عصبی مصنوعی برای ایجاد توابع انتقالی تخمین ki سبب افزایش دقت و قابلیت اعتماد آن ها نسبت به روش رگرسیون چند متغیره شد. در تخمین ke متغیر was سبب افزایش معنی دار دقت و قابلیت اعتماد توابع انتقالی رگرسیونی و شبکه های عصبی مصنوعی گردید، امّا بعد فرکتالی ذرات اولیه، خاکدانه ها و منافذ خاک وارد مدل نشدند. استفاده از روش شبکه های عصبی مصنوعی برای ایجاد توابع انتقالی تخمین ke نیز سبب افزایش معنی دار دقت تمامی توابع گردید. گر چه میزان خطای مدل wepp واسنجی شده برای تخمین ei بیشتر از ptf ایجاد شده با شبکه عصبی مصنوعی بوده امّا این تفاوت معنی دار نبود. استفاده از بعد فرکتالی خاکدانه ها به عنوان تخمین گر ki و بهره گیری از شبکه های عصبی مصنوعی می تواند منجر به ایجاد توابعی انتقالی جهت تخمین قابل اطمینان ki و ei باشد. همچنین بهره گیری از شبکه های عصبی مصنوعی می تواند در بهبود قابلیت اطمینان توابع انتقالی تخمین ke مفید باشد.