فهرست نشریات علمی دسترسی آزاد ایران

مقدمه و هدففرسایش آبی، یکی از مهم­ترین عامل‌های ویرانی زمین است. در میان انواع متفاوت فرسایش آبی، فرسایش خندقی یک نوع بسیار آشکار و شاخص از فرسایش خاک است و از مهم­ترین چالش ­های تهدیدکنندۀ تهیۀ غذا، سلامت انسان­ ها و زیست ­بوم است. از آنجایی ­که اندازة هدررفت خاک ناشی از فرسایش خندقی، ارتباط مستقیمی با عامل‌های محیطی دارد؛ ازاین‌رو می­ توان براساس شرایط محیطی، اندازه هدررفت خاک ناشی از خندق­ ها را مدل­ سازی کرد. از سوی دیگر، اندازه ­گیری میدانی اندازه هدررفت خاک ناشی از فرسایش­ خندقی، بسیار زمان ­بر و هزینه ­بر است و اندازه­ گیری مستقیم فرسایش خندقی در سطوح گسترده امکان­ پذیر نیست. در این راستا، این پژوهش، با هدف ارزیابی کارایی مدل­ های ماشین­ بردار پشتیبان (SVM) و شبکۀ عصبی مصنوعی (ANN) در مدل­ سازی هدررفت خاک ناشی از فرسایش خندقی در آبخیز ماهورمیلاتی در جنوب ­غرب استان فارس انجام شد.مواد و روش‌هادر بازدیدهای میدانی، موقعیت جغرافیایی تمام خندق ­های موجود در آبخیز ماهورمیلاتی، با استفاده از دستگاه GPS ثبت شد و پس از تطبیق با تصویرهای ماهواره ­ای گوگل­ ارث، این نقاط به محیط GIS منتقل و نقشۀ پراکنش خندق­ ها رسم شد. سنجه‌های ابعادی 70 خندق، در چهار سال (1402-1399)، شامل: طول خندق، عرض بالا، عرض پایین، و ژرفای خندق اندازه­ گیری میدانی شدند و حجم و وزن خاک هدررفته ناشی از فرسایش خندقی نیز محاسبه شد. به­ منظور فرآیند مدل­ سازی 15 عامل محیطی، به­ عنوان متغیرهای مستقل (متغیرهای پیش ­بینی کننده) انتخاب شدند. در فرآیند مدل­ سازی، عامل‌های محیطی به ­عنوان متغیرهای مستقل، و اندازة هدررفت خاک خندق ­ها به­ عنوان متغیر وابسته در نظر گرفته شدند. خندق­ ها به‌شکل تصادفی به دو گروه آموزش (70%) و اعتبارسنجی (30%) تقسیم شدند. مدل­ سازی به‌وسیلة دو مدل ماشین ­بردار پشتیبان و شبکۀ عصبی مصنوعی، با رویکرد اعتبارسنجی متقاطع انجام شد. دقت مدل­ ها با استفاده از معیارهای کمی خطای جذر میانگین مربعات (RMSE)، شاخص تبیین (R2)، شاخص خطای RSR و شاخص تطابق (d) بررسی شد.نتایج و بحثیافته ­های ارزیابی دقت پیش‌بینی مدل‌ها نشان داد کمترین اندازه خطا از نظر معیار جذر میانگین مربعات خطا (RMSE)، مربوط به مدل ماشین ­بردار پشتیبان بود و بعد از آن مدل شبکۀ عصبی مصنوعی در جایگاه دوم بود. بر اساس معیار ارزیابی ضریب تبیین (R2)، مدل ماشین ­بردار پشتیبان (0/59-0/41=R2) در جایگاه اول و مدل شبکۀ عصبی مصنوعی (0/34-0/21=R2) در جایگاه دوم بود. از نظر معیار ارزیابی شاخص خطای RSR، مدل شبکۀ عصبی مصنوعی در جایگاه اول و مدل ماشین ­بردار پشتیبان در جایگاه دوم بود. بیشترین اندازة تطابق در میان داده‌های مشاهده‌ای و پیش‌بینی از نظر شاخص ارزیابی تطابق (d) مربوط به مدل ماشین ­بردار پشتیبان (0/81) بود و مدل شبکۀ عصبی مصنوعی با اندازه شاخص تطابق 0/63 در جایگاه دوم عملکرد بود. ازاین‌رو، بر پایة نتایج این پژوهش، عملکرد مدل ماشین ­بردار پشتیبان از نظر معیارهای ارزیابی جذر میانگین مربعات خطا (RMSE)، شاخص تبیین و شاخص تطابق، در مقایسه با مدل شبکۀ عصبی مصنوعی، بهتر بود و به­ عنوان مدل برتر برای پیش‌بینی اندازه هدررفت خاک ناشی از فرسایش خندقی در آبخیز ماهورمیلاتی استان فارس معرفی شد.نتیجه‌گیری و پیشنهادهادر ارزیابی عملکرد یک مدل برای شبیه‌سازی یک پدیده متغیرهای پرشماری نقش دارند که باید به آن ها توجه کرد. ازاین‌رو، در این پژوهش، از 15 متغیر محیطی برای پیش‌بینی هدررفت خاک ناشی از فرسایش خندقی استفاده شد. افزون بر این، با استفاده از متغیرها اطلاعات بسیار مهمی از نظر تغییرات مکانی و زمانی و ویژگی‌های آبخیز، برای مدل فراهم شد. همچنین، در این پژوهش، دورۀ پایش، بلندمدت نبود؛ اما عملکرد دو مدل استفاده‌شده برای پیش‌بینی هدررفت خاک ناشی از فرسایش خندقی مناسب بود. از مزیت ­های مهم این پژوهش آن بود که دو مدل استفاده‌شده از میان کارآمدترین مدل‌های هوش مصنوعی انتخاب شدند و با در نظر گرفتن ویژگی‌های تغییرپذیر در زمان، شرایط پیش‌بینی در آینده فراهم شد و ازاین‌رو در سال­ های آتی، نیازی به اندازه­ گیری میدانی دوباره نیست. در حقیقت، می‌توان از مدل در سال­ های بعد بر اساس یادگیری­ های کسب ­شده در مرحلۀ آموزش و با در نظر گرفتن اطلاعات بارندگی و پوشش ­گیاهی جدید، مقدار هدررفت خاک ناشی از خندق­ ها را پیش ­بینی کرد. این یافته مهمترین وجه تمایز این پژوهش بود و بیانگر آن است که با مدل­ سازی می ­توان در وقت و هزینه صرفه جویی کرد و خدمات ارزنده ­ای به مدیریت حفاظت آب و خاک کشور ارائه داد. در این راستا، پیشنهاد می­ شود از مدل­ های مبتنی بر هوش مصنوعی و ساختار یادگیری ماشینی در پژوهش ­های آینده استفاده شود.