فهرست نشریات علمی دسترسی آزاد ایران

مطالعه وضعیت پایداری خاکدانه‌های خیس (WAS)، به‌عنوان شاخصی رایج از ساختمان خاک و نیز ارزیابی کیفیت آن، برای مدیریت بهینه منابع خاک و آب، حائز اهمیت است. در پژوهش حاضر، برای مدل‌سازی پایداری خاکدانه‌های خیس از مدل‌های یادگیری ماشین جنگل تصادفی (RF)  و جنگل تصادفی بهینه‌شده با الگوریتم ژنتیک (GA-RF) استفاده شد. بدین منظور، ویژگی‌های بافت، ماده آلی و آهک 55 نمونه خاک از جنگل‌های ارسباران تعیین و سپس با ترکیب‌های ورودی مختلف بر اساس مقادیر همبستگی با پارامتر WAS، مدل‌سازی با استفاده از هفت سناریو انجام شد. به‌منظور تعیین توانایی مدل‌های اجرا شده، سه شاخص عملکرد ضریب همبستگی (CC)، جذر میانگین مربعات خطای نرمال شده (NRMSE)  و ضریب ویلموت (WI)  مورد استفاده قرار گرفت. نتایج نشان داد که مدل RF5 در بین مدل‌های جنگل تصادفی با 038/0NRMSE =، 736/0CC = ،  789/0WI =  و مدل GA-RF5 در بین مدل‌های جنگل تصادفی بهینه‌شده با الگوریتم ژنتیک با 031/0NRMSE = ، 800/0CC = ،  842/0WI =   با ورودی درصد شن و سیلت و رس، بهترین عملکرد را داشتند. علاوه‌براین نتایج RF1  ) 047/0NRMSE = ، 589/0CC = ،  721/0WI = ( و GA-RF1  ) 036/0NRMSE = ، 662/0CC = ،  797/0WI = ( نشان داد که درصد رس بالاترین درجه همبستگی را با پایداری خاکدانه‌ها دارد. همچنین، با اضافه شدن کربنات کلسیم معادل در سناریو 7، بهبود عملکرد و تأثیر مثبت این ویژگی در پیش‌بینی پایداری خاکدانه‌های خیس مشاهده گردید. بنابراین، مدل جنگل تصادفی بهینه‌شده با الگوریتم ژنتیک برای تعیین دقیق و مناسب پایداری خاکدانه‌های خیس در مطالعات مربوط به خصوصیات خاک توصیه می‌گردد.