ارزیابی کارایی برخی روش‌های هوش مصنوعی در مدل‌سازی فرسایش‌پذیری بادی خاک در بخشی از اراضی شرق دریاچه ارومیه

پیش­بینی فرسایش­پذیری بادی از طریق ویژگی­های خاک به عنوان گامی اساسی در مدل­سازی فرسایش بادی محسوب می‌شود. این پژوهش با هدف مقایسه کارایی چهار روش مختلف شامل رگرسیون خطی چندمتغیره، شبکه عصبی مصنوعی، شبکه عصبی مصنوعی هیبریدشده با الگوریتم ژنتیک و شبکه عصبی هیبریدشده با الگوریتم بهینه‌سازی وال در مدل‌سازی فرسایش‌پذیری بادی در بخشی از اراضی پیرامون شرقی دریاچه ارومیه انجام شد. برای این منظور، 96 نمونه خاک به روش تصادفی نظارت شده جمع­آوری و 32 ویژگی مختلف فیزیکی و شیمیایی آن­ها در آزمایشگاه تعیین شدند. همچنین فرسایش‌پذیری بادی نمونه­ها نیز با استفاده از تونل باد تعیین گردید. از میان ویژگی­های خاک، چهار ویژگی شامل فراوانی ذرات ثانویه 1/0 تا 25/0 میلی‌متری، فراوانی ذرات ثانویه  7/1 تا 2 میلی‌متری، فراوانی ذرات شن ریز و محتوای کربن آلی از طریق رگرسیون گام به گام به عنوان ورودی مدل­های پیش­بینی فرسایش‌پذیری، انتخاب شدند. نتایج نشان داد که مدل شبکه عصبی هیبریدشده با الگوریتم بهینه‌سازی وال با توجه به کمترین مقادیر میانگین خطا (11/0-) و جذر میانگین مربعات خطا (9/2) و بیشترین مقادیر ضریب تبیین (87/0) و ضریب کارایی نش-ساتکلیف (87/0) از کارایی مطلوب‌تری در پیش‌بینی فرسایش­پذیری بادی خاک­های منطقه برخوردار است و پس از آن روش‌های شبکه عصبی مصنوعی هیبرید شده با الگوریتم ژنتیک، شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره به ترتیب در رتبه‌های بعدی قرار داشتند. در مجموع با توجه به کارایی قابل قبول مدل شبکه عصبی هیبریدشده با الگوریتم بهینه‌سازی وال در پیش‌بینی فرسایش‌پذیری بادی، استفاده از این روش برای تعیین سریع و دقیق فرسایش­پذیری خاک‌های منطقه توصیه می­شود.