تعیین ضریب فرسایش‌پذیری بین‌شیاری خاک بر اساس سیستم‌های فازی و فازی- ژنتیک در استان آذربایجان‎شرقی

آب و خاک

مقاله 1، دوره 30، شماره 3 - شماره پیاپی 47، مرداد 1395، صفحه 769-781   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v30i3.38028

نویسندگان

حبیب پالیزوان زند^* ؛ عباس احمدی

دانشگاه تبریز

چکیده

در این تحقیق، جهت برآورد ضریب فرسایش‌پذیری بین‌شیاری خاک از روی خصوصیات سهل الوصول از علم منطق فازی و فازی-ژنتیک استفاده شد. بدین ترتیب ابتدا 36 سری خاک با تفرق خصوصیات بالا انتخاب و برخی از خصوصیات آن‌ها از قبیل بافت، ماده آلی، کربنات کلسیم معادل، گچ و ESP، SAR، CEC، EC و pH با روش‌های متداول آزمایشگاهی در سال1387 تعیین گردید. همچنین بعد فراکتالی خاکدانه‌های خاک با استفاده از الک مرطوب و بدون اصلاح شن با استفاده از مدل ریئو و اسپوزیتو محاسبه و ضریب فرسایش‌پذیری بین‎شیاری خاک به کمک دستگاه شبیه‌ساز باران، و اندازه‌گیری شدت تولید رواناب و رسوب تعیین شد. سپس با استفاده از تحلیل آماری متغیرهای درصد شن و بعد فرکتالی خاکدانه‌ها به عنوان ورودی مدل‎ها و متغیر ضریب فرسایش‌پذیری بین‎شیاری به عنوان خروجی مدل انتخاب گردید و متغیرهای کلامی خصوصیات فوق و تابع عضویت آن‌ها تعریف گردید. سپس در سیستم استنتاج ممدانی قوانین مدل نوشته شد. در نهایت خروجی مدل با استفاده از روش میانگین وزنی غیرفازی شد. یک بار دیگر توابع عضویت و وزن‌ قوانین با الگوریتم ژنتیک بهینه گردید و بهینه هر وزن، در سیستم فازی وارد شده و توابع فازی بهینه شده به دست آمد. مقادیر R2 و RMSE و GMER و GSDER برای مدل فازی به ترتیب برابر 63/0، 592755، 31/1 و 38/1 و برای مدل فازی-ژنتیک به ترتیب برابر 70/0، 441942، 10/1 و 04/1 به دست آمد، که حاکی از دقت و کارآیی بالاتر مدل فازی-ژنتیک نسبت به مدل فازی و بیش برآوردی و پخشیدگی نسبتاً زیادتر داده‌های تخمینی مدل فازی نسبت به مدل فازی-ژنتیک می‌باشد.

کلیدواژه‌ها

بعد فراکتالی خاکدانه‌ها؛ درصد شن؛ شبیه‌ساز باران؛ قوانین مدل

مراجع

1- Ahmadi A. 2009. Artificial neural networks applicability in erosion and runoff simulation using fractal dimensions. Thesis of Department of Soil Science, Agricultural College, University of Tabriz. P.197 (in Persian with English abstract).

2- Anonymous. 1954. Diagnosis and improvement of saline and alkali soils. Agric.Handbook60. USDA, US Salinity Laboratory Staff. Washington, DC.

3- Asadipour N., Karami M., and Shahinezhad B.2012.Genetic algorithm using fuzzy logic in determining the parameters for optimizing the outflow hydrograph. Journal of Iran Water Research. Vol. 6 (10): 37-45. (in Persian with English abstract).

4- Bower C.A. 1952. Exchangeable cation analysis of saline and alkali soils. Soil Sci. 730: 251-261.

5- Bozorg Haddad O., Khosrowshahi S., Zarezadeh M., and Javan P. 2013. Development of Simulation-Optimization Model for Protection of Flood Areas. Journal of Water and Soil. Vol. 27 (3): 462-471. (in Persian with English abstract).

6- Cai X., McKinney D.C., and Lasdon L.S. 2001. Solving nonlinear water management models using a combined genetic algorithm and linear programming approach. Adv. Water Resour. 24 (1): 667–676.

7- Chang C.L., Lo S.L., and Yu S.L. 2005. Applying fuzzy theory and genetic algorithm to interpolate precipitation. J Hydrol. 314:92–104.

8- Chen L. 2003. Real coded genetic algorithm optimization of long-term reservoir operation. Environ. Urbanization. 39(5): 1157–1165.

9- Crowe A.M., McClean C.J., and Cresser M.S. 2006. An application of genetic algorithms to the robust estimation of soil organic and mineral fraction densities. Environ. Model. Software. 21: 1503-1507.

10- Eshtehardian E., Afshar A., and Abbasnia R. 2006. A genetic algorithm-based optimizing approach for project time-cost trade-off with uncertain measure. 3th International Project Management Conference, Tehran, Iran. (in Persian with English abstract).

11- Flanagan D.C., and Nearing M.A. 1995. USDA-Water Erosion Prediction Project (WEPP). WEPP Users Summary. NSERL Report, Vol. 10. USDA-ARS National Soil Erosion Research Laboratory, West Lafayette, Indiana.

12- Foster G.R., Flanagan D.C., Nearing M.A., Lane L.J., Risse, L.M., and Finkner S.C. 1995. Chapter 11. Hillslope erosion component. In: Flanagan, D.C., Nearing, M.A. (Eds.), USDA Water Erosion Prediction Project. Hillslope Profile and Watershed Model Documentation. USDA-ARS-NSERL Report a 10. NSERL, West Lafayette, IN, pp. 11.1–11.12.

13- Gee G.W., and Or D. 2002. Particle-size analysis. In: Warren, A.D. (ed.) Methods of Soil Analysis. Part 4. Physical Methods. Soil Sci. Soc. Am. Inc. pp.255-295.

14- Holland J.H. 1975. Adaptation in Natural, and Artificial Systems, Ann Arboor: The University of Michgan Press.

15- Kinnell P.I.A. 1993. Runoff as a factor influencing experimentally determined interrill erodibilities. Aust. J. Soil Res., 31:333–342.

16- Kisi O., Haktanir T., Ardiclioglu M., Ozturk O., Yalcin E., and Uludag S. 2009. Adaptive neuro-fuzzy computing technique for suspended sediment estimation, Advances in Engineering Software, 40:438-444.

17- Lal R. 1988. Soil Erosion Research Methods. Soil and Water Conserv. Soc. ISSS, P.O. Box. 353, 6700 AJ, Wageningen, Netherlands.

18- Liebenow A., Elliot W.J., Laflen J.M., and Kohl K.D. 1990. Interrill erodibility: Collection and analysis of data from cropland soils. Trans. Am. Soc. Agric. Eng., 33:1882-1882.

19- Liu S.h., Butler D., Brazier R., Heathwaite L., and Khu S. 2007. Using genetic algorithm to calibrate a water quality model. Sci. Total Environ. 374: 260-272.

20- Lo C.H., Chan P.T., Wong Y.K., Rad A.B., and Cheung K.L. 2007. Fuzzy-genetic algorithm for automatic fault detection in HVAC systems. Applied Soft Computing 7: 554–560.

21- Mitra B., Scott H.D., Dixon J.C., and McKimmey J.M. 1998. Applications of fuzzy logic to the prediction of soil erosion in a large watershed, Journal of Geoderma, 86: 183-209.

22- Nelson D.W., and Sommer L.E. 1982. Total carbon, organic carbon, and organic matter. In: Sparks D.L., Page A.L., Helmke P.A., Loeppert R.H., Soltanpour P.N., Tabatabai M.A., Johnston C.T., and Sumner M.E. (Ed.), Methods of Soil Analysis: Part 3. Chemical and Microbiological Properties. pp. 539–579, Am. Soc. Agron., Madison.

23- Nimmo J.R., and Perkins K.S. 2002. Aggregate stability and Size distribution. In: Warren, A.D. (ed.). Methods of Soil Analysis. Part 4. Physical Methods. pp. 317-328. Soil Sci. Soc. Am. Inc.

24- Rieu M., and Sposito G. 1991. Fractal fragmentation, soil porosity, and soil water properties: II. Application. Soil Sci. Soc. Am. J., 55:1239–1244.

25- Romero C.C., Stroosnijder L., and Baigorria G.A. 2007. Interrill and rill erodibility in the northern Andean Highlands. Catena, 70:105–113.

26- Seyyednezhad Golkhatm N., Sanaeinejad S.H., Ghahraman B., and Rezaee Pazhand H. 2014. Journal of Water and Soil. Vol. 28(1): 1-9. (in Persian with English abstract).

27- Shad R., Mesgari M.S., Abkar A., and Shad A. 2009. Predicting air pollution using fuzzy genetic linear membership kriging in GIS. Comput Environ Urban Syst. 33(6):472–81.

28- Shu C., and Ouarda T.B.M.J. 2008. Regional flood frequency analysis at ungauged sites using the adaptive neurofuzzy inference system. J. Hydrology, 349: 31-43.

29- Tayfur G., Ozdemir S., and Singh V. 2003. Fuzzy logic algorithm for runoff-induced sediment transport from bare soil surfaces, Journal of Advances in Water Resources, 26: 1249–1256.

30- Teshneh lab M., Saffar Pour and Afuni D. 1999. Fuzzy andFuzzy-Genetic Systems. Khaje Nasiroldin Toosi University of Technology Publications, Tehran, Iran, 3th edition, P 256. (in Persian).

31- Tran L.T., Ridgley M.A., Duckstein L., and Sutherland R. 2002. Application of fuzzy logic-based modeling to improve the performance of the Revised Universal Soil Loss Equation. Catena 47(3):203–26.

32- Tung C., Hsu S., Liu C.M., and Li Sh.Jr. 2003. Application of the genetic algorithm for optimizing operation rules of the LiYutan reservoir in Taiwan. J. Am. Water Resour. Assoc. 39 (3): 649–657.

33- Vaziri F.1983. Analysis of rainfall records and determination of intensity- duration curves for different regions of Iran. Frist edition. Jahad Daneshgahi Publications, Tehran, Iran (in Persian).