دوماه نامه

نوع مقاله : مقالات پژوهشی

نویسندگان

1 دانشگاه صنعتی اصفهان

2 دانشگاه صنعتی اصفهان-دانشکده کشاورزی

چکیده

مقاومت برشی خاک سطحی یکی از مهم ترین ویژگی های مؤثر در تخمین و اندازه گیری فرسایش خاک بوده که اندازه گیری مستقیم آن در سطح حوضه آبخیز هزینه بر و وقت گیر می باشد. این پژوهش با هدف پیش بینی مقاومت برشی خاک سطحی و رتبه بندی مهم ترین فاکتورهای موثر بر آن، با استفاده از مدل سازی توسط روش های شبکه عصبی مصنوعی (ANNs) و رگرسیون چندمتغیره خطی (MLR) و مقایسه این دو روش انجام شد. برای اندازه گیری مقاومت برشی خاک سطحی در صحرا، دستگاه جعبه برش مستقیم طراحی و ساخته شد که قادر به تعیین هر دو پارامتر چسبندگی (c) و زاویه اصطکاک داخلی (φ) می باشد. منطقه مورد مطالعه به مساحت 3500 کیلو متر مربع در اراضی شهرستان سمیرم، واقع در استان اصفهان انتخاب و نمونه برداری خاک (5-0 سانتی متری) و اندازه گیری مقاومت برشی خاک سطحی توسط دستگاه مزبور در 100 نقطه انجام شد. ویژگی های توزیع اندازه ذرات، درصد رس ریز، مقدار ماده آلی، درصد آهک، چگالی ظاهری و درصد سنگ ریزه خاک روی نمونه های خاک تعیین شدند. شاخص نرمال شده پوشش گیاهی (NDVI)، کاربری زمین و نوع سازند زمین شناسی نیز تعیین گردید. مدل سازی به دو روش MLRو ANNs جهت پیش-بینی مقاومت برشی خاک سطحی (c و φ) انجام شد. به منظور ارزیابی و مقایسه عملکرد مدل های مذکور از شاخص های ضریب تبیین و ریشه میانگین مربعات خطا استفاده شد. نتایج نشان دهنده دقت مناسب روش ANNs نسبت به روش MLR به دلیل توانایی زیاد شبکه عصبی در کشف و بررسی روابط پیچیده غیر خطی بین پارامتر ها است. نتایج تجزیه حساسیت بر اساس مدل های شبکه عصبی نشان داد که NDVI، چگالی ظاهری و میزان رس ریز فاکتورهایی هستند که به کمک آن ها می توان c خاک را پیش بینی کرد. نتایج تجزیه حساسیت در مورد پارامتر φ نشان داد که میزان شن، چگالی ظاهری و NDVI مهم ترین فاکتور ها و نسبت OM/Clay و مقدار ماده آلی کم اهمیت ترین فاکتورها در پیش بینی این پارامتر در منطقه مورد بررسی بودند.

کلیدواژه‌ها

عنوان مقاله [English]

Surface Shear Strength Modeling Using Soil and Environmental Attributes in Landscape Scale (Semirom District, Isfahan Province)

نویسندگان [English]

  • shamsollah Ayoubi 2
  • Mohammad Reza Mosaddeghi 1

1

2

چکیده [English]

Soil surface shear strength is an important parameter for prediction of soil erosion, but its direct measurement is difficult, time-consuming and costly in the watershed scale. This study was done to predict soil surface shear strength using artificial neural networks (ANNs) and multiple linear regression (MLR) and to rank the most important soil and environmental attributes affecting the shear strength. A direct shear box was designed and constructed to measure in situ soil surface shear strength. The device can determine two soil shear strength parameters i.e. cohesion (c) and angle of internal friction (φ). The study area (3500 km2) was located in Semirom region, Isfahan province. Soil surface shear strength was determined using the shear box at 100 locations. Soil samples were also collected from 0-5 cm layer of the same 100 locations at which the surface shear strength was measured using the shear box. Particle size distribution, fine clay content, organic matter content (OM), carbonate content, bulk density and gravel content were determined on the collected soil samples. Normalized difference vegetation index (NDVI), the type of land use and geology were also determined. The MLR and ANNs were used to model/predict soil surface shear strength (c and φ). In order to compare the modeling methods, coefficient of determination and root mean square errors were used as efficacy indices. The results showed that ANN models were more feasible in predicting soil shear strength parameters than MLR models due to capability of ANN models in deriving nonlinear and complex relations between the parameters. Results of sensitivity analysis for ANN models indicated that NDVI, bulk density and fine clay content are more effective parameters in predicting c in the studied region. Also it was found that sand content, bulk density and NDVI were more effective parameters and OM/clay ratio and organic matter content were less effective parameters in predicting φ in the region.

کلیدواژه‌ها [English]

  • Soil surface shear strength
  • Artificial neural network
  • cohesion
  • Angle of internal friction
  • sensitivity analysis
CAPTCHA Image