TY - JOUR ID - 167625 TI - شناسایی و مدل‌سازی عوامل مؤثر در تولید رواناب و رسوب از توده‌های بهره‌برداری‌شدۀ جنگلی JO - مجله جنگل ایران JA - IJF LA - fa SN - 2008-6113 AU - دلیر, پژمان AU - نقدی, رامین AU - غلامی, وحید AU - جعفری هفتخوانی, ساناز AD - دانشجوی دکتری، گروه جنگلداری، دانشکدۀ منابع طبیعی، دانشگاه گیلان، صومعه‌سرا، ایران AD - استاد گروه جنگلداری، دانشکدۀ منابع طبیعی، دانشگاه گیلان، صومعه‌سرا، ایران AD - دانشیار گروه مرتع و آبخیزداری، دانشکدۀ منابع طبیعی، دانشگاه گیلان، صومعه‌سرا، ایران AD - دانش‌آموختۀ کارشناسی ارشد، گروه احیای مناطق خشک و کوهستانی، دانشکدۀ منابع طبیعی، دانشگاه تهران، ایران Y1 - 2023 PY - 2023 VL - 14 IS - 4 SP - 425 EP - 443 KW - جنگل KW - شبکۀ عصبی KW - فرسایش خاک KW - ‌GIS KW - ‌MLP DO - 10.22034/ijf.2022.317309.1823 N2 - در این پژوهش تأثیر بهره‌برداری بر رواناب و رسوب با استفاده از پلات‌هایی با مقیاس کوچک بررسی شد. نمونۀ رواناب و رسوب از 36 پلات به ابعاد 1 در 2 متر تهیه شد. پلات‌ها در قسمت‌های مختلف عرصۀ بهره‌برداری و منطقۀ شاهد احداث شد. به‌منظور مدل‌سازی از شبکۀ پرسپترون چندلایه MLP (Multi Layer Perceptron) استفاده شد. 65 درصد داده‌ها برای آموزش و 10 درصد برای صحت‌سنجی و 25 درصد داده‌ها به آزمون اختصاص داده شد. برای ارزیابی صحت مدل و همچنین مقایسۀ آن با مدل‌های بهینه‌سازی‌شده با روش آزمون و خطا، از معیارهای آماری ضریب تبیین (Rsqr)، جذر میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) استفاده شد. از GIS در همۀ مراحل جمع‌آوری اطلاعات استفاده شد. مقادیر رواناب و رسوب شبیه‌سازی‌شده به‌وسیلۀ ANN با استفاده از GIS در تولید نقشه استفاده شد. نتایج نشان داد که مهم‌ترین عوامل در تولید رواناب، جرم مخصوص خاک، شدت بارش، شیب، مقدار بارش، درصد پوشش علفی و درصد پوشش تاجی و برای رسوب به‌ترتیب، شدت بارش، جرم مخصوص خاک، درصد شیب و درصد پوشش علفی است. مقادیر MSE و R حاصل از مدل‌سازی رواناب در مرحلۀ آموزش به‌ترتیب 009/0 و 9/0 و در مرحلۀ آزمون 01/0 و 82/0 بود. مقادیر MSE و R حاصل از مدل‌سازی رسوب در مرحلۀ آموزش 01/0 و 86/0 و در مرحلۀ آزمون 3/4 و 8/0 بود. نتایج نشان داد که شبکۀ عصبی قابلیت مناسبی در مدل‌سازی رواناب و رسوب در اراضی جنگلی دارد. آنالیز همپوشانی مقادیر اندازه‌گیری‌شده و نقشۀ مقادیر رسوب و رواناب نیز بر صحت، کارایی نتایج و روش ارائه‌شده دلالت دارد. بنابراین می‌توان از مدل ارائه‌شده با تلفیق ANN و GIS در شبیه‌سازی و مدل‌سازی رواناب و رسوب در مناطق جنگلی استفاده کرد. UR - https://www.ijf-isaforestry.ir/article_167625.html L1 - https://www.ijf-isaforestry.ir/article_167625_1d7b59772179d84966b6ca7753200f85.pdf ER -