| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 3,019 |
| تعداد مقالات | 33,734 |
| تعداد مشاهده مقاله | 44,973,308 |
| تعداد دریافت فایل اصل مقاله | 46,424,512 |
ارزیابی کارایی مدل های ماشین بردار پشتیبان و شبکه عصبی مصنوعی در مدل سازی هدررفت خاک ناشی از فرسایش خندقی | ||
| پژوهش های آبخیزداری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 31 خرداد 1404 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2025.368669.1616 | ||
| نویسندگان | ||
| سید مسعود سلیمان پور* 1؛ امید رحمتی2؛ صمد شادفر3؛ مریم عنایتی4 | ||
| 1دانشیار بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران | ||
| 2استادیار بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کردستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، سنندج، ایران | ||
| 3دانشیار پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران ایران | ||
| 4کارشناس ارشد بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران | ||
| چکیده | ||
| مقدمه و هدف فرسایش آبی، نیز یکی از مهم‌ترین عوامل تخریب اراضی می‌باشد. در بین انواع مختلف فرسایش آبی، فرسایش خندقی یک نوع بسیار آشکار و شاخص از فرسایش خاک می‌باشد و از مهم‌ترین چالش‌های تهدیدکنندۀ تهیۀ غذا، سلامت انسان‌ها و زیست‌بوم است. ازآنجایی‌که میزان هدررفت خاک ناشی از فرسایش خندقی، ارتباط مستقیمی با عوامل محیطی دارد؛ بنابراین می‌توان براساس شرایط محیطی، میزان هدررفت خاک ناشی از خندق‌ها را مدل‌سازی کرد. از طرفی دیگر، اندازه‌گیری میدانی میزان هدررفت خاک ناشی از فرسایش خندقی، بسیار زمان‌بر و هزینه‌بر بوده که اندازه‌گیری مستقیم فرسایش خندقی در سطوح وسیع امکان‌پذیر نیست. به این منظور، پژوهش حاضر، اقدام به ارزیابی کارایی مدل‌های ماشین‌بردار پشتیبان (SVM) و شبکۀ عصبی مصنوعی (ANN) در مدل‌سازی هدررفت خاک ناشی از فرسایش خندقی در آبخیز ماهورمیلاتی واقع در جنوب‌غرب استان فارس کرد. مواد و روش‌ها در بازدیدهای میدانی، موقعیت جغرافیایی تمامی خندق‌های واقع در این آبخیز، با استفاده از دستگاه GPS ثبت شد و پس از تطبیق با تصاویر ماهواره‌ای گوگل‌ارث، این نقاط به محیط GIS منتقل و نقشۀ پراکنش خندق‌ها ترسیم شد. اندازه‌گیری میدانی پارامترهای ابعادی 70 خندق، طی چهار سال (1399-1402)، شامل: طول خندق، عرض بالا، عرض پایین، و عمق خندق انجام و حجم و وزن خاک از دست‌رفته ناشی از فرسایش خندقی نیز محاسبه شدند. 15 عامل محیطی، به‌عنوان متغیرهای مستقل (متغیرهای پیش‌بینی کننده) به‌منظور فرآیند مدل‌سازی انتخاب شدند. در فرآیند مدل‌سازی، عوامل محیطی به‌عنوان متغیرهای مستقل، و میزان هدررفت خاک خندق‌ها به‌عنوان متغیر وابسته در نظر گرفته شدند. خندق‌ها به‌صورت تصادفی به دو گروه آموزش (70 درصد) و اعتبارسنجی (30 درصد) تقسیم و مدل‌سازی توسط دو مدل ماشین‌بردار پشتیبان و شبکۀ عصبی مصنوعی، با رویکرد اعتبارسنجی متقاطع انجام شد. دقت مدل‌ها با استفاده از معیارهای کمی خطای جذر میانگین مربعات (RMSE)، شاخص تبیین (R2)، شاخص خطای RSR و شاخص تطابق (d) موردبررسی قرار گرفت. نتایج و بحث یافته‌های ارزیابی دقت پیش‌بینی مدل‌ها نشان داد ازنظر معیار جذر میانگین مربعات خطا (RMSE)، مدل ماشین-بردار پشتیبان، کمترین مقدار خطا را داشته و بعد از آن مدل شبکۀ عصبی مصنوعی در جایگاه دوم قرار گرفته است. براساس معیار ارزیابی ضریب تبیین (R2)، مدل ماشین‌بردار پشتیبان (59/0-41/0=R2) در جایگاه اول و مدل شبکۀ عصبی مصنوعی (34/0-21/0=R2) در جایگاه دوم قرار گرفت. از نظر معیار ارزیابی شاخص خطای RSR، مدل شبکۀ عصبی مصنوعی در جایگاه اول و مدل ماشین‌بردار پشتیبان در جایگاه دوم قرار گرفت. از نظر شاخص ارزیابی تطابق (d)، مدل ماشین‌بردار پشتیبان دارای بیشترین تطابق (81/0)، میان داده‌های مشاهداتی و پیش‌بینی بود و بیشترین مقدار این شاخص را به‌خود اختصاص داد و مدل شبکۀ عصبی مصنوعی با مقدار شاخص تطابق 63/0 در جایگاه دوم عملکرد قرار گرفت. بنابراین، در این پژوهش، از آنجایی که مدل ماشین‌بردار پشتیبان از نظر معیارهای ارزیابی جذر میانگین مربعات خطا (RMSE)، شاخص تبیین و شاخص تطابق، نسبت به مدل شبکۀ عصبی مصنوعی، از عملکرد بهتری برخوردار بود؛ به‌عنوان مدل برتر برای پیش‌بینی میزان هدررفت خاک ناشی از فرسایش خندقی در آبخیز ماهورمیلاتی استان فارس معرفی شد. نتیجه‌گیری و پیشنهادها هنگامی‌که عملکرد یک مدل برای شبیه‌سازی یک پدیده مورد ارزیابی قرار می‌گیرد، موارد متعددی در این موضوع نقش دارند که توجه به آن‌ها الزامی است. با توجه به این‌که در این پژوهش، از 15 متغیر محیطی برای پیش‌بینی هدررفت خاک ناشی از فرسایش خندقی استفاده شد؛ این موارد نیز توانستند اطلاعات بسیار مهمی ازنظر تغییرات مکانی و زمانی و خصوصیات آبخیز، برای مدل فراهم کنند. از سوی دیگر، با توجه به این‌که در این پژوهش، طول دورۀ پایش، طولانی نبود؛ اما دو مدل مورد استفاده توانستند عملکرد مناسبی برای پیش‌بینی هدررفت خاک ناشی از فرسایش خندقی ارائه دهند. همچنین از مزیت‌های مهم این پژوهش آن است که دو مدل مورداستفاده، از میان کارآمدترین مدل‌های هوش مصنوعی انتخاب شده‌اند؛ به‌طوری‌که با در نظر گرفتن فاکتورهایی که در "زمان"، تغییرپذیر می‌باشند شرایط پیش‌بینی در آینده را فراهم می‌کنند و در سال‌های آتی نیازی به اندازه‌گیری مجدد صحرایی نیست. در حقیقت، مدل، در سال‌های بعد می‌تواند براساس یادگیری‌های کسب‌شده در مرحلۀ آموزش، با در نظر گرفتن اطلاعات بارندگی و پوشش‌گیاهی جدید، میزان هدررفت خاک ناشی از خندق‌ها را پیش‌بینی کند. این مسأله مهم‌ترین وجه تمایز این پژوهش محسوب می‌شود و نشان می‌دهد که مدل‌سازی می‌تواند در صرفه‌جویی وقت و هزینه، خدمات ارزنده‌ای به مدیریت حفاظت آب و خاک کشور ارائه دهد. به این منظور پیشنهاد می‌شود استفاده از مدل‌های مبتنی بر هوش مصنوعی و ساختار یادگیری ماشینی در پژوهش‌های آینده مورد توجه بیشتری قرار گیرد. | ||
| کلیدواژه‌ها | ||
| پیش بینی؛ هوش مصنوعی؛ یادگیری ماشینی؛ ماهورمیلاتی | ||
| عنوان مقاله [English] | ||
| Evaluation of the efficiency of support vector machine and artificial neural network models in modeling soil loss due to gully erosion | ||
| نویسندگان [English] | ||
| Seyed Masoud Soleimanpour1؛ Omid Rahmati2؛ Samad Shadfar3؛ Maryam Enayati4 | ||
| 1Associate Professor, Soil Conservation and Watershed Management Research Department, Fars Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Shiraz, Iran | ||
| 2Assistant Professor, Soil Conservation and Watershed Management Research Department, Kurdistan Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Sanandaj, Iran | ||
| 3Associate Professor, Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran | ||
| 4M.Sc., Soil Conservation and Watershed Management Research Department, Fars Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Shiraz, Iran | ||
| چکیده [English] | ||
| Introduction and Goal Water erosion is also one of the most important factors in land degradation. Among the different types of water erosion, gully erosion is a very obvious and prominent type of soil erosion and is one of the most important challenges threatening food production, human health, and the ecosystem. Since the amount of soil loss due to gully erosion is directly related to environmental factors, it is possible to model the amount of soil loss due to gullies based on environmental conditions. Field measurement of the amount of soil loss due to gully erosion is very time-consuming and costly, and direct measurement of gully erosion on a large scale is not possible. For this purpose, these study, evaluated the efficiency of support vector machine (SVM) and artificial neural network (ANN) models in modeling soil loss due to gully erosion in the Mahurmilati watershed located in the southwest of Fars province. Materials and Methods In field visits, the geographical location of all gullies located in this watershed was recorded using a GPS device, and after matching with Google Earth satellite images, these points were transferred to the GIS and a gully distribution map was drawn. Field measurements of the dimensional parameters of 70 gullies were carried out over four years (2021-2024), including: gully length, upper width, lower width, and gully depth, and the volume and weight of soil lost due to gully erosion were also calculated. 15 environmental factors were selected as independent variables (predictor variables) for the modeling process. In the modeling process, environmental factors were considered as independent variables, and the rate of soil loss in gullies was considered as a dependent variable. The gullies were randomly divided into two groups: training (70%) and validation (30%) and modeling was performed using two models: support vector machine and artificial neural network, with a cross-validation approach. The accuracy of the models was evaluated using quantitative criteria such as root mean square error (RMSE), determination coefficient (R2), RSR error index, and compliance index (D). Results and Discussion The results of the prediction accuracy evaluation of the models showed that in terms of the root mean square error (RMSE) criterion, the support vector machine model had the lowest error, followed by the artificial neural network model in second place. Based on the evaluation criterion of the coefficient of determination (R2), the support vector machine model (R2=0.41-0.59) was in first place and the artificial neural network model (R2=0.21-0.34) was in second place. In terms of the evaluation criterion of the RSR error index, the artificial neural network model was in first place and the support vector machine model was in second place. In terms of the conformity evaluation index (d), the support vector machine model had the highest conformity (0.81) between the observational and forecast data and had the highest value of this index, and the artificial neural network model was in second place with a conformity index value of 0.63. Therefore, in this study, since the support vector machine model had better performance than the artificial neural network model in terms of evaluation criteria of root mean square error (RMSE), explanation index, and agreement index, it was introduced as the superior model for predicting the amount of soil loss due to gully erosion in the Mahurmilati watershed of Fars province. Conclusion and Suggestions When the performance of a model is evaluated to simulate a phenomenon, several factors play a role in this issue that must be considered. In this study, 15 environmental variables were used to predict soil loss due to gully erosion; these factors were also able to provide very important information in terms of spatial and temporal changes and watershed characteristics for the model. In this study, the monitoring period was not long; but the two models used were able to provide appropriate performance for predicting soil loss due to gully erosion. Also, one of the important advantages of this study is that the two models used were selected from among the most efficient artificial intelligence models; so that by considering factors that are variable in "time", they provide the conditions for prediction in the future and there is no need for field re-measurements in the coming years. In fact, the model can predict the amount of soil loss caused by gullies in subsequent years based on the learnings gained in the training phase, taking into account new rainfall and vegetation information. This is the most important distinguishing feature of this research and shows that modeling can provide valuable services to the country's water and soil conservation management by saving time and money. For this purpose, it is suggested that the use of models based on artificial intelligence and machine learning structures be given more attention in future research. | ||
| کلیدواژه‌ها [English] | ||
| forecasting, artificial intelligence, machine learning, Mahurmilati | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 42 |
||