| تعداد نشریات | 285 |
| تعداد نشریات سازمان | 83 |
| تعداد شمارهها | 3,108 |
| تعداد مقالات | 34,654 |
| تعداد مشاهده مقاله | 49,790,504 |
| تعداد دریافت فایل اصل مقاله | 80,147,403 |
پیشبینی و مدلسازی نرخ فرسایش خاک با الگوریتمهای یادگیری ماشین در شهرستان مراوه تپه و کلاله استان گلستان | ||
| پژوهش های آبخیزداری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 30 آذر 1404 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2025.371189.1641 | ||
| نویسندگان | ||
| نرگس کریمینژاد* 1؛ عبدالحسین بوعلی2؛ مرتضی اکبری3؛ مریم یعقوبی4؛ محسن فراهی5 | ||
| 1استادیار، بخش مهندسی منابع طبیعی و محیط زیست، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران | ||
| 2محقق پسادکتری،گروه مدیریت مناطق خشک و بیابانی، دانشکده منابع طبیعی و محیط زیست، دانشگاه فردوسی، مشهد، ایران | ||
| 3گروه مدیریت مناطق خشک وبیابانی، دانشکده منابع طبیعی و محیط زیست دانشگاه فردوسی مشهد، مشهد، ایران | ||
| 4دانشجو دکتری، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه شهرکرد، شهرکرد، ایران، | ||
| 5گروه مهندسی طبیعت، دانشکده منایع طبیعی، مجتمع آموزش عالی سراوان، سراوان، ایران، | ||
| چکیده | ||
| فرسایش خاک یکی از چالشهای جدی زیستمحیطی است که تأثیرات منفی قابل توجهی بر روی کشاورزی، منابع آب و بومسازگان طبیعی دارد (Wijitkosum, 2020). استان استان گلستان به عنوان یکی از مناطق کلیدی در تولید محصولات زراعی نظیر گندم، جو، برنج و سیبزمینی شناخته میشود. این استان به دلیل خاکهای حاصلخیز و شرایط اقلیمی مناسب، نقش مهمی در تأمین امنیت غذایی کشور ایفا میکند. بخش عمدهای از منابع تولید کشاورزی استان از اراضی لسی تأمین میشود که به علت فرسایشپذیری بالا، نیازمند توجه ویژه به کیفیت خاک و مدیریت مؤثر این اراضی است (نجفی نیا و همکاران، 1397). بررسیها نشان میدهد که میزان فرسایش خاک در این منطقه تحت تأثیر کاربریهای مختلف متفاوت است؛ بهطوری که در شهرستانهای کلاله و مراوه تپه، کاربریهای زراعی (137956 هکتار) و مرتعی (281662 هکتار) بیشترین تأثیر را بر فرسایش دارند (جعفری اردکانی و همکاران، 1388). این نهشتهها سرشاخههای گرگانرود و اترک را تغذیه کرده و تولید رسوب بالا در پاییندست میتواند عواقب زیستمحیطی و اقتصادی جدی به همراه داشته باشد. بهطور خاص، نرخ تولید رسوب در این نهشتهها میتواند به ۲۱ تا ۲۷ تن در هکتار برسد(عرب خدری،1400). که این امر نیازمند مدیریت دقیق منابع طبیعی است. مدلسازی و پیشبینی فرسایش در اراضی لسی نه تنها برای شناسایی و مدیریت این خطرات ضروری است، بلکه به کشاورزان و مدیران منابع طبیعی کمک میکند تا با اتخاذ تدابیر مناسب، از کاهش کیفیت خاک (فرسایش و رسوب) و آسیبهای حاصله به تولیدات جلوگیری کنند (موسوی و همکاران، 1400). با توجه به پیچیدگی عوامل مؤثر بر فرسایش خاک، استفاده از روشهای سنتی برای ارزیابی و مدلسازی این پدیده ممکن است ناکافی باشد. مدلهای سنتی مانند PSIAC و IRIFR به طور گستردهای برای ارزیابی فرسایش آبی و بادی استفاده میشوند. این مدلها معمولاً بر اساس دادههای میدانی و ویژگیهای فیزیکی خاک، مانند بافت، شیب، پوشش گیاهی و بارش طراحی شدهاند (Bashari et al., 2023). این مدلها معمولاً نمیتوانند تعاملات پیچیده بین عوامل مختلف را به خوبی شبیهسازی کنند و در نتیجه ممکن است دقت پیشبینی آنها پایین باشد (Boali et al., 2024). به همین دلیل، در سالهای اخیر توجه بیشتری به استفاده از روشهای هوش مصنوعی مانند یادگیری ماشین جلب شده است. این روشها میتوانند با پردازش حجم بالای دادههای مربوط به ویژگیهای خاک، شرایط اقلیمی و توپوگرافی، الگوهای فرسایش را شناسایی کرده و پیشبینی دقیقی از میزان فرسایش ارائه دهند (موسوی و همکاران، 1400). مطالعهای که در اراضی شرق دریاچه ارومیه انجام شد، نشان داد که مدل شبکه عصبی هیبرید شده با الگوریتم بهینهسازی وال بهترین عملکرد را در پیشبینی فرسایش پذیری بادی خاک داشت (راعی و همکاران، 1399). تحقیقاتی که توسط جلالیفرد و همکاران انجام شد، به بررسی فرسایش پایپینگ در اراضی لسی استان گلستان پرداختند. این مطالعه با استفاده از رگرسیون لجستیک، خطر تشکیل پایپینگ را پیشبینی کرد و نشان داد که متغیرهای مختلف مانند مقاومت خاک و فاصله از آبراهه تأثیر زیادی بر خطر تشکیل پایپینگ دارند (جلالی فرد و همکاران، 1397). همچنین تحقیقاتی که در حوزه آبخیز باختگان انجام شده است، نشان داد که مدل جنگل تصادفی برای پیشبینی فرسایش بادی و مدل ماشین بردار پشتیبانی نیز برای پیشبینی فرسایش آبی عملکرد خوبی داشته است. این نتایج نشاندهنده توانایی بالای مدلهای هوش مصنوعی در شبیهسازی فرآیندهای پیچیده فرسایش خاک است (جلالی و همکاران، 1402). در اراضی قرقری شهرستان هیرمند نیز از روشهای هوش مصنوعی به منظور پیشبینی شوری خاک استفاده شده است. در این تحقیق از روشهای زمینآمار و مدلهای هوش مصنوعی شامل شبکه عصبی مصنوعی، درخت تصمیم و ماشین بردار پشتیبان استفاده شد. نتایج این تحقیق نشان داد که روشهای هوش مصنوعی به طور قابل توجهی دقت بیشتری در برآورد شوری خاک نسبت به روشهای زمینآمار دارند. هدف این تحقیق ارزیابی و مدلسازی فرسایش خاک در نهشتههای لسی شمال شرق استان گلستان (شهرستانهای مراوهتپه و کلاله)، با استفاده از روشهای دادهکاوی است. این تحقیق میتواند به شناسایی دقیقتر عوامل مؤثر بر فرسایش خاک کمک کرده و راهکارهای مدیریتی مناسبی برای کاهش اثرات منفی آن ارائه دهد. با توجه به اهمیت موضوع (تهدید و فرصت نهشتههای لسی) و نیاز به استفاده از فناوریهای نوین در مدیریت منابع طبیعی، این مطالعه میتواند گامی مؤثر در جهت حفاظت از خاک و توسعه پایدار در منطقه محسوب شود. | ||
| کلیدواژهها | ||
| مدلسازی؛ فرسایش آبی؛ شمال استان گلستان؛ روشهای یادگیری ماشین | ||
| عنوان مقاله [English] | ||
| Prediction and Modeling of Soil Erosion Rates Using Machine Learning Algorithms in the Maraveh Tappeh and Kalaleh Counties, Golestan Province, Iran | ||
| نویسندگان [English] | ||
| Narges Kariminejad1؛ Abdolhossein Boali Abdolhossein Boali2؛ Morteza Akbari3؛ Maryam Yaghoobi4؛ Mohsen Farahi5 | ||
| 1Department of Natural Resources and Environmental Engineering, College of Agriculture, Shiraz University, Shiraz, Iran | ||
| 2Postdoctoral Researcher, Watershed Management and Desert Regions Management, Faculty of Rangeland and Watershed Management, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran | ||
| 3Associate Professor, Department of Desert and Arid Zones Management, Faculty of Natural Resources and Environment, Ferdowsi University of Mashhad,, Mashhad, Iran | ||
| 4PhD Student, Department of Water Engineering, Faculty of Agriculture, Shahrekord University, Shahrekord, Iran | ||
| 5Assistant Professor, Department of Nature Engineering, Faculty of Natural Resources, Saravan Higher Education Complex, Saravan, Iran | ||
| چکیده [English] | ||
| Introduction and Problem Statement Soil erosion represents one of the most critical environmental challenges facing sustainable land management in Iran's Golestan Province. This comprehensive study addresses the pressing need for accurate erosion prediction models in the vulnerable ecosystems of Maraveh Tappeh and Kalaleh counties, where water erosion has significantly impacted agricultural productivity, natural resource conservation, and ecosystem stability. The research responds to the growing concern over land degradation in these regions, where conventional erosion assessment methods have proven inadequate for capturing the complex interplay of environmental factors driving soil loss. Methodology Framework The research employed an integrated approach combining remote sensing technology, geographic information systems (GIS), and sophisticated machine learning algorithms to develop a robust predictive model for water erosion susceptibility. The methodological framework encompassed four distinct phases: data acquisition and preprocessing, feature selection and optimization, model development and training, and validation and accuracy assessment. Data Collection and Processing The study incorporated eight critical environmental and climatic indices as predictive variables, carefully selected based on their documented influence on erosion processes. These included: Precipitation patterns derived from meteorological station data and satellite-based precipitation products Vegetation cover density using the Normalized Difference Vegetation Index (NDVI) Soil characteristics through the Topsoil Grain Size Index (TGSI) Land use and land cover classifications from high-resolution satellite imagery Surface moisture content via the Normalized Difference Moisture Index (NDMI) Topographic features from Digital Elevation Model (DEM) data Bare soil exposure using the Bare Index (BI) Soil salinity levels through the Normalized Difference Salinity Index (NDSI) Data were sourced from multiple platforms including Landsat 8 OLI/TIRS sensors, SRTM DEM, and local meteorological stations, ensuring comprehensive spatial and temporal coverage. All datasets underwent rigorous preprocessing, including atmospheric correction, geometric rectification, and resolution standardization to 30-meter pixels. Machine Learning Implementation Three state-of-the-art machine learning algorithms were implemented and rigorously compared: Boosted Regression Trees (BRT): Selected for their ability to handle complex nonlinear relationships and automatic feature selection capabilities Random Forest (RF): Chosen for its robustness against overfitting and effectiveness with high-dimensional data Support Vector Machine (SVM): Implemented for its strength in managing small sample sizes and high-dimensional feature spaces The modeling process incorporated advanced techniques including k-fold cross-validation (k=10) and hyperparameter optimization to ensure model robustness and generalizability. Ensemble Model Development A novel ensemble approach was developed by integrating the strengths of individual models through weighted averaging. This sophisticated combination mechanism accounted for the relative performance of each base model, giving higher weights to more reliable predictors while mitigating individual model weaknesses. Results and Performance Metrics The ensemble model demonstrated exceptional predictive capability, achieving remarkable validation scores: Receiver Operating Characteristic (ROC): 0.93 Kappa Coefficient: 0.90 True Skill Statistic (TSS): 0.89 These results significantly outperformed all individual models, with the ensemble approach reducing prediction error by approximately 23% compared to the best-performing single model. Spatial Analysis and Risk Zonation The final erosion susceptibility map revealed distinct spatial patterns, identifying northern, western, and southwestern sectors as high-risk zones. These areas exhibited strong correlations with specific environmental characteristics: Slope gradients exceeding 15% NDVI values below 0.3 indicating sparse vegetation cover Annual precipitation intensity above regional averages Predominance of erosive soil types and unsustainable land use practices Factor Importance Analysis Comprehensive sensitivity analysis identified precipitation intensity and vegetation cover density as the dominant factors influencing erosion susceptibility, collectively accounting for 64% of the model's predictive power. Secondary factors included slope characteristics (18%) and soil properties (12%), while land use patterns contributed approximately 6% to the model's output. Practical Applications and Policy Implications The research outcomes provide valuable tools for: Land Use Planning: Enabling targeted conservation efforts in high-priority areas Resource Allocation: Facilitating efficient deployment of soil conservation resources Policy Development: Supporting evidence-based environmental policy formulation Risk Management: Assisting in the design of early warning systems for erosion prevention Comparative Advantages and Methodological Contributions This study demonstrates significant advancements over traditional erosion assessment methods through: Enhanced prediction accuracy through ensemble learning Improved spatial resolution enabling parcel-level assessment Robust validation through multiple statistical metrics Comprehensive factor integration capturing complex environmental interactions Conclusion and Future Research Directions The research successfully establishes ensemble machine learning as a powerful paradigm for erosion susceptibility mapping in semi-arid environments. The methodology offers scalable solutions adaptable to similar ecological contexts globally. Future research directions should focus on: Incorporating climate change projections for long-term erosion forecasting Integrating real-time monitoring data for dynamic model updating Expanding the model to account for anthropogenic factors and land management practices Developing multi-temporal analyses to capture seasonal and inter-annual variations This comprehensive approach represents a significant step forward in sustainable land management, providing scientists, policymakers, and land managers with reliable tools for combating soil erosion and promoting environmental conservation in vulnerable ecosystems. The research methodology and findings contribute substantially to the global effort to achieve land degradation neutrality and sustainable development goals. | ||
| کلیدواژهها [English] | ||
| Modeling, Water Erosion, Northern Golestan Province, Machine Learning Methods | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 2 |
||