فرسایش خندقی یک تهدید جدی برای وضعیت اکوسیستم ها در سراسر جهان است. در نتیجه، حفاظت از خاک به نفع خود و از اقدامات خودمان برای تضمین دوام طولانی مدت انواع خدمات اکوسیستم ضروری است. در نتیجه، توسعه نقشه‌های حساسیت فرسایش خندقی (GESM) پیشنهاد و ضروری است. در این مطالعه، ما اثربخشی سه الگوریتم یادگیری ماشین ترکیبی (ML) را با نسبت فراوانی شاخص آماری دو متغیره (FR)، به نام‌های نسبت تصادفی جنگل به فرکانس (RF-FR)، بردار پشتیبان نسبت ماشین به فرکانس (SVM-FR) مقایسه کردیم. ، و نسبت فرکانس بیز ساده (NB-FR)، در نقشه برداری فرسایش خندقی در حوزه آبخیز GHISS در بخش شمالی مراکش. مدل‌ها بر اساس نقشه‌برداری موجودی تعداد کل 178 نقطه فرسایش خندقی به‌طور تصادفی به 2 گروه تقسیم شدند (70 درصد امتیازها برای آموزش مدل‌ها و 30 درصد نقاط برای فرآیند اعتبارسنجی استفاده شد) و 12 شرطی‌سازی. متغیرها (به عنوان مثال، ارتفاع، شیب، جهت، انحنای صفحه، شاخص رطوبت توپوگرافی (TWI)، شاخص قدرت جریان (SPI)، بارش، فاصله تا جاده، فاصله تا رودخانه، تراکم زهکشی، کاربری زمین، و سنگ شناسی). با استفاده از روش طبقه‌بندی مجدد فاصله‌ای مساوی، توزیع مکانی فرسایش خندقی در پنج کلاس مختلف شامل بسیار زیاد، زیاد، متوسط، کم و بسیار کم طبقه‌بندی شد. نتایج ما نشان داد که کلاس‌های حساسیت بسیار بالا به‌دست‌آمده با استفاده از مدل‌های RF-FR، SVM-FR، و NB-FR به ترتیب 98/25، 62/22 و 10/27 درصد از کل مساحت را پوشش می‌دهند. ناحیه زیر گیرنده (AUC) منحنی مشخصه عملکرد، دقت و دقت برای ارزیابی عملکرد این مدل‌ها استفاده شد. بر اساس مشخصه عملکرد گیرنده (ROC)، نتایج نشان داد که RF-FR بهترین عملکرد را به دست آورد (AUC = 0.91)، به دنبال آن SVM-FR (AUC = 0.87)، و سپس NB-FR (AUC = 0.82)، به ترتیب. مشارکت ما، در راستای اهداف توسعه پایدار (SDGs)، نقش مهمی برای درک و شناسایی موضوع “کجا و چرا” فرسایش خندقی ایفا می کند، و از این رو می تواند به عنوان اولین مسیر برای کاهش فرسایش خندقی در این منطقه خاص باشد. حوزه. نتایج نشان داد که RF-FR به ترتیب به بهترین عملکرد (AUC = 0.91) و سپس SVM-FR (AUC = 0.87) و سپس NB-FR (AUC = 0.82) دست یافت. مشارکت ما، در راستای اهداف توسعه پایدار (SDGs)، نقش مهمی برای درک و شناسایی موضوع “کجا و چرا” فرسایش خندقی ایفا می کند، و از این رو می تواند به عنوان اولین مسیر برای کاهش فرسایش خندقی در این منطقه خاص باشد. حوزه. نتایج نشان داد که RF-FR به ترتیب به بهترین عملکرد (AUC = 0.91) و سپس SVM-FR (AUC = 0.87) و سپس NB-FR (AUC = 0.82) دست یافت. مشارکت ما، در راستای اهداف توسعه پایدار (SDGs)، نقش مهمی برای درک و شناسایی موضوع “کجا و چرا” فرسایش خندقی ایفا می کند، و از این رو می تواند به عنوان اولین مسیر برای کاهش فرسایش خندقی در این منطقه خاص باشد. حوزه.

کلید واژه ها:

فرسایش خندقی ; یادگیری ماشین ترکیبی ; نسبت فرکانس ; منطقه مدیترانه

1. مقدمه

فرسایش خندقی مخرب‌ترین نوع فرسایش خاک در نظر گرفته می‌شود و با عوامل توپوگرافی، اقلیمی و انسانی در ارتباط است [ 1 ] و باعث ایجاد مشکلات زیست‌محیطی و انسانی در سراسر جهان [ 2 ] به‌ویژه در مناطق خشک و نیمه‌خشک می‌شود. . فرسایش خندقی در مدت زمان کوتاهی رخ می دهد. خندق ها یکی از دلایل رایج تخریب زمین هستند، زیرا مدیریت نامناسب زمین و شیوه های کاربری زمین می تواند منجر به افزایش فرسایش خاک شود، با خندق ها به عنوان شکل اولیه زمین [ 3 ].
عملکرد مؤثر خاک تأثیر قابل توجهی بر خدمات اکوسیستم دارد و با دستیابی به اهداف توسعه پایدار (SDGs) مرتبط است. سیستم خاک-آب مهمترین مؤلفه در دستیابی به اهداف توسعه پایدار با تمرکز بر خنثی کردن تخریب زمین و احیای زمین است [ 4 ، 5 ]. در نتیجه یکی از مهم ترین مسائل برای توسعه بلندمدت محیط زیست و فعالیت اقتصادی، جلوگیری از تخریب زمین است. در نتیجه، برنامه ریزی گسترده و حفاظت از فرسایش همیشه ضروری بوده است. بنابراین، این یک موضوع زیست‌محیطی متفکرانه است که سالانه مقدار قابل توجهی از خاک‌های مولد را در سراسر جهان از دست می‌دهد [ 6 ، 7 ].]. از این رو، نقشه برداری از فرسایش خاک برای اطلاع رسانی خطر اطلاعات مکانی فرسایش خندقی برای مدیران و تصمیم گیرندگان برای برنامه ریزی حفاظت و مدیریت آن بسیار ضروری است.
فرسایش خاک در مراکش به طور چشمگیری افزایش یافته است که منجر به اثرات منفی شدید بر تولید محصولات زراعی، اکوسیستم های آبی و محیط زیست شده است. تخمین زده می شود که حداقل 13 درصد از اراضی مراکش تحت تأثیر فرسایش خاک قرار دارند [ 8 ]. با این حال، تحقیقات کمی در مورد فرسایش خندقی در مراکش در ادبیات وجود دارد [ 8 ، 9 ]. آزدو و همکاران [ 10 ] از نسبت فرکانس (FR)، رگرسیون لجستیک (LR) و جنگل تصادفی (RF) برای طرح توزیع فضایی فرسایش خندقی در حوضه آبخیز Souss-Massa، مراکش استفاده کرد. نتایج نشان داد که در بین مدل‌های مورد آزمایش، مدل RF بهترین عملکرد پیش‌بینی را داشت. طیری و همکاران [ 11] از معادله جهانی از دست دادن خاک (RUSLE) برای تخمین فرسایش خاک در حوضه آبخیز Tifnout Askaoun در مراکش استفاده کرد. چنین تلاش هایی به ابزاری حیاتی برای مدیریت بلندمدت زمین منطقه منجر شد. انجام تحقیقات فرسایش خاک در این محیط برای افزودن به ادبیات کنونی و کمک به دولت های محلی در تهیه طرح های مناسب برای مدیریت خاک و اراضی، آبخیزداری و برنامه ریزی زیرساخت ها مهم است.
اخیراً روش‌های دانش تخصصی مانند فرآیند تحلیل سلسله مراتبی (AHP) [ 12 ، 13 ، 14 ]، روش‌های آماری دو متغیره (BSMs)، مانند FR [ 15 ، 16 ]، عوامل قطعیت (CF) [ 17 ، 18 ]، وزن شواهد (WoE) [ 19 ]، مقدار اطلاعات (InfVal) [ 20 ]، و تابع باور شواهدی (EBF) [ 16 ]، احتمال شرطی (CP) [ 21 ]، شاخص آنتروپی (IOE) [ 22 ]، روش های آماری چند متغیره (MSMs)، مانند رگرسیون خطی (LiR) [ 23 ] و رگرسیون لجستیک (LR) [ 24 ]و روش های یادگیری ماشین (ML) مانند شبکه های عصبی مصنوعی (ANN) [ 25 ، 26 ]، ماشین بردار پشتیبان (SVM) [ 27 ، 28 ]، RF [ 29 ، 30 ]، طبقه بندی و درختان رگرسیون (CART) [ 31 ]، و Naive Bayes [ 32 ، 33 ]، برای نقشه برداری فرسایش خاک اعمال شده اند. الگوریتم‌های ML به دلیل ظرفیت پیش‌بینی برتر در مقایسه با سایر روش‌های سنتی، به طور گسترده برای اهداف مختلفی از جمله نقشه‌برداری فرسایش خاک استفاده می‌شوند [ 34 ، 35]. رویکردهای مختلفی وجود دارد که هر کدام مزایا و معایب خاص خود را دارند. از سوی دیگر، مدل‌های ML برای تعیین فرسایش خندقی مفید هستند و برای نقشه‌برداری حساسیت [ 36 ، 37 ، 38 ] و پیش‌بینی حساسیت فرسایش لوله‌کشی حالت ML [ 35 ، 39 ] استفاده شده‌اند. مدل RF و رویکردهای ارزش اطلاعاتی اغلب روش‌های مورد استفاده در دسته مدل دو متغیره هستند [ 36 ، 40 ]. مدل RF در مطالعات مختلف نتایج مثبتی ایجاد کرده است [ 36 ، 41 ، 42]. مدل های دو متغیره را می توان به سادگی در یک سیستم اطلاعات جغرافیایی (GIS) به دلیل تفسیر ساده آنها اعمال کرد [ 43 ]. اینها یافته های مثبتی را در ادبیات، هم در مراکش از طریق مطالعات در حوضه های آبخیز اوریکا و ریرایا [ 10 ، 20 ] و در جاهای دیگر [ 38 ، 44 ، 45 ، 46 ] به دست آورده اند. انتخاب عناصر محرک خندق، تولید نقشه های حساسیت، اجرای تصمیمات مدیریت زمین، و ایجاد استراتژی های آینده همه با استفاده از مدل های مبتنی بر GIS و ML انجام شده است [ 47 ]]. در واقع، رویکردهای ML امکان ارزیابی نقش مؤلفه‌های مختلف و تعاملات آن‌ها را فراهم می‌آورند که پتانسیل قابل‌توجهی دارد و در سال‌های اخیر به طور فزاینده‌ای استفاده شده است [ 34 ]. با پیشرفت سریع الگوریتم های مختلف ML در سال های اخیر، تعیین اینکه کدام مدل برای یک مکان خاص بهینه است دشوار شده است. بررسی انواع الگوریتم ها و تعیین اینکه کدام یک برای هر موقعیتی بهترین است بسیار مهم است.
اخیراً، مدل‌های ترکیبی/مجموعه به روشی ترکیبی، از طریق ادغام مدل‌های ML فردی و رویکردهای آماری توسعه یافته‌اند. سودمندی مدل های ترکیبی که در انتشارات قبلی [ 48 ، 49 ] مورد بحث قرار گرفته اند در بالاترین دقت آنها در مقایسه با مدل های فردی است [ 50،51 ] . علاوه بر این، در این مطالعه، کارایی رویکردهای مختلف برای حساسیت به فرسایش خندقی مانند FR، RF، SVM و NB بررسی شده است. اگرچه این تکنیک‌های ML در گذشته مورد استفاده قرار گرفته‌اند، اما به ندرت برای مدل‌سازی فرسایش خندقی استفاده شده‌اند.
خندق ها در مناطق خشک و نیمه خشک، به عنوان مثال حوضه آبخیز GHISS در شمال مراکش، آسیب شدیدی وارد می کنند و به عنوان یک خطر بزرگ زیست محیطی در نظر گرفته می شوند [ 52 ، 53 ]]. در نتیجه، دستگاه های اجرایی باید به شناسایی دلایل توسعه فرسایش خندقی و پهنه بندی برای ایجاد برنامه های مدیریت جامع ادامه دهند. این امر در توسعه روش‌های مرمتی که مبتنی بر راه‌حل‌های طبیعی برای تضمین پایداری بلندمدت هستند، بسیار مهم خواهد بود. صرف نظر از حساسیت بالای این منطقه مورد مطالعه به فرسایش خندقی، هیچ تحقیق کاملی تا به امروز برای شناسایی مکان هایی که به ویژه در برابر فرسایش خندقی آسیب پذیر هستند، انجام نشده است. با این حال، جامعه علمی بسیار سخت کار می کند و نتایج جالبی را تولید می کند. در این تجزیه و تحلیل، یک روش ترکیبی ترکیبی از رویکردهای آماری دو متغیره و الگوریتم‌های ML برای شناسایی مکان‌های مستعد به فرسایش خندقی استفاده شد. هدف اصلی این مطالعه ایجاد یک نقشه حساسیت به فرسایش خندقی در منطقه ای با فرآیندهای فرسایش خاک شناسایی شده، مانند حوزه آبخیز GHISS شمال مراکش است. برای این هدف، کارایی FR به عنوان یک مدل آماری و همچنین سایر تکنیک‌های ML از نظر کاربرد آنها برای پیش‌بینی مناطق مستعد فرسایش خندقی مورد ارزیابی قرار گرفت.

2. مواد و روشها

2.1. منطقه مطالعه

منطقه مورد مطالعه انتخاب شده در این مطالعه حوضه آبخیز GHISS، واقع در استان الحسیما، در بخش شمالی مراکش است. منطقه مورد مطالعه بین طول‌های جغرافیایی 3 درجه و 45 دقیقه و 4 درجه و 30 دقیقه غربی و عرض‌های جغرافیایی 34 درجه و 15 دقیقه و 35 درجه و 17 دقیقه شمالی قرار دارد که مساحتی معادل 69/837 کیلومتر مربع را پوشش می‌دهد ( شکل 1 ). دامنه ارتفاع از 0 تا 2032 متر مربع است که با نقش برجسته‌های اغلب شیب دار با شیب بیش از 35 درصد مشخص می‌شود. آب و هوا در این منطقه نیمه خشک توصیف می شود و اکثر بارندگی ها در طول سپتامبر تا مه رخ می دهد، با میانگین بارندگی سالانه 300 میلی متر [ 54 ] که با تغییرات فصلی و بین سالانه مشخص می شود [ 55 ]. میانگین دما از 21 درجه سانتیگراد در ماه جولای تا 10 درجه سانتیگراد در ژانویه متغیر است [ 56].
از نقطه نظر زمین شناسی، حوضه GHISS توسط واحد کتاما مشخص می شود که در ریف مرکزی رخنمون می زند و اساساً از فلیش حوزه آلبوآپتین تشکیل شده است. متعلق به حوزه خارجی (درون ریف) و نهشته های فلیش ناپس است.
این حوضه به دلیل شرایط توپوگرافی (یعنی شیب های بالاتر از 55 درجه) و تشکیلات زمین شناسی (شیل، مارن و سنگ آهک مارن) [ 57 ، 58 ، 59 ]، دچار فرسایش شدید خاک و کاهش منابع اکوسیستم های جنگلی شده است. 57 ]
منطقه مورد مطالعه متعلق به آبخوان GHISS-Nekkor است که منبع مهم آب زیرزمینی در آن منطقه است [ 60 ]. با این حال، امکانات بهداشتی ناکافی و ضعیف، و همچنین کشاورزی ناپایدار در منطقه مورد مطالعه، منجر به بدتر شدن کیفیت آب زیرزمینی در این منطقه شده است [ 60 ، 61 ]. پیش از این، یک مطالعه [ 62 ] با استفاده از روش RUSLE گزارش داد که بیش از 50 درصد از حوضه به عنوان فرسایش متوسط ​​در نظر گرفته می شود. بنابراین، تلاش تحقیقاتی ما به سمت درک عمیق فرسایش خندقی در این منطقه مورد مطالعه است.

2.2. داده های مورد استفاده و روش

روش شناسی اتخاذ شده برای این تحقیق به سه مرحله تقسیم می شود که در شکل 2 نشان داده شده است. اولین مرحله روش، جمع آوری داده ها است که در آن مجموعه داده های مختلف از جمله متغیرهای توپوگرافی، اقلیمی و انسانی پیش پردازش شده و سپس متغیرهای ژئومحیطی مختلف تولید می شوند. علاوه بر متغیرهای ژئومحیطی، نقشه موجودی فرسایش خندقی تهیه شد که بعداً در مرحله 2 مورد استفاده قرار گرفت. مرحله دوم قسمت تجزیه و تحلیل است که در آن داده‌های موجودی خندق از مرحله 1 برای تهیه داده‌های آموزشی و اعتبار سنجی استفاده شد. FR و نرمال‌سازی برای داده‌های آموزشی همراه با متغیرهای ژئومحیطی انجام شد و سپس تمام داده‌های حاصل به سه الگوریتم ترکیبی مختلف ML (RF-FR، SVM-FR، و NB-FR) وارد شدند. در مرحله سوم، از داده های اعتبار سنجی تهیه شده در مرحله 2 استفاده شد و ارزیابی دقت برای هر یک از سه طبقه بندی کننده ترکیبی انجام شد. بر اساس مجموعه داده های آموزشی، نقشه‌های فرسایش خندقی با استفاده از طبقه‌بندی شکست‌های طبیعی، موجود در Arc GIS 10.4 ایجاد شده‌اند. بنابراین، پنج دسته شناسایی شده است: کلاس های حساسیت به فرسایش خندقی بسیار کم، کم، متوسط، زیاد و بسیار زیاد. در نهایت، نقشه‌های حساسیت فرسایش خندقی با استفاده از طبقه‌بندی‌کننده ترکیبی مناسب ایجاد شد. پیاده سازی کامل ML در پایتون با استفاده از ابزارهای GIS و محیط Jupyter انجام شد.

2.3. نقشه موجودی فرسایش خندقی

تهیه نقشه موجودی فرسایش خندقی (یعنی متغیر هدف) اولین کار است و هدف آن توضیح آماری رابطه بین توزیع فرسایش خندقی (متغیر وابسته) و عوامل شرطی (متغیرهای مستقل) خطرات فرسایش خندقی است. 40]. در این مطالعه، نقاط فرسایش خندقی در طی بررسی‌های میدانی با استفاده از گیرنده‌های سیستم موقعیت‌یابی جهانی (GPS) شناسایی شدند و پس از ثبت این مکان‌ها، تفسیر تصاویر با وضوح بالا از Google Earth انجام شد. از این رو، 178 نقطه فرسایش خندقی به طور تصادفی به 70 درصد (125) برای آموزش تقسیم شدند و 30 درصد (53) برای اعتبارسنجی برای کار مدل‌سازی نگهداری شدند. تعداد مساوی از نقاط فرسایش غیر خندقی به طور تصادفی انتخاب و به دو مجموعه تقسیم شد: 70٪ (125) برای آموزش و 30٪ (53) برای اعتبار سنجی. چند نمونه از مکان های نقطه ای و عکس های میدانی آنها در شکل 3 نشان داده شده است.

2.4. توضیحات پارامترها

برای ساخت مدل های پیش بینی باینری، لازم است هم یک متغیر وابسته (یعنی هدف) و هم مجموعه ای از متغیرهای مستقل جمع آوری شود. در این مطالعه، 12 متغیر از منابع مختلف انتخاب شدند ( جدول 1 ) به دلیل اهمیت آنها در فرسایش خندقی، همانطور که در کارهای قبلی مورد بحث قرار گرفت [ 37 ، 40 ]. عوامل فرسایش خندقی انتخاب شده به عنوان توپوگرافی، هیدرولوژیکی و زمین شناسی طبقه بندی شدند [ 37] برای استخراج متغیرهای زیر استفاده شد: ارتفاع، شیب، جهت، انحنای پلان، شاخص رطوبت توپوگرافی (TWI)، شاخص قدرت جریان (SPI)، بارش، فاصله تا جاده، فاصله تا نهر، تراکم زهکشی، کاربری زمین/پوشش زمین. (LULC)، و سنگ شناسی. تمامی این عوامل کنترل کننده فرسایش خندقی بر اساس دانش تخصصی و تحلیل های آماری با استفاده از روش طبقه بندی شکست طبیعی با استفاده از ابزار GIS تهیه و طبقه بندی مجدد شدند [ 63 ].]. برای محاسبه نسبت داده های خندقی/غیر خندقی در هر کلاس از هر متغیر، ما هر عامل شرطی سازی پیوسته را به مجموعه ای از کلاس ها طبقه بندی کردیم. لازم به ذکر است که ما یک طبقه بندی خودکار برای برخی از متغیرها اتخاذ کردیم و برای برخی از پارامترها طبقه بندی مانند آنچه در داده های منبع ارائه شده است باقی می ماند. مدل دیجیتال ارتفاع (DEM) با اندازه پیکسل 30×30 متر از وب سایت USGS Earth Explorer ( https://earthexplorer.usgs.gov/ )، (در 20 اوت 2021) دانلود شد.
در این مطالعه به دلیل اهمیت آن در فرآیند فرسایش خندقی [ 37 ] مورد توجه قرار گرفته است. با استفاده از ابزارهای تحلیل فضایی موجود در نرم افزار ArcGIS 10.4، DEM برای محاسبه سایر پارامترهای توپوگرافی از جمله شیب، جنبه، انحنای پلان، TWI و SPI استفاده شد. ارتفاع به دلیل اثراتی که بر پوشش گیاهی و ریزاقلیم دارد [ 40 ]، نقش مهمی در فرسایش خندقی دارد. به طور خودکار به پنج کلاس طبقه بندی شد، از جمله: 0-417، 417-799، 799-1125، 1125-1427، و 1427-2032 متر ( شکل 4 a).
همانطور که در مطالعات قبلی گزارش شده است [ 64 ، 65 ]، شیب بر فرسایش آبکندی تأثیر دارد و در شیب شدیدتر می شود. در این مطالعه، ضریب شیب تولید شده به طور خودکار به پنج کلاس طبقه بندی شد: <5، 5-10، 10-20، 20-30، و > 30 درجه ( شکل 4 ب).
جنبه تأثیر مهمی بر فرسایش خندقی دارد، زیرا می تواند بر تبخیر و تعرق، پوشش گیاهی و تابش خورشیدی ورودی تأثیر بگذارد [ 66 ]. در این مطالعه، به طور خودکار به نه کلاس طبقه بندی شد: (1) مسطح، (2) شمال، (3) شمال شرقی، (4) شرق، (5) جنوب شرقی، (6) جنوب، (7) جنوب غربی، (8) غرب، و (9) شمال غربی ( شکل 4 ج).
انحنای پلان انحنای یک خط خطی است که از تقاطع یک صفحه افقی با سطح [ 67 ] تشکیل می شود و نقش مهمی در واگرایی یا همگرایی آب در جریان پایین شیب دارد [ 68 ]. به طور خودکار به سه کلاس طبقه بندی شد: مقعر، مسطح و محدب ( شکل 4 د).

نشان داده شده است که TWI برای فرسایش خندقی [ 40 ] مفید است و از طریق رابطه (1) [ 69 ] محاسبه شد:

TWI = ln (As/tanβ)

که در آن A مساحت حوضه بر حسب متر و β شیب شیب است. این شاخص به پنج کلاس طبقه بندی شد ( شکل 5 ب): (18-21)، (21-22)، (22-23)، (23-24)، و (24-34).

SPI شاخصی است که برای اندازه گیری ظرفیت و مقاومت خاک از طریق جریان آب سطحی، رواناب و نفوذ استفاده می شود که امکان توسعه خندق ها را فراهم می کند [ 70 ]. با استفاده از معادله (2)، پیشنهاد شده در [ 69 ] محاسبه شد.

SPI = به عنوان ∗ tanβ

که در آن AS مساحت ویژه حوضه است (m 2 m − 1 ) و β شیب، بر حسب درجه است.

به خوبی ثابت شده است که خندق ها بیشتر در نواحی نزدیک جاده ها رخ می دهند [ 38 ]. از این رو، فاصله تا جاده، فاصله تا نهر و تراکم زهکشی در این مطالعه در نظر گرفته شد. با استفاده از ابزار فاصله اقلیدسی موجود در ArcGIS 10.4، این عوامل تولید شدند ( شکل 5 ج).
LULC با استفاده از تصویر Landsat-8-OLI که در 12 ژوئن 2019 از وب‌سایت سازمان زمین‌شناسی ایالات متحده (USGS) دریافت شد، تهیه شد. ابتدا به صورت رادیومتری و جوی کالیبره شد و سپس از الگوریتم طبقه بندی نظارت شده حداکثر احتمال با استفاده از ابزار نرم افزار ENVI استفاده شد. در مجموع 1079 نقطه حقیقت زمینی به طور تصادفی بر اساس تفسیر بصری و تصاویر Google Earth تصحیح شده با وضوح بالا انتخاب شدند. پس از آن، بر اساس بررسی میدانی، پنج طبقه تولید شد که شامل: بدنه‌های آبی، زمین‌های جنگلی، زمین‌های کشاورزی، ساختمان‌ها/شهرک‌ها و زمین‌های بایر بود ( شکل 6 الف). ارزیابی دقت نشان داد که نقشه تولید شده دارای دقت کلی 92.4 درصد است.
این مطالعه از داده‌های بارش ماهانه برای دوره 2010 تا 2019، دانلود شده از https://apps.ecmwf.int/datasets ، (دسترسی در 18 اوت 2021) با اندازه پیکسل 0.25 × 0.25 درجه و نمونه‌برداری مجدد به 30 متر استفاده کرد. اندازه پیکسل با استفاده از روش نمونه گیری مجدد نزدیکترین همسایه. نقشه بارندگی با استفاده از روش درون یابی با وزن معکوس فاصله (IDW) تولید شد و به پنج گروه طبقه بندی شد ( شکل 6 ج): (315-461 میلی متر)، (461-560 میلی متر)، (560-634 میلی متر) ، (634-778 میلی متر) و (778-1042 میلی متر).
نقشه سنگ شناسی حوضه از نقشه زمین شناسی مراکش در مقیاس 1:000 000 دیجیتالی شد. طبقات سنگ شناسی در منطقه مورد مطالعه شامل چهار کلاس است که در شکل 6 ب نشان داده شده است.

2.5. تجزیه و تحلیل چند خطی

همبستگی متغیرهای شرطی‌سازی با تحلیل چند خطی نشان داده می‌شود، که برای انتخاب عامل کنترل بهینه برای نقشه‌برداری حساسیت فرسایش خندقی استفاده شد [ 71 ]. بسیاری از محققان به ارزش متغیرهای کنترل کننده، به ویژه برای نگاشت حساسیت خندق، نگاه کرده اند و تقریباً همه به این نتیجه رسیده اند که اهمیت هر متغیر عمدتاً توسط محیط اطراف آن تعیین می شود [ 37 ، 40 ]. در این مطالعه، تجزیه و تحلیل چند خطی با استفاده از فاکتورهای تورم واریانس (VIF) انجام شد که معکوس تحمل ضربی (TOL) را نشان می‌دهد، که به صورت 1 – R2 محاسبه می‌شود، جایی که R2 از طریق برگرداندن همه متغیرهای حاصل در رگرسیون چند متغیره محاسبه می‌شود [ 40 ].]. تجزیه و تحلیل ضربی با استفاده از 12 متغیر ژئومحیطی که قبلا تهیه شده بود انجام شد. از ادبیات، مشهود است که مقادیر TOL = 0.10، و VIF = 0.5 مسائلی را در چند خطی کلی نشان می دهد [ 72 ]. برای تجزیه و تحلیل چند خطی، معادلات مورد استفاده برای استخراج تلورانس و VIF به ترتیب به عنوان معادلات (3) و (4) آورده شده است.

تحمل = 1 – R 2 j
VIF = 1 / تحمل

که در آن R2j ضریب تعیین رگرسیون برای متغیر j است.

3. پیشینه مدل ها و روش ها

3.1. نسبت فرکانس (FR)

مدل FR یک نظریه احتمال را برای تعریف رابطه بین متغیرهای مستقل و وابسته اطلاعات مکانی با استفاده از رویکرد نگاشت چند کلاسه اتخاذ می کند [ 73 ]. برای انواع مخاطرات زیست محیطی مانند زمین لغزش [ 74 ]، سیل [ 75 ]، آتش سوزی جنگل [ 76 ] و نقشه برداری حساسیت فرسایش خندقی [ 77 ] استفاده شده است. این یک شاخص آماری احتمال دو متغیره است که برای شناسایی رابطه فضایی بین فرسایش و عوامل مختلف مؤثر در فرسایش خندقی در منطقه استفاده می‌شود. مدل FR را می توان به صورت (معادله (5)) تعریف کرد:

Fr i = b/a

که در آن b نسبت بین پیکسل های فرسایشی به تعداد کل پیکسل های فرسایشی است، a نسبت بین سلول های بدون فرسایش به تعداد کل سلول های بدون فرسایش است، در حالی که افrمناف�مناهمیت عامل شرطی سازی را در رابطه با وقوع فرسایش نشان می دهد. FR > 1 نشان دهنده همبستگی بالا با احتمال فرسایش است، در حالی که FR <1 نشان دهنده همبستگی کم است.

3.2. جنگل تصادفی (RF)

مدل RF بر اساس اصل ساخت چندین درخت تصمیم از زیر مجموعه های مختلف داده کار می کند. RF یک رویکرد یکپارچه است که ایده های پیشنهاد شده در [ 78 ] را با روش های شرح داده شده در [ 79 ] ترکیب می کند. RF زمانی شروع به رشد می‌کند که الگوریتم متغیرها و اهداف را پیش‌بینی می‌کند و منجر به درخت تصمیم می‌شود که می‌تواند بیشتر هرس شود [ 80 ]. یک RF آنقدر بزرگ است که توضیح آن بسیار دشوار است. لازم است اطلاعات آن با استفاده از شاخص های کمی خلاصه شود. شاخص های معروف عبارتند از میانگین کاهش شاخص جینی و میانگین کاهش دقت [ 80 ]. RF از میانگین کاهش دقت و میانگین کاهش شاخص جینی در رتبه بندی عوامل استفاده می کند [ 40 , 81 ]].

3.3. ماشین بردار پشتیبانی (SVM)

SVM یک روش الگوریتم ML معمولی است که از تئوری یادگیری آماری مبتنی بر حداقل سازی ریسک ساختاری (SRM) استفاده می کند [ 82 ]. این الگوریتم برای حل مسائل تحلیل رگرسیون و طبقه‌بندی کننده مناسب است [ 64 ]. به طور کلی، چهار نوع تابع محاسباتی در SVM مورد استفاده قرار گرفت: هسته خطی (LN)، هسته چند جمله ای (PL)، هسته سیگموئید، و تابع پایه شعاعی (RBF) [ 70 ، 83 ]. دقت پیش‌بینی معمولاً به انتخاب نوع تابع بستگی دارد [ 84 ]. مدل SVM فقط برای داده های خطی به خوبی کار می کند. در مورد مجموعه داده های غیرخطی، داده های غیرخطی را با استفاده از به اصطلاح “ترفند هسته” [ 85 ] به خطی تبدیل می کند.

3.4. بیز ساده (NB)

مدل NB بر اساس قضیه بیز است که از مجموعه ای از الگوریتم های مجموعه برای طبقه بندی استفاده می کند [ 86 ]. این یک خانواده از الگوریتم‌ها است که در آن همه متغیرهای توضیحی کاملاً مستقل از یکدیگر هستند که یک اصل مشترک دارند [ 87 ]. مدل NB در برابر نویز و مدل‌های بی‌احترامی مناسب است [ 88 ]. این مدل همچنین می تواند با مقدار نسبتاً کمی از داده های آموزشی برای تخمین پارامترها برای طبقه بندی استفاده شود [ 89 ].

3.5. اعتبار سنجی مدل

اعتبارسنجی مدل‌های توسعه‌یافته بخش اساسی هر مطالعه مدل‌سازی است [ 90 ، 91]. از این رو چندین شاخص آماری به طور گسترده مورد استفاده قرار گرفت و از جمله آنها دقت، ویژگی، حساسیت و دقت در این تحقیق محاسبه شد. دقت کلی (OA) احتمال وقوع پیکسل‌هایی است که به درستی طبقه‌بندی شده‌اند که با مجموع مثبت و منفی واقعی تقسیم بر تمام تست‌های تکی موجود محاسبه می‌شوند. شکل معادله OA در رابطه (6) آورده شده است. ویژگی، همچنین به عنوان نرخ مثبت واقعی شناخته می شود، نشان دهنده نسبت پیکسل های فرسایش خندقی است که به درستی به عنوان فرسایش خندقی پیش بینی شده است (معادله (8)). حساسیت فقط بر روی پیکسل‌های طبقه‌بندی شده صحیح از داده‌های آزمایش تمرکز می‌کند و با تقسیم مقادیر منفی واقعی بر مجموع منفی واقعی و مثبت کاذب محاسبه می‌شود (معادله (7)).

دقت = (TP + TN) / TP + TN + FP + FN
حساسیت = TP/TP + TN
ویژگی = TN/TN + FP
دقت = TP/TP + FP

که در آن TP مثبت واقعی، TN منفی واقعی، FP مثبت کاذب و FN منفی کاذب است. برای AUC (منطقه زیر منحنی مشخصه عملکرد گیرنده) و منحنی مشخصه عملکرد گیرنده (ROC)، روی محور y، حساسیت رسم می‌شود و محور x ویژگی را از نظر وقوع احتمال فرسایش خندقی نشان می‌دهد.

3.6. اهمیت متغیر با استفاده از شاخص به دست آوردن اطلاعات

شاخص های آماری مختلفی برای انتخاب ویژگی استفاده شده است که عبارتند از، ارتفاع ویژگی یک قانون (ORAE) [ 92 ]، حذف رو به جلو [ 93 ]، حذف به عقب [ 93 ] و افزایش اطلاعات (IG) [ 94 ]. بر اساس نتایج مدل RF-FR، IG برای آشکار کردن اهمیت هر عامل شرطی برای فرآیند مدل‌سازی استفاده شد [ 95 ].

4. نتایج

4.1. نتایج نسبت فرکانس

FR برای نشان دادن رابطه بین فرسایش خندقی به عنوان متغیر وابسته و هر عامل تهویه فرسایش خندقی به عنوان متغیرهای مستقل محاسبه شد. بر اساس یافته‌های این تحلیل ( جدول 2 )، بالاترین مقدار FR (یعنی 3.528) در کلاس سنگ‌شناسی سنومانین تا سانتونین با رخساره‌های ریف «فلیش» از لغزش تیسرین یافت شد که نشان‌دهنده ناحیه مستعدتر به فرسایش خندقی است. عمدتاً از تناوب ماسه سنگ مارن-فلیش سنگ آهک و فلیش ماسه سنگ، حساس تر به فرسایش و به دنبال آن بالاترین کلاس بارندگی (885-1042) (یعنی 3.058) تشکیل شده است.
پایین ترین کلاس های شیب، ارتفاع، انحنا، انحنای پلان، فاصله از جاده، فاصله از نهر، تراکم زهکشی، TWI و SPI بیشتر در معرض فرسایش خندقی هستند. از تجزیه و تحلیل پارامتر LULC، مشاهده شد که این فرسایش بیشتر در کلاس زمین های بایر و به دنبال آن کلاس ساختمان/سکونتگاه رخ می دهد. برای فاکتور جنبه نیز مشاهده شد که حساسیت به فرسایش خندقی در مناطق مسطح بارزتر است.

4.2. نتایج ارزیابی چند خطی

تجزیه و تحلیل چند خطی نشان دهنده همبستگی متغیرهای شرطی، همبسته یا مرتبط [ 46 ] است. در این مطالعه برای تحلیل همبستگی بین عوامل فرسایش خندقی (متغیرهای مستقل) استفاده شد. برای انجام این کار، از دو شاخص استفاده کردیم: TOL و VIF [ 64 ]. اگر مقدار TOL کمتر از 0.1 و مقدار VIF بیشتر از 10 باشد [ 96 ]، همخطی بین متغیرها وجود دارد. نتایج ما ( جدول 3) نشان داد که LULC کمترین مقدار تحمل را در بین عوامل تهویه کننده فرسایش خندقی (454/0) و جنبه دارای بیشترین مقدار تحمل (893/0) بود. در مورد ضریب تورم واریانس (VIF) بیشترین مقدار 203/2 (LULC) و کمترین مقدار 120/1 (جهت) بود. این عوامل تهویه فرسایش خندقی دارای مقادیر تحمل بیشتر از 0.1 و مقادیر VIF کمتر از 0.1 و 10 بودند، که نشان می دهد هیچ خطی در بین این عوامل وجود ندارد. بنابراین تمامی 12 عامل شرطی در این تحقیق حفظ شدند.

4.3. شناسایی مناطق خندقی

بر اساس مجموعه داده آموزشی، نقشه‌های فرسایش خندقی با استفاده از طبقه‌بندی شکست‌های طبیعی، موجود در Arc GIS 10.4 تولید شده‌اند. بنابراین، پنج دسته شناسایی شده است: کلاس های حساسیت به فرسایش خندقی بسیار کم، کم، متوسط، زیاد و بسیار زیاد. شکل 7 و جدول 4توزیع فضایی طبقات حساسیت را در نقشه‌های حساسیت فرسایش خندقی ارائه می‌کند. در نقشه حساسیت فرسایش خندقی که با استفاده از مدل RF ساخته شده است، 25.98 درصد از منطقه مورد مطالعه دارای حساسیت بسیار بالایی در برابر فرسایش بوده، در حالی که 17.88، 19.30، 19.64 درصد و 17.20 درصد منطقه به عنوان بسیار کم، کم طبقه بندی شده است. به ترتیب حساسیت متوسط ​​و زیاد. در مورد مدل SVM، 22.62 درصد از منطقه به عنوان حساسیت بسیار بالا، در حالی که 15.01، 14.4، 20.00 درصد و 27.95 درصد به ترتیب دارای حساسیت بسیار کم، کم، متوسط ​​و زیاد بودند. برای مدل NB، 27.10 درصد از منطقه مورد مطالعه در رده خطر بسیار زیاد خندقی طبقه بندی شد، در حالی که 17.40، 17.67، 20.37 درصد و 17.44 درصد به ترتیب دارای حساسیت بسیار کم، کم، متوسط ​​و زیاد بودند. شکل 7توزیع مکانی فرسایش خندقی در حوزه آبخیز را نشان می دهد. با مقایسه توزیع فضایی فرسایش خندقی به‌دست‌آمده توسط تمام مدل‌های مورد استفاده، یک همگنی آرام از مناطق مستعد فرسایش در سراسر حوضه به وضوح مشاهده شد. بیشترین مناطق فرسایش یافته در بخش های مختلف حوضه قرار داشتند که عمدتاً با تغییر در شیب مشخص می شدند و به سرعت انتقال رسوبات را افزایش می دادند. سنگ شناسی مشخصه این حوضه می تواند دلیل دیگری باشد [ 97 ]. علاوه بر این، شیوه های نامناسب کشاورزی و چرای بی رویه نیز به عنوان سایر عوامل محرک در فرسایش خندقی در این منطقه مورد مطالعه عمل کردند [ 62 ].

4.4. اهمیت متغیر

اهمیت متغیرها برای نقشه برداری فرسایش خندقی بر اساس مدل RF انجام شد. همانطور که در شکل 8 مشاهده می شود ، TWI (1.78)، LULC (1.73)، فاصله از جریان (1.47)، تراکم زهکشی (1.45)، شیب (1.42)، جنبه (1.34)، بارندگی (1.28)، SPI (1.06) و فاصله از جاده (02/1) مهم‌ترین فاکتورها برای نقشه‌برداری حساسیت فرسایش خندقی بودند، در حالی که ارتفاع (79/0)، انحنای پلان (76/0) و سنگ‌شناسی (74/0) کمترین اهمیت را داشتند.

4.5. اعتبار سنجی مدل های فرسایش خندقی

نتایج اعتبارسنجی برای هر دو مجموعه داده آموزشی و اعتبارسنجی با استفاده از دقت، دقت و AUC در جدول 5 و شکل 9 ارائه شده است. پارامترهای آماری برای هر مدل برای هر دو مجموعه داده آموزشی و اعتبار سنجی تقریباً یکسان بود، با یک تفاوت جزئی به نفع AUC برای مدل FR-NB.

5. بحث

عملکرد مؤثر خاک تأثیر قابل توجهی بر خدمات اکوسیستم دارد و با دستیابی به SDGs مرتبط است. سیستم خاک-آب مهمترین مؤلفه در دستیابی به اهداف توسعه پایدار با تمرکز بر خنثی کردن تخریب زمین و احیای زمین است [ 4 ، 5 ]. با تغییر روند استفاده از زمین و متراکم شدن خاک مولد، تخریب بیش از حد در زمین های مولد در سطح جهان به دلیل فرسایش خندقی مشاهده می شود. در نتیجه یکی از مهم ترین مسائل برای توسعه بلندمدت محیط زیست و فعالیت های اقتصادی، جلوگیری از تخریب زمین است. بنابراین، برنامه ریزی گسترده و حفاظت از فرسایش همیشه ضروری بوده است.
روش‌های یادگیری ماشین ابزاری قابل اعتماد برای کاهش و کنترل تأثیر فرسایش خندقی در مناطق مختلف در سراسر جهان هستند. بر اساس پایگاه داده Web of Science (WoS) و با استفاده از کلیدواژه‌های رایج «استعداد فرسایش خندقی» و «الگوریتم‌های یادگیری ماشینی»، 9 مقاله منتشر شده بین سال‌های 2019 تا 2021 از نقاط مختلف جهان انتخاب شدند و نتایج آنها در جدول گزارش شده است. 6. RF در مقایسه با رویکردهای مختلف، مدل‌هایی را با دقت بالا تولید می‌کند و این به دلیل توانایی آن در مدیریت مجموعه داده‌های بزرگ و تولید طبقه‌بندی سریع، بر اساس ویژگی‌های متعدد است. علاوه بر این، RF به طور گسترده برای ارزیابی اهمیت هر متغیر مورد استفاده به منظور محاسبه یک طبقه‌بندی چندگانه و ارزیابی دقت خود و مناسب بودن آن برای فرآیند مدل‌سازی استفاده می‌شود [ 98 ].
در این تحقیق رابطه بین وقوع فرسایش خندقی و عوامل مختلف محیطی برای حوضه آبخیز GHISS بررسی شد. ما از سه مدل ترکیبی ML (به عنوان مثال، RF-FR، SVM-FR، و NB-FR) برای نقشه‌برداری حساسیت فرسایش خندقی استفاده کردیم. ما دریافتیم که مدل FR-RF در مقایسه با مدل‌های دیگر به نتایج عملکرد بهتری دست یافت. یافته های ما با مطالعات قبلی، برای مثال [ 36 ، 40 ] سازگار است. در یک مطالعه [ 103 ]، نویسندگان استدلال کردند که عملکرد بهتر RF به این دلیل است که کمتر مستعد برازش بیش از حد و پرت در مجموعه داده آموزشی است.
از نظر دقت، مدل RF به دلیل ظرفیت آن برای رسیدگی به داده‌های غیرخطی، توسط مدل SVM-FR دنبال می‌شود و نتایج خوبی هم برای مسائل طبقه‌بندی و هم رگرسیون در بسیاری از کاربردها به همراه داشته است [ 104 ].
عملکرد NB-FR کمی ضعیف تر از مدل های دیگر بود. استقلال مشروط بین ویژگی ها را فرض می کند [ 105 ]. با نتایج عالی در مقالات قبلی [ 106 ] استفاده شده است.
بر اساس نتایج ما، از بین متغیرهای مدل، LULC و شاخص رطوبت توپوگرافی (TMI) بیشترین اهمیت را در افزایش عملکرد مدل‌های هیبریدی نشان دادند. تغییر کاربری اراضی با تغییر خصوصیات هیدرولوژیکی و فیزیکوشیمیایی خاک بر فرسایش خندقی تأثیر می گذارد. عوامل دیگر، مانند فاصله از جریان، تراکم زهکشی و شیب نیز خروجی اهمیت معقولی را پس از LULC و TWI نشان دادند. پوشش گیاهی به دلیل نقش ریشه گیاه، آبکندها را تثبیت می کند. بنابراین، مناطق بدون پوشش گیاهی کم و کم بیش از همه تحت تأثیر فرسایش خندقی قرار می گیرند و به طور گسترده در معرض بارندگی و رواناب هستند. منابع زمینی در بخش شمالی مراکش که مشخص شده است تحت تأثیر فعالیت‌های محیطی و انسانی هستند، عمدتاً عبارتند از: بی‌نظمی بارندگی [ 107 ، 108 ]]، شیب های تند و واحدهای زمین شناسی ضعیف، یعنی نوع سازند زمین شناسی که قسمت های شمالی را تشکیل می دهد، اراضی را مستعد فرسایش می کند. علاوه بر این، کشت شاهدانه تبدیل به یک عمل پیچیده و چالش برانگیز برای کنترل شده است که منجر به از بین رفتن جنگل‌ها و تسریع فرآیندهای فرسایش خاک می‌شود [ 76 ]]. بنابراین، رویکرد توسعه‌یافته در این مطالعه می‌تواند در پیش‌بینی فرسایش خندقی مؤثر باشد. نقشه های تولید شده در اینجا می تواند مرجع خوبی برای کاهش پدیده فرسایش خندقی باشد و می تواند به عنوان ابزاری ارزشمند برای ایجاد راهبردها و اقدامات پایدار مورد استفاده قرار گیرد. لازم به ذکر است که یک الگوریتم کامل در مقایسه با سایرین وجود ندارد، زیرا هر کدام مزایا و معایب خاص خود را دارند و هر الگوریتم مفید بودن خود را برای هر مورد مطالعه برجسته می کند.

6. نتیجه گیری

استفاده از الگوریتم‌های ML برای مدل‌سازی مخاطرات زیست‌محیطی، به لطف پیشرفت‌های فناوری اینترنت اشیا (IoT) در بسیاری از مطالعات مورد توجه قرار گرفته است. ارتباط بین وقوع فرسایش خندقی و عوامل مختلف محیطی برای منطقه مورد مطالعه بررسی شد. همانطور که در این مطالعه بررسی شد، سه مدل ترکیبی (FR-RF، FR-SVM، و FR-NB) برای نقشه‌برداری حساسیت فرسایش خندقی شرح داده شده‌اند. نتایج این مطالعه نشان داد که مدل هیبریدی FR-RF نسبت به سایر مدل‌های توسعه‌یافته برای نقشه‌برداری حساسیت فرسایش خندقی عملکرد بهتری داشت. به طور خلاصه، این مطالعه نشان داد که استفاده از مدل‌های ترکیبی ML برای فرسایش خندقی بهتر از مدل‌های تک ML است که با مطالعات قبلی همخوانی دارد. روش پیشنهادی در این مطالعه را می توان برای مناطق تحت تاثیر فعالیت های محیطی و انسانی یکسان، که شامل، به عنوان مثال، بی نظمی بارندگی، شیب های تند، و واحدهای زمین شناسی ضعیف، برای نقشه برداری فرسایش خندقی، اعمال کرد. برای تشریح مطالعات جدید، محققان تشویق می شوند تا از سه مدل فوق برای پرداختن به سوالات جدید و جهت گیری های تحقیق استفاده کنند. تحقیقات بیشتر ممکن است کاربرد روش‌های یادگیری عمیق را در نقشه‌برداری فرسایش خندقی از مناطق محلی به منطقه‌ای در نظر بگیرد.

منابع

  1. دومازتوویچ، اف. شیلژگ، ا. لونچار، ن. Marić، I. توسعه خودکار تجزیه و تحلیل GIS چند معیاره حساسیت فرسایش آبکی. Appl. Geogr. 2019 ، 112 ، 102083. [ Google Scholar ] [ CrossRef ]
  2. فاضل، HM; صالح، AA; علی، IA; Inanaga، S. استفاده از سنجش از دور برای ترسیم فرسایش خندقی در امتداد رودخانه Atbara، سودان. بین المللی J. Appl. زمین Obs. Geoinf. 1999 ، 1 ، 175-180. [ Google Scholar ] [ CrossRef ]
  3. Magliulo، P. ارزیابی حساسیت به فرسایش خاک ناشی از آب با استفاده از یک رویکرد ژئومورفولوژیکی، دو متغیره مبتنی بر آمار. محیط زیست علوم زمین 2012 ، 67 ، 1801-1820. [ Google Scholar ] [ CrossRef ]
  4. دولی، ای. رابرتز، ای. Wunder، S. بی طرفی تخریب زمین تحت SDGs: اجرای ملی و بین المللی هدف جهانی خنثی تخریب زمین. النی. Rev. 2015 , 1 , 2-9. [ Google Scholar ] [ CrossRef ]
  5. سافریل، بی‌طرفی تخریب زمین (LDN) در سرزمین‌های خشک و فراتر از آن – از کجا آمده و به کجا می‌رود. سیلوا فن 2017 ، 51 ، 20-24. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. دوران زوآزو، وی.اچ. Rodríguez Pleguezuelo، CR جلوگیری از فرسایش خاک و رواناب توسط پوشش های گیاهی. بازنگری. آگرون. حفظ کنید. توسعه دهنده 2008 ، 28 ، 65-86. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. لعل، R. تأثیر فرسایش خاک بر بهره وری زراعی و کیفیت محیط. کریت Rev. Plant Sci. 1998 ، 17 ، 319-464. [ Google Scholar ] [ CrossRef ]
  8. پیتر، KD; d’Oleire-Oltmanns، S. Ries، JB; مارزولف، آی. Ait Hssaine، A. فرسایش خاک در حوضه آبریز متاثر از اقدامات تسطیح زمین در حوضه Souss، مراکش، تجزیه و تحلیل شده توسط شبیه سازی بارش و داده های سنجش از دور پهپاد. CATENA 2014 ، 113 ، 24-40. [ Google Scholar ] [ CrossRef ]
  9. سیمونو، وی. چگور، ا. دشان، سی. مولو، اف. سردان، او. Le Bissonnais، Y. استفاده از زمین و اثرات تغییر آب و هوا بر فرسایش خاک در یک حوزه آبخیز کوهستانی نیمه خشک (اطلس مرتفع، مراکش). J. محیط خشک. 2015 ، 122 ، 64-75. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. عضدو، ع. لاحسینی، س. خطابی، ع. ملیهو، م. Rifai, N. مقایسه روش‌شناختی سه مدل برای نقشه‌برداری حساسیت فرسایش خندقی در شهرداری روستایی الفید (مراکش). پایداری 2021 ، 13 ، 682. [ Google Scholar ] [ CrossRef ]
  11. طیری، ع. المودن، ا. بوشاو، ال. ابولوافا، M. نقشه برداری از سایت های مستعد فرسایش خاک از طریق GIS و سنجش از دور برای حوضه Tifnout Askaoun، جنوب مراکش. عرب جی. ژئوشی. 2021 ، 14 ، 811. [ Google Scholar ] [ CrossRef ]
  12. کچوری، س. آچور، اچ. ابیده، ح. بوعزیز، S. نقشه‌برداری خطر فرسایش خاک با استفاده از فرآیند تحلیل سلسله مراتبی و رگرسیون لجستیک: مطالعه موردی حوضه حفوز، تونس مرکزی. عرب جی. ژئوشی. 2015 ، 8 ، 4257-4268. [ Google Scholar ] [ CrossRef ]
  13. سها، س. گاین، ا. پورقاسمی، HR; Tiefenbacher، JP شناسایی نواحی مستعد فرسایش خاک با استفاده از منطق فازی و مدل‌سازی فرآیند سلسله مراتبی تحلیلی در حوزه کشاورزی منطقه Burdwan، هند. محیط زیست علوم زمین 2019 ، 78 ، 649. [ Google Scholar ] [ CrossRef ]
  14. سنوسی، آر. طیبی، ن.-ه. تئودورو، AC; دوارته، ال. منصور، ح. Yahia Meddah، R. دانش تخصصی مبتنی بر GIS برای نقشه‌برداری حساسیت زمین لغزش (LSM): مورد ناحیه ساحلی مستغانم، غرب الجزایر. پایداری 2021 ، 13 ، 630. [ Google Scholar ] [ CrossRef ]
  15. سنانایاک، اس. پرادان، بی. هیوت، ا. برنان، جی. ارزیابی خطرات فرسایش خاک با استفاده از روش تغییر کاربری و نسبت فراوانی زمین لغزش: مطالعه موردی استان ساباراگامووا، سریلانکا. Remote Sens. 2020 , 12 , 1483. [ Google Scholar ] [ CrossRef ]
  16. تهرانی، ام اس; شعبانی، ف. خاویر، دی.ان. کومار، L. نقشه‌برداری حساسیت به فرسایش خاک برای شرایط آب و هوایی کنونی و 2100 با استفاده از تابع اعتقاد شواهد و نسبت فراوانی. Geomat. نات. خطر خطرات 2017 ، 8 ، 1695-1714. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. عربامری، ع. پرادان، بی. رضایی، K. نقشه‌برداری پهنه‌بندی فرسایش خندقی با استفاده از رگرسیون وزن‌دار جغرافیایی یکپارچه با عامل قطعی و مدل‌های جنگل تصادفی در GIS. جی. محیط زیست. مدیریت کنید. 2019 ، 232 ، 928–942. [ Google Scholar ] [ CrossRef ]
  18. آذره، ع. رحمتی، ا. رفیعی سردویی، ا. Sankey، JB; لی، اس. شهابی، ح. احمد، BB مدل‌سازی حساسیت فرسایشی خندقی در یک منطقه نیمه خشک، ایران: بررسی کاربرد مدل‌های عامل قطعیت و حداکثر آنتروپی. علمی کل محیط. 2019 ، 655 ، 684-696. [ Google Scholar ] [ CrossRef ]
  19. همبرام، TK; پل، جی سی; Saha, S. تجزیه و تحلیل مقایسه ای بین مورفومتری و ارزیابی ریسک فرسایش خاک مبتنی بر عوامل ژئومحیطی با استفاده از مدل وزن شواهد: مطالعه بر روی حوضه رودخانه Jainti، شرق هند. محیط زیست روند. 2019 ، 6 ، 883-913. [ Google Scholar ] [ CrossRef ]
  20. ملیهو، م. خطابی، ع. Mhammdi، N. یک رویکرد مبتنی بر GIS برای مدل‌سازی حساسیت فرسایش آبکی با استفاده از روش‌های آماری دو متغیره در حوزه آبخیز اوریکا، مراکش. محیط زیست علوم زمین 2018 ، 77 ، 655. [ Google Scholar ] [ CrossRef ]
  21. پورقاسمی، HR; محمدی، م. پرادان، ب. نقشه‌برداری حساسیت زمین لغزش با استفاده از شاخص آنتروپی و مدل‌های احتمال شرطی در GIS: حوضه صفارود، ایران. CATENA 2012 ، 97 ، 71-84. [ Google Scholar ] [ CrossRef ]
  22. پورنادر، م. احمدی، ح. فیض نیا، س. کریمی، ح. پیروان، پیش بینی فضایی HR حساسیت به فرسایش خاک: ارزیابی مدل حداکثر آنتروپی. علوم زمین به اطلاع رساندن. 2018 ، 11 ، 389-401. [ Google Scholar ] [ CrossRef ]
  23. نصرتی، ک. ارزیابی شاخص کیفیت خاک تحت کاربری های مختلف و فرسایش خاک با استفاده از تکنیک های آماری چند متغیره. محیط زیست نظارت کنید. ارزیابی کنید. 2013 ، 185 ، 2895-2907. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  24. سرکار، تی. Mishra, M. نگاشت حساسیت به فرسایش خاک با استفاده از رگرسیون لجستیک و شبکه عصبی مصنوعی. J. Geovisualization Spat. مقعدی 2018 ، 2 ، 8. [ Google Scholar ] [ CrossRef ]
  25. غلامی، و. سحور، ح. هادیان امری، کارشناسی ارشد مدل‌سازی فرسایش خاک با استفاده از پین‌های فرسایشی و شبکه‌های عصبی مصنوعی. CATENA 2021 ، 196 ، 104902. [ Google Scholar ] [ CrossRef ]
  26. غلامی، و. بوئیج، ام جی; نیکزاد تهرانی، ا. هادیان، کارشناسی ارشد برآورد فرسایش فضایی خاک با استفاده از شبکه عصبی مصنوعی (ANN) و داده‌های نمودار میدانی. CATENA 2018 ، 163 ، 210-218. [ Google Scholar ] [ CrossRef ]
  27. غذا، تلویزیون؛ نگوین، اچ. تران، X.-L. Hoang، N.-D. پیش‌بینی فرسایش خاک ناشی از بارندگی بر اساس هیبریداسیون تکامل دیفرانسیل تطبیقی ​​و طبقه‌بندی ماشین بردار پشتیبان. ریاضی. مشکل مهندس 2021 ، 2021 ، 6647829. [ Google Scholar ] [ CrossRef ]
  28. عربامری، ع. اسدی نلیوان، ا. چاندرا پال، اس. چاکرابورتی، آر. سها، ع. لی، اس. پرادان، بی. تین بوئی، دی. رویکردهای یادگیری ماشینی جدید برای مدل‌سازی حساسیت فرسایش آبکی. Remote Sens. 2020 , 12 , 2833. [ Google Scholar ] [ CrossRef ]
  29. قوش، ع. Maiti، R. ارزیابی حساسیت به فرسایش خاک با استفاده از رگرسیون لجستیک، درخت تصمیم و جنگل تصادفی: مطالعه بر روی حوضه رودخانه مایوراکشی در شرق هند. محیط زیست علوم زمین 2021 ، 80 ، 328. [ Google Scholar ] [ CrossRef ]
  30. فینزی، ک. نگتار، NS; Ebhuoma، O. ارزیابی ریسک فرسایش خاک در حوضه آبریز Umzintlava (T32E)، کیپ شرقی، آفریقای جنوبی، با استفاده از الگوریتم RUSLE و جنگل تصادفی. اس افر. Geogr. J. 2021 ، 103 ، 139-162. [ Google Scholar ] [ CrossRef ]
  31. چوبین، بی. مرادی، ا. گلشن، م. آداموفسکی، جی. ساجدی حسینی، ف. موسوی، ع. پیش‌بینی گروهی حساسیت به سیل با استفاده از تجزیه و تحلیل تفکیک چند متغیره، طبقه‌بندی و رگرسیون درختان و ماشین‌های بردار پشتیبان. علمی کل محیط. 2019 ، 651 ، 2087–2096. [ Google Scholar ] [ CrossRef ]
  32. لی، اس. لی، ام.-جی. یونگ، اچ.-اس. لی، اس. نقشه‌برداری حساسیت زمین لغزش با استفاده از مدل‌های ساده بیز و شبکه بیزی در Umyeonsan، کره. Geocarto Int. 2020 ، 35 ، 1665-1679. [ Google Scholar ] [ CrossRef ]
  33. موسوی، ع. ساجدی حسینی، ف. چوبین، بی. طارمیده، ف. رهی، گ. Dineva، A. نگاشت حساسیت فرسایش آب خاک با استفاده از مدل های یادگیری ماشینی. Water 2020 ، 12 ، 1995. [ Google Scholar ] [ CrossRef ]
  34. لی، ایکس. چن، دبلیو. آوند، م. جانی زاده، س. کریمی نژاد، ن. شهابی، ح. کاستاش، آر. شهابی، ح. شیرزادی، ع. موسوی، الف. الگوریتم‌های یادگیری ماشین مبتنی بر GIS برای نقشه‌برداری حساسیت فرسایش خندقی در یک منطقه نیمه خشک ایران. Remote Sens. 2020 , 12 , 2478. [ Google Scholar ] [ CrossRef ]
  35. سها، س. روی، جی. عربامری، ع. بلاشکه، تی. تین بوئی، دی. نقشه‌برداری حساسیت فرسایش آبکی مبتنی بر یادگیری ماشینی: مطالعه موردی هند شرقی. Sensors 2020 , 20 , 1313. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  36. گاین، ا. پورقاسمی، HR; سها، س. کیسترا، اس. ارزیابی حساسیت فرسایش آبکی و مدیریت مناطق مستعد خطر در هند با استفاده از الگوریتم‌های مختلف یادگیری ماشین. علمی کل محیط. 2019 ، 668 ، 124-138. [ Google Scholar ] [ CrossRef ]
  37. پال، SC; عربامری، ع. بلاشکه، تی. چودوری، آی. سها، ع. چاکرابورتی، آر. لی، اس. گروه، گروه SS از روش‌های یادگیری ماشینی برای پیش‌بینی حساسیت فرسایش آبکی. Remote Sens. 2020 , 12 , 3675. [ Google Scholar ] [ CrossRef ]
  38. سلیمان پور، س.م. پورقاسمی، HR; زارع، م. ارزیابی مقایسه‌ای مدل‌سازی پیش‌بینی فضایی فرسایش خندقی با استفاده از مدل‌های آماری و یادگیری ماشینی. CATENA 2021 , 207 , 105679. [ Google Scholar ] [ CrossRef ]
  39. رضوی ترمه، SV; صادقی نیارکی، ع. چوی، اس.-ام. نقشه‌برداری حساسیت فرسایش آبکی با استفاده از هوش مصنوعی و مدل‌های آماری. Geomat. نات. خطر خطرات 2020 ، 11 ، 821-844. [ Google Scholar ] [ CrossRef ]
  40. پورقاسمی، HR; صداسیوام، ن. کریمی نژاد، ن. Collins، AL Gully Erosion Spatial Modeling: نقش الگوریتم های یادگیری ماشین در انتخاب بهترین عوامل کنترل و فرآیند مدل سازی. Geosci. جلو. 2020 ، 11 ، 2207–2219. [ Google Scholar ] [ CrossRef ]
  41. آوند، ج. جانی زاده، س. نقیبی، س. پورقاسمی، HR; بزچالویی، SK; Blaschke, T. ارزیابی مقایسه‌ای طبقه‌بندی‌کننده‌های جنگل تصادفی و K-نزدیک‌ترین همسایه برای نقشه‌برداری حساسیت فرسایش آبکی. Water 2019 ، 11 ، 2076. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  42. فام، QB; موکرجی، ک. نوروزی، ع. Linh، NTT؛ جانی زاده، س. احمدی، ک. سردا، آ. Doan، TNC; مدل‌سازی حساسیت فرسایشی خندقی آنه، DT بر اساس جنگل تصادفی با درختان مورب در حوضه آبخیز فراقان، ایران. Geomat. نات. خطر خطرات 2020 ، 11 ، 2385-2410. [ Google Scholar ] [ CrossRef ]
  43. عربامری، ع. چن، دبلیو. لومباردو، ال. بلاشکه، تی. مدل‌های هوش محاسباتی ترکیبی برای بهبود ارزیابی فرسایش آبکی. Remote Sens. 2020 , 12 , 140. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. احمدپور، ح. بذرافشان، ا. رفیعی سردویی، ا. زمانی، ح. Panagopoulos، T. Gully Erosion Assessibility در حوضه آبخیز کندوران با استفاده از الگوریتم های یادگیری ماشین و انتخاب ویژگی Boruta. پایداری 2021 ، 13 ، 10110. [ Google Scholar ] [ CrossRef ]
  45. چن، ی. چن، دبلیو. جانی زاده، س. Bhunia، GS; برا، ا. فام، کیو بی؛ Linh، NTT؛ بالوگون، ع.-ال. Wang، X. چارچوب یادگیری عمیق و تقویت برای مدل‌سازی حساسیت فرسایش لوله‌کشی: ارزیابی فضایی مناطق کشاورزی در منطقه نیمه‌خشک. ژئوکارتو بین المللی 2021 ، 12 ، 1-27. [ Google Scholar ] [ CrossRef ]
  46. یانگ، آ. وانگ، سی. پانگ، جی. لانگ، ی. وانگ، ال. Cruse، RM; Yang, Q. نقشه‌برداری حساسیت فرسایش آبکی در زمین‌های بسیار پیچیده با استفاده از مدل‌های یادگیری ماشین. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 680. [ Google Scholar ] [ CrossRef ]
  47. سها، س. سرکار، ر. تاپا، جی. روی، جی. مدل‌سازی حساسیت فرسایش آبکی در Phuentsholing، بوتان با استفاده از یادگیری عمیق و الگوریتم‌های یادگیری ماشین پایه. محیط زیست علوم زمین 2021 ، 80 ، 295. [ Google Scholar ] [ CrossRef ]
  48. کدوی، پ. لی، سی.- دبلیو. لی، اس. کاربرد مدل‌های یادگیری ماشینی مبتنی بر مجموعه برای نقشه‌برداری حساسیت زمین لغزش. Remote Sens. 2018 , 10 , 1252. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  49. لی، اس. پرادان، ب. خطرات احتمالی زمین لغزش و نقشه برداری خطر در جزیره پنانگ، مالزی. J. Earth Syst. علمی 2006 ، 115 ، 661-672. [ Google Scholar ] [ CrossRef ]
  50. کاستاش، آر. Ngo، PTT; Bui, DT Novel Ensembles of Deep Learning Neural Network and Statistical Learning for Flash-Flood Resceptibility Mapping. Water 2020 , 12 , 1549. [ Google Scholar ] [ CrossRef ]
  51. اجلیل، س. اساحلاوی، ع. محجانه، م. اساحلاوی، ن. میلی، EM; ون رومپای، الف. الگوریتم‌های یادگیری ماشین برای مدل‌سازی و نقشه‌برداری خطر آلودگی آب‌های زیرزمینی: مطالعه‌ای برای رسیدن به اهداف امنیت آب و توسعه پایدار (Sdg) در یک سیستم آبخوان مدیترانه. Remote Sens. 2022 , 14 , 2379. [ Google Scholar ] [ CrossRef ]
  52. عربامری، ع. سردا، ا. رودریگو-کامینو، جی. پرادان، بی. سهرابی، م. بلاشکه، تی. Bui, DT ارائه یک تکنیک پیش‌بینی جدید برای نقشه‌برداری حساسیت فرسایش خندقی در مناطق خشک و نیمه‌خشک (ایران). Remote Sens. 2019 , 11 , 2577. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  53. بوآمران، ا. بوآمران، ا. Abida, H. توزیع خطر فرسایش آب تحت شرایط آب و هوایی نیمه خشک: مورد حوضه آبخیز ملاه، شمال شرقی الجزایر. Geoderma 2021 , 403 , 115381. [ Google Scholar ] [ CrossRef ]
  54. نوایتی، ن. Cherif، EK; آلگارا، م. پولا، ام ال. فرناندز، اس. نوایتی، ع. استیوس داسیلوا، JCG; دریس، ک. سملانی، ن. محمد، ح. و همکاران تعیین کیفیت فیزیکوشیمیایی آب آبخوان غیس-نکور (الحسیما، مراکش) با استفاده از هیدروشیمی، ردیاب های ایزوتوپی متعدد و سیستم اطلاعات جغرافیایی (GIS). Water 2022 , 14 , 606. [ Google Scholar ] [ CrossRef ]
  55. بوهوت، س. حبوبی، ک. زیان، ع. الیوبی، ام اس; عبدونی، الف. ارزیابی دو روش کریجینگ خطی برای درونیابی سطوح پیزومتریک و چارچوبی برای ارتقاء شبکه پایش سطح آب زیرزمینی در دشت غیس-نکور، شمال شرقی مراکش. عرب جی. ژئوشی. 2022 ، 15 ، 1016. [ Google Scholar ] [ CrossRef ]
  56. بن عبدالوهاب، س. صالحی، ع. استیتو، جی. هیمی، م. دراوئی، م. Casas، A. Application Des SIG et de La Tomographie Électrique Pour Contribuer à La Protection de l’aquifère de Martil-Alila (Maroc). در مجموعه مقالات کنگره علمی اروپایی مدیترانه در زمینه مهندسی، Algeciras، اسپانیا، 19-20 مه 2011. [ Google Scholar ]
  57. برجیلا، ع. دیمانه، اف. EL Ouarghi، H. نوایتی، ن. طاهر، م. ال حمودانی، ی. سعدی، ا. Bensiali، A. نقشه برداری مناطق بالقوه آب زیرزمینی با استفاده از GIS، سنجش از دور و تجزیه و تحلیل تصمیم گیری چند معیاره در حوضه Ghiss، شمال مراکش. Groundw. حفظ کنید. توسعه دهنده 2021 ، 15 ، 100693. [ Google Scholar ] [ CrossRef ]
  58. المتکی، ح. الفنگور، ع. آیسا، ای. مادوریرا، اچ. مونتیرو، الف. تأثیرات تغییر جهانی بر منابع طبیعی جنگل در کوه‌های ریف مرکزی در شمال مراکش: چشم‌انداز اکتشاف و برنامه‌ریزی گسترده. دریافت – جی. Geogr. تف کردن طرح. 2019 ، 17 ، 75–92. [ Google Scholar ] [ CrossRef ]
  59. لیکین، ام. آسبری، ال. Bourgois, J. درباره عصر دگرگونی آنچی-اپیزونال واحد کتاما، ریف مرکزی، مراکش. Comptes Rendus-Acad. علمی سر. II 1991 ، 313 ، 787-793. [ Google Scholar ]
  60. منصور، س. کوز، تی. تایکی، م. اوحدی، ع. مسمودی، ح. حسنی زروق، م. مورابیت، ت. داکاک، ح. Cherkaoui Dekkaki، H. ارزیابی فضایی آسیب‌پذیری منابع آب در برابر آلودگی انسانی با استفاده از مدل DKPR: موردی از حوضه Ghiss-Nekkour، مراکش. عرب جی. ژئوشی. 2021 ، 14 ، 699. [ Google Scholar ] [ CrossRef ]
  61. بنیوسف، اس. عربی، م. الاورقی، اچ. غالیت، م. عزیرار، م. ال میداوی، ا. Ait Boughrous, A. تاثیر فعالیت های انسان شناسی بر کیفیت آب های زیرزمینی در ریف مرکزی (شمال مراکش). Ecol. مهندس محیط زیست تکنولوژی 2021 ، 22 ، 69-78. [ Google Scholar ] [ CrossRef ]
  62. طاهر، م. مورابیت، ت. برجیلا، ع. سعدی، ا. ارحمونی، ع. ال مرزکیویی، ف. El Mousaoui، M. برآورد نقاط داغ نرخ فرسایش خاک با روش‌های تلفیقی USLE و GIS: مطالعه موردی سد و حوضه گیس در شمال شرقی مراکش. Geomat. محیط زیست مهندس 2022 ، 16 ، 95-110. [ Google Scholar ] [ CrossRef ]
  63. سانگاراتوس، پ. ایلیا، آی. هونگ، اچ. چن، دبلیو. Xu, C. کاربرد نظریه اطلاعات و روش‌های کمی مبتنی بر GIS برای تهیه نقشه‌های حساسیت زمین لغزش در شهرستان نانچنگ، چین. زمین لغزش 2017 ، 14 ، 1091-1111. [ Google Scholar ] [ CrossRef ]
  64. امیری، م. پورقاسمی، HR; قنبریان، ج.ا. افضلی، SF ارزیابی اهمیت عوامل موثر بر فرسایش آبکندی با استفاده از الگوریتم بوروتا و مدلسازی و نقشه برداری فضایی آن با استفاده از سه الگوریتم یادگیری ماشین. Geoderma 2019 ، 340 ، 55-69. [ Google Scholar ] [ CrossRef ]
  65. والنتین، سی. پوسن، جی. Li, Y. فرسایش خندقی: اثرات، عوامل و کنترل. CATENA 2005 ، 63 ، 132-153. [ Google Scholar ] [ CrossRef ]
  66. همبرام، TK; پل، جی سی; ساها، S. مدل‌سازی ریسک فرسایش آبکی با استفاده از مجموعه جدید احتمال شرطی و شاخص آنتروپی در حوضه رودخانه جاینتی در منطقه حاشیه فلات چوتاناگپور، هند. Appl. Geomat. 2020 ، 12 ، 337-360. [ Google Scholar ] [ CrossRef ]
  67. کنفورتی، ام. Aucelli، PPC; روبوستلی، جی. Scarciglia، F. ژئومورفولوژی و تجزیه و تحلیل GIS برای نقشه‌برداری حساسیت فرسایش خندقی در حوضه آبریز جریان توربولو (کالابریای شمالی، ایتالیا). نات. خطرات 2011 ، 56 ، 881-898. [ Google Scholar ] [ CrossRef ]
  68. عربامری، ع. چاندرا پال، اس. کاستاش، آر. سها، ع. رضایی، ف. سید دانش، ع. پرادان، بی. لی، اس. Hoang، N.-D. پیش‌بینی نگاشت حساسیت فرسایش آبکی با استفاده از الگوریتم‌های جدید یادگیری ماشین. Geomat. نات. خطر خطرات 2021 ، 12 ، 469-498. [ Google Scholar ] [ CrossRef ]
  69. مور، شناسه; گریسون، RB; Ladson، مدلسازی زمین دیجیتال AR: مروری بر کاربردهای هیدرولوژیکی، ژئومورفولوژیکی و بیولوژیکی. هیدرول. روند. 1991 ، 5 ، 3-30. [ Google Scholar ] [ CrossRef ]
  70. باند، SS; جانی زاده، س. چاندرا پال، اس. سها، ع. چاکرابورتی، آر. شکری، م. موسوی، ع. رویکرد گروهی بدیع مدل شبکه عصبی یادگیری عمیق (DLNN) و الگوریتم بهینه‌سازی ازدحام ذرات (PSO) برای پیش‌بینی حساسیت فرسایش آبکی. Sensors 2020 , 20 , 5609. [ Google Scholar ] [ CrossRef ]
  71. چودوری، آی. پال، SC; سها، ع. چاکرابورتی، آر. روی، P. ارزیابی DEM های مختلف برای نگاشت حساسیت فرسایش آبکی با استفاده از اندازه گیری و اعتبارسنجی میدانی درجا. Ecol. به اطلاع رساندن. 2021 ، 65 ، 101425. [ Google Scholar ] [ CrossRef ]
  72. Bui، DT; لوفمن، او. Revhaug، I. دیک، او. تجزیه و تحلیل حساسیت زمین لغزش در استان هوآ بین ویتنام با استفاده از شاخص آماری و رگرسیون لجستیک. نات. خطرات 2011 ، 59 ، 1413-1444. [ Google Scholar ] [ CrossRef ]
  73. رحمتی، ا. پورقاسمی، HR; زینی وند، ح. نگاشت حساسیت به سیل با استفاده از مدل های نسبت فراوانی و وزن شواهد در استان گلستان، ایران. Geocarto Int. 2016 ، 31 ، 42-70. [ Google Scholar ] [ CrossRef ]
  74. لی، اس. Sambath، T. نقشه‌برداری حساسیت زمین لغزش در منطقه دامری رومل، کامبوج با استفاده از نسبت فرکانس و مدل‌های رگرسیون لجستیک. محیط زیست جئول 2006 ، 50 ، 847-855. [ Google Scholar ] [ CrossRef ]
  75. سامانتا، RK; Bhunia، GS; شیت، پی کی; پورقاسمی، نگاشت حساسیت به سیل منابع انسانی با استفاده از تکنیک نسبت فرکانس جغرافیایی: مطالعه موردی حوضه رودخانه سوبارنارخا، هند. مدل. سیستم زمین محیط زیست 2018 ، 4 ، 395-408. [ Google Scholar ] [ CrossRef ]
  76. محجانه، م. کاستاش، آر. کریمی، ف. بائو فام، کیو. اساحلاوی، ع. نگوین، اچ. Laneve، G. Odija, F. کاربرد الگوریتم های سنجش از دور و یادگیری ماشین برای نقشه برداری آتش سوزی جنگل در یک منطقه مدیترانه. Ecol. اندیک. 2021 , 129 , 107869. [ Google Scholar ] [ CrossRef ]
  77. بروغانی، م. پورهاشمی، س. هاشمی، ح. صالحی، م. امیراحمدی، ع. اسدی، MAZ; Berndtsson، R. کاربرد تکنیک‌های سنجش از دور و الگوریتم‌های یادگیری ماشین در تشخیص منبع غبار و نگاشت حساسیت منبع غبار. Ecol. به اطلاع رساندن. 2020 ، 56 ، 101059. [ Google Scholar ] [ CrossRef ]
  78. Breiman، L. Random Forests Machine Learning. Kluwer Academic Publishers: Dordrecht, The Netherlands, 2001; جلد 45. [ Google Scholar ]
  79. Ho, TK روش تصادفی زیرفضای برای ساختن جنگل های تصمیم. IEEE Trans. الگوی مقعدی ماخ هوشمند 1998 ، 20 ، 832-844. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  80. رودریگز-گالیانو، وی اف. چیکا اولمو، م. Chica-Rivas، M. مدل‌سازی پیش‌بینی پتانسیل طلا با ادغام اطلاعات چند منبعی بر اساس جنگل تصادفی: مطالعه موردی در منطقه Rodalquilar، جنوب اسپانیا. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 1336-1354. [ Google Scholar ] [ CrossRef ]
  81. عربامری، ع. پرادان، بی. رضایی، ک. پیش‌بینی فضایی فرسایش خندقی با استفاده از داده‌های ALOS PALSAR و مدل‌های دو متغیره و داده کاوی مجموعه. Geosci. J. 2019 ، 23 ، 669-686. [ Google Scholar ] [ CrossRef ]
  82. پی، پی.-ف. Hsu، M.-F. مدل ماشین‌های بردار پشتیبانی پیشرفته برای طبقه‌بندی و تولید قوانین. در بهینه سازی محاسباتی، روش ها و الگوریتم ها ؛ Koziel, S., Yang, X.-S., Eds. مطالعات در هوش محاسباتی; Springer: برلین/هایدلبرگ، آلمان، 2011; جلد 356، ص 241–258، ISBN 978-3-642-20858-4. [ Google Scholar ]
  83. رحمتی، ا. طهماسبی پور، ن. حقی زاده، ع. پورقاسمی، HR; فیضی زاده، ب. ارزیابی مدل های مختلف یادگیری ماشین برای پیش بینی و ترسیم حساسیت فرسایش آبکی. ژئومورفولوژی 2017 ، 298 ، 118-137. [ Google Scholar ] [ CrossRef ]
  84. گروسی، ی. شکل آبادی، م. کونوسنتی، سی. پورقاسمی، HR; Van Oost، K. ارزیابی عملکرد مدل‌های یادگیری ماشین مبتنی بر GIS با اندازه‌گیری‌های دقت مختلف برای تعیین حساسیت به فرسایش آبکی. علمی کل محیط. 2019 ، 664 ، 1117–1132. [ Google Scholar ] [ CrossRef ]
  85. فینزی، ک. ابریها، د. برتالان، ال. هالب، آی. Szabó، S. یادگیری ماشینی برای استخراج ویژگی خندقی بر اساس تصویر چندطیفی پان شارپن: رویکرد چند کلاسه در مقابل باینری. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 252. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  86. Ranjitha، KV طبقه‌بندی و طرح بهینه‌سازی برای داده‌های متنی با استفاده از طبقه‌بندی‌کننده ساده بیز یادگیری ماشینی. در مجموعه مقالات سمپوزیوم جهانی IEEE 2018 در زمینه مهندسی ارتباطات (WSCE)، سنگاپور، 28 تا 30 دسامبر 2018؛ IEEE: سنگاپور، 2018؛ صص 33-36. [ Google Scholar ]
  87. سرانو-سینکا، سی. گوتیرز-نیتو، ب. تجزیه و تحلیل تفکیک حداقل مربعات جزئی برای پیش بینی ورشکستگی. تصمیم می گیرد. سیستم پشتیبانی 2013 ، 54 ، 1245-1255. [ Google Scholar ] [ CrossRef ]
  88. پورقاسمی، ح. گاین، ا. پارک، اس. لی، سی.- دبلیو. لی، اس. ارزیابی نواحی مستعد زمین لغزش و پهنه بندی آنها با استفاده از رگرسیون لجستیک، LogitBoost و الگوریتم های یادگیری ماشینی ناییو بیس. Sustainability 2018 , 10 , 3697. [ Google Scholar ] [ CrossRef ][ Green Version ]
  89. بهرگوی، پ. تک، م. Jyothi، DS با استفاده از تکنیک داده کاوی ساده بیز برای طبقه بندی خاک های زمین کشاورزی. بین المللی جی. کامپیوتر. علمی شبکه امن 2009 ، 6 ، 189-193. [ Google Scholar ]
  90. فام، بی تی؛ جعفری، ع. آوند، م. الانصاری، ن. دین دو، تی. ین، HPH؛ فونگ، تلویزیون؛ نگوین، دی اچ. Le، HV; مافی غلامی، د. و همکاران ارزیابی عملکرد روش‌های یادگیری ماشین برای مدل‌سازی و پیش‌بینی آتش‌سوزی جنگل. Symmetry 2020 , 12 , 1022. [ Google Scholar ] [ CrossRef ]
  91. دومازتوویچ، اف. شیلژگ، ا. لونچار، ن. ماریچ، I. روش تجزیه و تحلیل چند معیاره خودکار GIS (GAMA) برای مدل‌سازی حساسیت. MethodsX 2019 ، 6 ، 2553–2561. [ Google Scholar ] [ CrossRef ]
  92. ییلدریم، P. روش های انتخاب ویژگی مبتنی بر فیلتر برای پیش بینی خطرات در بیماری هپاتیت. بین المللی جی. ماخ. فرا گرفتن. محاسبه کنید. 2015 ، 5 ، 258-263. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  93. الگوریتم‌های Mao، KZ انتخاب متعامد رو به جلو و حذف به عقب برای انتخاب زیر مجموعه ویژگی. IEEE Trans. سیستم مرد سایبرن. قسمت B Cybern. 2004 ، 34 ، 629-634. [ Google Scholar ] [ CrossRef ]
  94. لی، سی. لی، انتخاب ویژگی مبتنی بر واگرایی و افزایش اطلاعات GG برای طبقه‌بندی متن مبتنی بر یادگیری ماشین. Inf. روند. مدیریت 2006 ، 42 ، 155-165. [ Google Scholar ] [ CrossRef ]
  95. داش، م. لیو، اچ. انتخاب ویژگی برای طبقه بندی. هوشمند داده آنال. 1997 ، 1 ، 131-156. [ Google Scholar ] [ CrossRef ]
  96. امدادالله، م. اسلم، م. Altaf, S. Mctest: یک بسته R برای تشخیص هم خطی در میان رگرسیون ها. R J. 2016 ، 8 ، 495-505. [ Google Scholar ] [ CrossRef ]
  97. صالحی، ع. بن عبدالوهاب، ت. مارتین-وید، جی. اوکاچا، ا. الحسناوی، ی. ال موسوی، م. ال مورابیت، ا. هیمی، م. بن عبدالوهاب، س. لبرینی، ی. و همکاران پر کردن شکاف ادراک تنها راه برای هماهنگ کردن اقدامات حفاظتی خاک است. علمی کل محیط. 2020 , 718 , 137421. [ Google Scholar ] [ CrossRef ]
  98. فینزی، ک. هالب، آی. Szabó، S. نقشه برداری خندق های دائمی در یک منطقه کشاورزی با استفاده از تصاویر ماهواره ای: اثربخشی الگوریتم های یادگیری ماشین. Agronomy 2021 , 11 , 333. [ Google Scholar ] [ CrossRef ]
  99. لانا، جی سی. کاسترو، PD; لانا، CE ارزیابی حساسیت فرسایش آبکی و عوامل شرطی‌سازی آن در جنوب شرقی برزیل با استفاده از الگوریتم‌های یادگیری ماشین و روش‌های آماری دو متغیره: یک رویکرد منطقه‌ای. ژئومورفولوژی 2022 ، 402 ، 108159. [ Google Scholar ] [ CrossRef ]
  100. همبرام، TK; سها، س. پرادان، بی. عبدالمولود، KN; Alamri، AM تحلیل استحکام طبقه‌بندی‌کننده‌های یادگیری ماشین در پیش‌بینی حساسیت فرسایش آبکی فضایی با نمونه‌های آموزشی تغییریافته. Geomat. نات. خطر خطرات 2021 ، 12 ، 794-828. [ Google Scholar ] [ CrossRef ]
  101. بورامتان، تی. هلال، ح. Rezende-Filho، AT; بورامتان، ک. باربیرو، ال. آبراهام، س. والس، وی. کاسیمی، آی. سنهاجی، ح. تورس-روندون، ال. و همکاران نگاشت تغییرپذیری و حساسیت فرسایش آبکی با استفاده از سنجش از دور، تحلیل آماری چند متغیره و یادگیری ماشینی در ماتو گروسوی جنوبی، برزیل. Geosciences 2022 , 12 , 235. [ Google Scholar ] [ CrossRef ]
  102. عربامری، ع. چن، دبلیو. لوچه، م. ژائو، ایکس. لی، ی. لومباردو، ال. سردا، ا. پرادان، بی. Bui، DT مقایسه مدل‌های یادگیری ماشین برای نقشه‌برداری حساسیت فرسایش آبکی. Geosci. جلو. 2020 ، 11 ، 1609-1620. [ Google Scholar ] [ CrossRef ]
  103. کاستاش، آر. پوپا، ام سی; تین بوی، دی. دیاکونو، دی سی؛ سیوبوتارو، ن. مینه، جی. فام، QB پیش‌بینی فضایی مناطق بالقوه سیل با استفاده از هیبریداسیون‌های جدید تصمیم‌گیری فازی، آمار دو متغیره و یادگیری ماشین. جی هیدرول. 2020 , 585 , 124808. [ Google Scholar ] [ CrossRef ]
  104. تین بوی، دی. Bui، Q.-T. نگوین، Q.-P. پرادان، بی. نمک، ح. Trinh، PT یک رویکرد هوش مصنوعی ترکیبی با استفاده از سیستم استنتاج عصبی فازی مبتنی بر GIS و بهینه‌سازی ازدحام ذرات برای مدل‌سازی حساسیت به آتش‌سوزی جنگل در یک منطقه گرمسیری. کشاورزی برای. هواشناسی 2017 ، 233 ، 32-44. [ Google Scholar ] [ CrossRef ]
  105. نگ، SSY؛ زینگ، ی. Tsui، KL یک مدل ساده بیز برای پیش بینی عمر مفید باقیمانده قوی باتری لیتیوم یونی. Appl. انرژی 2014 ، 118 ، 114-123. [ Google Scholar ] [ CrossRef ]
  106. نگوین، PT; Tuyen, TT; شیرزادی، ع. فام، بی تی؛ شهابی، ح. امیدوار، ای. امینی، ع. انتظامی، ح. پراکاش، آی. فونگ، تلویزیون؛ و همکاران توسعه یک رویکرد هوش ترکیبی جدید برای پیش‌بینی فضایی زمین لغزش. Appl. علمی 2019 ، 9 ، 2824. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  107. گورفی، ع. داودی، ل. Shi, Z. ارزیابی خطر فرسایش خاک، عملکرد رسوب و عوامل کنترل کننده آنها در مقیاس بزرگ: نمونه ای از مراکش. جی افر. علوم زمین 2018 ، 147 ، 281-299. [ Google Scholar ] [ CrossRef ]
  108. صالحی، ع. مارتین-وید، جی. بنهمروش، ا. بن عبدالوهاب، س. هیمی، م. بن عبدالوهاب، ت. Casas Ponsati، A. توزیع بارندگی و روند شاخص غلظت بارش روزانه در شمال مراکش: نیاز به یک سیاست محیطی سازگار. SN Appl. علمی 2019 ، 1 ، 277. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Ijgi 11 00401 g001 550
شکل 1. نقشه منطقه مطالعه حوضه GHISS، مشخصات ارتفاعی آن، و نقاط آموزشی و اعتبار سنجی مورد استفاده برای نقشه موجودی آبکند را نشان می دهد.
Ijgi 11 00401 g002 550
شکل 2. روش شناسی که در این مطالعه دنبال شد.
Ijgi 11 00401 g003 550
شکل 3. عکس های فرسایش خندقی در حوزه آبخیز GHISS.
Ijgi 11 00401 g004 550
شکل 4. عوامل تهویه فرسایش آبکند: ( الف ) ارتفاع، ( ب ) شیب، ( ج ) جنبه، و ( د ) انحنای پلان.
Ijgi 11 00401 g005 550
شکل 5. عوامل تهویه فرسایش آبکند: ( الف ) SPI، ( ب ) TWI، ( ج ) فاصله تا جاده، و ( د ) فاصله تا نهر.
Ijgi 11 00401 g006 550
شکل 6. عوامل تهویه فرسایش آبکند: ( الف ) LULC، ( ب ) سنگ شناسی، ( ج ) بارندگی، و ( د ) تراکم زهکشی.
Ijgi 11 00401 g007 550
شکل 7. نقشه برداری حساسیت فرسایش آبکندی با استفاده از: ( الف ) NB-FR، ( ب ) RF-FR، و ( ج ) SVM-FR.
Ijgi 11 00401 g008 550
شکل 8. اهمیت عوامل شرطی.
Ijgi 11 00401 g009 550
شکل 9. ( الف ) منحنی نرخ موفقیت ROC. ( ب ) منحنی‌های ROC نرخ پیش‌بینی.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید