خلاصه

آب اضافی داخلی، طغیان موقت آب است که در زمین های مسطح به دلیل بارش و آب های زیرزمینی که به عنوان منابع قابل توجه در سطح ظاهر می شوند، رخ می دهد. آب اضافی داخلی یک پدیده طبیعی و انسانی مرتبط با تخریب زمین است که باعث ایجاد مشکلات متعددی در مناطق مسطح مجارستان می شود که نزدیک به نیمی از کشور را پوشش می دهد. شناسایی مناطق با ریسک بالا مستلزم مدل سازی فضایی است که نقشه برداری از خطر طبیعی خاص است. عوامل مختلف محیطی خارجی رفتار وقوع، فراوانی آب اضافی داخلی را تعیین می کنند. اطلاعات کمکی فضایی نشان‌دهنده عوامل محیطی تشکیل‌دهنده آب اضافی داخلی برای حمایت از استنباط فضایی مشاهدات فرکانس آب اضافی داخلی با تجربه محلی در نظر گرفته شد. دو رویکرد پیش‌بینی فضایی ترکیبی برای ساختن نقشه‌های قابل اعتماد، یعنی رگرسیون کریجینگ (RK) و جنگل تصادفی با کریجینگ معمولی (RFK) با استفاده از داده‌های کمکی جامع فضایی در خاک، زمین‌شناسی، توپوگرافی، کاربری زمین و آب و هوا مورد آزمایش قرار گرفتند. با مقایسه نتایج این دو رویکرد، تفاوت معناداری در دقت آنها پیدا نکردیم. اگرچه هر دو روش برای پیش‌بینی خطر آب اضافی داخلی مناسب هستند، ما استفاده از RFK را پیشنهاد می‌کنیم، زیرا (1) برای آشکار کردن روابط غیر خطی و پیچیده‌تر از RK مناسب‌تر است، (ب) به پیش‌فرض و پیش‌پردازش کمتری نیاز دارد. داده‌های اعمال‌شده، (iii) و دامنه داده‌های مرجع را حفظ می‌کند، در حالی که RK تمایل بیشتری به هموارسازی تخمین‌ها دارد، در حالی که (iv) رتبه‌بندی متغیری را ارائه می‌کند و اطلاعات صریح در مورد اهمیت پیش‌بینی‌کننده‌های مورد استفاده ارائه می‌دهد.

کلید واژه ها:

زمین آمار ; مدل پیش بینی فضایی ترکیبی ; طغیان ; تخریب زمین ؛ یادگیری ماشینی ؛ نقشه برداری ریسک

1. معرفی

آب اضافی داخلی (IEW) طغیان موقت آب است، شکلی از آب های سطحی مازاد، که در زمین های هموار به دلیل بارش و آب های زیرزمینی که به عنوان منابع قابل توجه در سطح ظاهر می شوند، رخ می دهد. اغلب در فرورفتگی های محلی مناطق مسطح بزرگ، صرف نظر از طغیان رودخانه، رخ می دهد. یک تعامل پیچیده از عوامل طبیعی (به عنوان مثال، هواشناسی، هیدروژئولوژی، خاک شناسی، توپوگرافی)، و انسانی (به عنوان مثال، کاربری زمین، مهندسی کشاورزی) به وقوع IEW کمک می کند [ 1 ، 2 ]. این امر باعث ایجاد چندین مشکل اجتماعی، اقتصادی و زیست محیطی در مناطق مسطح مجارستان می شود که نزدیک به نیمی از کشور را پوشش می دهد [ 3 ]]. اگرچه IEW گسترده ترین توجه علمی را در مجارستان به خود جلب کرده است، این پدیده به این منطقه جغرافیایی محدود نمی شود [ 4 ]. در سراسر جهان مشاهده می شود، جایی که خاک ها با نفوذپذیری/نفوذ آب کم مشخص می شوند و رواناب سطحی محدود است. ادبیات اغلب از عبارت “آب غرقاب” به عنوان IEW استفاده می کند، و آنها بیشتر واکنش های محصول را برای غرقابی بررسی می کنند. وقوع از دیگر کشورهای اروپایی (فرانسه [ 5 ]، رومانی [ 6 ، 7 ]، صربستان [ 8 ، 9 ]) و همچنین در آفریقا (مصر [ 10 ]، اتیوپی [ 11 ، 12 ]، نیجریه [ 13 ]) گزارش شده است. ، آفریقای جنوبی [14 )، استرالیا [ 11 ، 15 ، 16 ، 17 ، 18 ]، آسیا (بنگلادش [ 19 ]، چین [ 20 ، 21 ]، هند [ 16 ، 22 ، 23 ]، روسیه [ 24 ، 25 ]، ازبکستان [ 2 ] ])، و آمریکای جنوبی و شمالی (آرژانتین، شیلی، و ایالات متحده آمریکا [ 26 ، 27 ، 28 ، 29 ]). تغییر اقلیم تأثیر قابل توجهی بر چرخه هیدرولوژیکی دارد و بر سیستم های منابع آب تأثیر می گذارد [ 30]. در رابطه با این تأثیر، فراوانی طغیان‌های IEW احتمالاً نگران است.
داده های غرقابی IEW را می توان از دو منبع مختلف به دست آورد. به طور سنتی، در مشاهدات میدانی (در مجارستان که از سال 1935 به طور سیستماتیک جمع آوری شده است؛ [ 31 ]) که توسط مقامات مدیریت آب هماهنگ شده است، بر روی نقشه ها (کاغذی) خلاصه می شوند. ادارات مدیریت آب منطقه ای مجارستان نقشه های IEW را به طور سیستماتیک بر اساس مشاهدات درجا جمع آوری شده در طول بررسی میدانی پیوسته [ 32 ] و نقشه های پایه توپوگرافی 1:10000 و 1:25000 [ 33 ] ایجاد کردند.]. این نقشه ها از نظر وسعت جغرافیایی، مقیاس و دقت مکانی متفاوت هستند. جمع آوری داده های سیلاب های IEW عمدتاً در سطح شهرستان انجام شد که منجر به تفاوت در وضوح زمانی مجموعه داده ها می شود. اکثر نقشه ها به صورت دستی ترسیم شده اند و رویدادهای سیلابی منفرد را نشان می دهند. از مشاهدات در مقیاس بزرگ، نقشه های هم افزایی 1:50000 و 1:100000 استخراج شد که گاهی تنها منابع داده در دسترس هستند.
با ظهور داده‌های سنجش از دور در دسترس عموم، مانند تصاویر هوایی و فضایی و توسعه تکنیک‌های پردازش تصویر، مشاهدات درجا تکمیل شد و IEW را می‌توان به روشی کارآمدتر و مؤثرتر شناسایی و طبقه‌بندی کرد [ 34 ]. دو اشکال در جمع آوری داده ها در فضا و/یا هوا وجود دارد. (i) آنها فقط می توانند یک تصویر فوری از مناطق غرقاب ارائه دهند، بنابراین اغلب فازهای توسعه یافته لزوما نشان داده نمی شوند. (2) علاوه بر این، تمایز بین آب‌های طبیعی و تالاب‌ها یا طغیان IEW برای تفسیر و پردازش تصویر مشکل‌ساز است [ 35 ]]. آخرین اما نه کم اهمیت، مجموعه داده های گردآوری شده با تفسیر تصاویر هوایی یا ماهواره ای تنها از دو دهه گذشته سرچشمه می گیرند. با این وجود، کارهای متعددی به شناسایی و نقشه برداری IEW بر اساس اطلاعات سنجش از دور اختصاص داده شد. Csekő [ 36 ] از داده های رادار استفاده کرد، Csornai و همکاران. [ 37 ] شناسایی رادار ترکیبی با حسگرهای نوری، Rakonczai و همکاران. [ 38 ] طبقه‌بندی مبتنی بر Landsat IEW را با اندازه‌گیری‌های درجا مقایسه کردند، Licskó [ 39 ] و Szatmári و همکاران. [ 40 ، 41 ] از داده های هوایی برای شناسایی سیلاب های IEW استفاده کردند، Mucsi و Henits [ 42 ] از طبقه بندی مبتنی بر پیکسل های فرعی بر روی یک سری زمانی Landsat، Csendes و Mucsi [ 43 ] استفاده کردند.] از تصویربرداری فراطیفی همراه با پتانسیل های اسکن هوابرد برای نظارت بر فرآیندهای محیطی استفاده کرد، ون لیوون [ 44 ] از رویکرد جدیدی با استفاده از ترکیبی از یک شبکه عصبی مصنوعی (ANN) و یک سیستم اطلاعات جغرافیایی (GIS) استفاده کرد، Van Leeuwen و همکاران. [ 45 ] اولین نتایج سیستمی را ارائه کرد که می تواند IEW را در یک منطقه بزرگ با جزئیات کافی در یک بازه زمانی بالا و به موقع نظارت کند. این روش مبتنی بر تصاویر ماهواره‌ای آزادانه در دسترس، و نقشه‌ای با آب‌های شناخته شده برای آموزش روش برای شناسایی سیل است.
با توجه به کیفیت داده ها و قابلیت اطمینان هر دو نوع مجموعه داده، ابتکاراتی در شناسایی عوامل تشکیل دهنده IEW همراه با نقشه برداری خطر بر اساس عوامل تأثیرگذار استاتیک و پویا صورت گرفته است. مزوسی و همکاران [ 46 ] تأثیرات بالقوه تغییر آب و هوا در دشت مجارستان بزرگ را بر اساس مدل های آب و هوایی منطقه ای بررسی کرد. آنها کاهش جزئی خطر IEW را پیدا کردند. با این حال، پیش‌بینی آینده دارای عدم قطعیت بالایی بود، زیرا IEW یک پدیده بسیار پیچیده است و آنها فقط پارامترهای اقلیمی را در تجزیه و تحلیل خطر درگیر می‌کردند. بارتا [ 47] عوامل آب و هواشناسی و خاک شناسی را که بر شکل گیری IEW تأثیر می گذارد اندازه گیری کرد. در منطقه مورد مطالعه خود، او توانست دو نوع متداول IEW را متمایز کند: (1) نوع بالارونده یا عمودی، که در آن سطح آب زیرزمینی در حال افزایش است، و (2) نوع تجمعی یا افقی، که در آن آب تحت گرانش تجمع می یابد. پایین ترین مناطق به دلیل نفوذ محدود و/یا رواناب، مستقل از سطح آب زیرزمینی یا ارتباط با سیستم مویرگی. بر اساس نتایج وی، در صورت نوع تجمعی، سرعت و پیشرفت زمانی نفوذ، مقادیر شدید آن در رابطه با اشباع خاک نیز برآورد شد. اندازه‌گیری‌ها و ارزیابی او بر اساس نقاط پایش بود و نتایج از نظر مکانی ارزیابی نشد. ون لیوون و همکاران44 ]. ناج و همکاران [ 8 ] ارزیابی فضایی خطر IEW را در یک منطقه مورد مطالعه در صربستان انجام داد. نقشه خطر از تجزیه و تحلیل تصاویر ماهواره ای از یک دوره چهار تاریخ به دست آمده است، نقشه آسیب پذیری بر اساس طبقه بندی مجدد پوشش زمین است، نقشه خطر با ترکیب نقشه های خطر و تاثیر ایجاد شده است.
مدل‌سازی فضایی و نقشه‌برداری پدیده‌ها و متغیرهای محیطی یک کار پیچیده است، زیرا بسیاری از آنها نتایج تعاملات پیچیده بیولوژیکی، شیمیایی و فیزیکی بین جو، بیوسفر، لیتوسفر، پدوسفر، هیدروسفر و آنتروپوسفر هستند که ممکن است در مقیاس‌های مختلف عمل کنند. همانطور که Hengl [ 48 ] اشاره کرد، برای مدل‌سازی فضایی متغیرهای محیطی بهتر است از تکنیک‌های ترکیبی استفاده شود که زمین‌آمار را با تکنیک‌های آماری کلاسیک یا پیشرفته‌تر ترکیب می‌کند. هاتوانی و همکاران [ 49 ] سوابق ایزوتوپ پایدار آب مشتق شده از هسته یخ را در یک منطقه ماکرو قطب جنوب با استفاده از تحلیل رگرسیون خطی چندگانه و کریجینگ معمولی بررسی کرد. Fehér و Rakonczai [ 50] از شبیه‌سازی گاوسی متوالی مکانی-زمانی برای مدل‌سازی و تحلیل نوسانات آب‌های زیرزمینی کم عمق و تأثیر آن بر مناظر مجارستان استفاده کرد. اخیراً، زمین آمار به کار گرفته شده همراه با یادگیری ماشین توجه بسیار بیشتری را در مدل سازی فضایی متغیرهای محیطی به خود جلب کرده است. به عنوان مثال، کوچ و همکاران. [ 51 و 52 ] از کریجینگ رگرسیون تصادفی جنگل و جنگل تصادفی همراه با شبیه‌سازی گاوسی باقیمانده به ترتیب برای مدل‌سازی آب‌های زیرزمینی کم عمق و عمق رابط ردوکس استفاده کردند. سابو و همکاران [ 53 ] عملکرد توابع انتقال تصادفی مبتنی بر جنگل و جنگل تصادفی همراه با کریجینگ را در استخراج خواص هیدرولیکی خاک سه بعدی مقایسه کردند. پاستور و همکاران [ 54] خطر IEW یک شهرستان مجارستان ترسیم شده است، Bozán و همکاران. [ 55 ] فرکانس نسبی طغیان IEW در دشت مجارستان بزرگ را ترسیم کرد. هر دو فرآیند نقشه برداری با روش رگرسیون کریجینگ، بر اساس رابطه بین وقوع طغیان IEW و عوامل محرک آن انجام شد. نقشه نتیجه از مجموع مدل رگرسیون خطی چندگانه و باقیمانده های درون یابی (کریجینگ معمولی) نشات گرفته است.
هدف مقاله حاضر مدل‌سازی فضایی خطر IEW در یک منطقه مورد مطالعه مجارستان با دو رویکرد پیش‌بینی فضایی ترکیبی است که آمار چند متغیره و یادگیری ماشین را با زمین‌آمار ترکیب می‌کند. ما از رگرسیون کریجینگ (RK) و جنگل تصادفی ترکیب شده با کریجینگ معمولی (RFK) بر اساس مشاهدات فرکانس IEW با تجربه محلی استفاده کردیم، که شامل داده‌های کمکی جامع فضایی است که عوامل محیطی را تشکیل می‌دهند. ما همچنین تأثیر پیش‌بینی‌کننده‌های اعمال‌شده بر نتایج را بررسی کردیم. ما مدل‌های پیش‌بینی‌کننده را با دو ترکیب از متغیرهای کمکی برای آزمایش تأثیر معرفی پیش‌بینی‌کننده‌های جدید (به حداقل یکی از عوامل تعیین‌کننده مرتبط) اجرا کردیم.

2. مواد و روشها

2.1. منطقه مطالعه

منطقه مورد بررسی (788.7 کیلومتر مربع ؛ شکل 1 ) که در شهرستان Jasz-Nagykun-Szolnok در دشت بزرگ مجارستانی واقع شده است، تحت عنوان ” 10.07″ است. بخش حفاظت از آب اضافی Kisújszállás ” (EWPS). این توسط اداره آب منطقه میانه تیزا نظارت می شود. انگیزه های انتخاب منطقه مورد مطالعه به شرح زیر بود:
  • اکثر منطقه به دلیل طغیان آب اضافی در معرض خطر است.
  • زهکشی عمودی ضعیف خاکهای آن به دلیل بافت سنگین (میزان زیاد کانیهای رسی در حال گسترش، نفوذپذیری کم، نفوذ محدود).
  • بخش قابل توجهی از منطقه مورد بررسی به طور سنتی زمین های کشاورزی است که برای کشاورزی مولد استفاده می شود، جایی که تولید محصولات زراعی از زمان تنظیم رودخانه های دشت مجارستانی غالب بوده است.
  • سری داده های هواشناسی در طول و کیفیت لازم موجود است.
  • این منطقه آزمایشی برای بهبود شیوه های مدیریت یکپارچه برای مقامات دولتی برای کاهش خطرات باران شدید و خطر آب اضافی در چارچوب پروژه RAINMAN (INTERREG CE968: “RAINMAN”) بود.
منطقه ای که با رودخانه تیسا هم مرز است دارای ژئومورفولوژی بسیار متنوعی است که بخش میانی دشت مجارستانی بزرگ را پوشش می دهد. آب و هوای ” 10.07. Kisújszállás EWPS ” نسبتاً گرم و خشک است، میزان بارش سالانه 500-550 میلی متر است. این منطقه عمدتاً برای رشد واریته‌های مقاوم به خشکی، طولانی‌رشد و گرمای زیاد مناسب است، جایی که اهمیت حفظ آب و آبیاری در حال افزایش است. علاوه بر خشکسالی‌های مکرر، آب‌های اضافی می‌تواند خسارات قابل‌توجهی را به‌دلیل ناحیه‌ای که در دشت‌ها به نمایش گذاشته شده، وارد کند.
بر اساس پایگاه مرجع جهانی منابع خاک (WRB, [ 56 ]) بخش قابل توجهی (~70-80٪) از منطقه تحت پوشش گروه های خاک مرجع Vertisols و Chernozems است. خاک های سولونتز نیز در تکه های کوچکتر دیده می شوند. تراکم کانال به دلیل ویژگی دشتی آن بسیار بالاتر از میانگین کشوری است. این کانال ها به طور کلی زهکشی را انجام می دهند. با این حال، طول قابل توجهی از کانال ها دارای اهداف دوگانه برای تامین آب آبیاری هستند. عمق آب زیرزمینی متفاوت است، معمولاً 0.5-2.5 متر با نوسانات فصلی.
بررسی اولیه 10.07 Kisújszállás EWPS نشان داد که بخش قابل توجهی از این منطقه به دلایل طبیعی توسط آب های اضافی در خطر است. به ویژه در مناطق مرزی شرقی که 26 سال از 39 سال مورد بررسی در سطح متفاوتی توسط آب اضافی غرق شد. برای پوشش آب معمولی بود که 10 تا 15 روز در منطقه بماند. بخش قابل توجهی از محصولات زراعی می تواند به طور کامل توسط چنین آبگرفتگی نابود شود. کاربری زمین با نسبت بالایی از زمین کشاورزی (91٪) و در داخل آن نسبت بسیار بالایی از زمین قابل کشت (نزدیک به 79٪) مشخص می شود که بسیار بالاتر از میانگین ملی است. علفزار (11.08٪) و جنگل (7.77٪) نیز به شدت نشان داده شده است.

2.2. داده های مرجع

ادارات مسئول مدیریت آب نقشه‌های فصلی مناطق تحت تأثیر IEW را از دوره بین سال‌های 1962 تا 2014 ارائه کردند. این اطلاعات میراث دیجیتالی، برداری و سپس جمع‌آوری شد ( شکل 2 ).
نقشه اطلاعات میراث به طور موقت در فرکانس طغیان IEW داده های مرجع را به شرح زیر ارائه می کند. نمونه‌گیری‌های تصادفی شرطی چندگانه بر روی داده‌های میراث برداری شده انجام شد. شرط اول، نمونه برداری از هر تکه از نقشه با نقاطی برابر با جذر مساحت (بر حسب هکتار) چند ضلعی های فرکانس غرقاب بود. با شرط دوم، با تکه‌های کوچک، اما اغلب آب‌گرفته، استثنا قائل شدیم. اگر چند ضلعی کوچکتر از 1 هکتار بود، اما فرکانس طغیان بیشتر از 5 بود، چند ضلعی 1 نقطه نمونه برداری داشت. شرط سوم به حداقل فاصله مجاز بین نقاط تصادفی اشاره داشت که روی 50 متر (اندازه پیکسل استفاده شده در مدل فضایی) تنظیم شد. با شرط چهارم، نقاطی که بر روی سکونتگاه‌ها و آب‌ها قرار دارند حذف شدند. مانند هر نقشه، نقشه فرکانس طغیان استفاده شده فقط واقعیت را مدل می کند، بنابراین نمی توان از آن به عنوان مرجع مطلق استفاده کرد و در نتیجه نمونه برداری نقطه ای آن نادرستی های خاصی را در مجموعه داده های مرجع اعمال شده معرفی می کند. برای کاهش این اثر و به منظور داشتن نمونه گیری متعادل تر، ده مجموعه داده نقطه تصادفی ساخته شد. مجموعه‌های نمونه تولید شده شامل 13000 سایت مشاهده مجازی است. مجموعه داده های مرجع به عنوان فرکانس نسبی طغیان گردآوری شدند، مقادیر برای هر یک از 10 مجموعه داده نقطه تصادفی استخراج شد. مطابق با این، مدل های نقشه برداری 10 بار اجرا شد. ده مجموعه داده نقطه تصادفی ساخته شد. مجموعه‌های نمونه تولید شده شامل 13000 سایت مشاهده مجازی است. مجموعه داده های مرجع به عنوان فرکانس نسبی طغیان گردآوری شدند، مقادیر برای هر یک از 10 مجموعه داده نقطه تصادفی استخراج شد. مطابق با این، مدل های نقشه برداری 10 بار اجرا شد. ده مجموعه داده نقطه تصادفی ساخته شد. مجموعه‌های نمونه تولید شده شامل 13000 سایت مشاهده مجازی است. مجموعه داده های مرجع به عنوان فرکانس نسبی طغیان گردآوری شدند، مقادیر برای هر یک از 10 مجموعه داده نقطه تصادفی استخراج شد. مطابق با این، مدل های نقشه برداری 10 بار اجرا شد.

2.3. متغیرهای مشترک محیطی

مدل های پیش بینی با دو ترکیب از متغیرهای کمکی (همچنین متغیرهای محیطی نامیده می شوند) اجرا شدند. مجموعه پایه (BS) متشکل از متغیرهایی است که قبلا توسط Bozán و همکاران استفاده می شد. (2018). برای آزمایش تأثیر معرفی پیش‌بینی‌کننده‌های جدید (مرتبط با حداقل یکی از عوامل تعیین‌کننده)، یک مجموعه توسعه‌یافته (ES) نیز گردآوری و استفاده شد.
اثر خاک بر وقوع IEW مدل‌سازی شد و از نظر فضایی با لایه ویژگی فیزیکی خاک و «نوع خاک مدیریت منظر» سیستم اطلاعات خاک دیجیتال Kreybig (DKSIS؛ Pásztor et al., 2012) نشان داده شد. DKSIS یکی از مهم‌ترین پایگاه‌های اطلاعاتی فضایی خاک مجارستان در سراسر کشور است، این نسخه بازسازی‌شده و توسعه‌یافته توسط GIS داده‌های میراث بررسی خاک توسط Kreybig [ 57 ، 58 ] است. در داده‌های میراث، دسته‌بندی‌های فیزیکی خاک بر اساس قابلیت نگهداری آب، نفوذپذیری و نرخ نفوذ شرح داده شد. انواع خاک مدیریت منظر از دیدگاه تولید محصول، انباشته از pH، محتوای CaCO 3 و بافت خاک تعریف شد [ 59 ]].
برای توصیف پیچیده‌تر خاک‌ها، مجموعه توسعه‌یافته با ویژگی‌های هیدروفیزیکی خاک که با متغیرهای پیوسته نشان داده می‌شوند تکمیل شد. پایگاه داده هیدرولیک خاک سه بعدی اروپا (EU-SoilHydroGrids ver1.0, [ 60 )]) اطلاعاتی را در مورد ویژگی های هیدرولیکی خاک که اغلب مورد نیاز است با وضوح 250 متر در 7 عمق خاک تا 2 متر با پوشش کامل اروپایی ارائه می دهد. لایه‌های زیر از EU-SoilHydroGrids به عنوان متغیرهای همکار استفاده و بریده شدند: محتوای آب اشباع (pF = 0)، محتوای آب در ظرفیت مزرعه (pF = 2.5)، نقطه پژمردگی (pF = 4.2)، و هدایت هیدرولیکی اشباع. ما اطلاعات موجود از 7 عمق خاک موجود (0 سانتی‌متر، 5 سانتی‌متر، 15 سانتی‌متر، 30 سانتی‌متر، 60 سانتی‌متر، 100 سانتی‌متر، 200 سانتی‌متر) را برای 0 تا 30 سانتی‌متر، 30 تا 60 سانتی‌متر، 60 تا 100 سانتی‌متر، 100 تبدیل کردیم. – فواصل عمقی 200 سانتی متری
آب و هوا توسط چهار لایه فضایی ارائه شده توسط سرویس هواشناسی مجارستان نشان داده شد. میانگین بارندگی سالانه، میانگین دمای سالانه، متوسط ​​تبخیر سالانه و میانگین تبخیر و تعرق سالانه با استفاده از روش MISH که برای درونیابی فضایی عناصر هواشناسی سطحی بر اساس مشاهدات 30 ساله با وضوح 0.5′ [ 61 ] تدوین شده است، گردآوری شد. لایه ها با وضوح 100 متر در دسترس هستند.
علاوه بر این، لایه شاخص رطوبت (HUMI) نیز در پیش بینی اعمال شد. HUMI برای توصیف دوره های تنش آبی استفاده می شود. با احتمال 10% وقوع ریشه مجذور مجموع بارندگی وزنی ماهانه و مجموع نسبت تبخیر و تعرق بالقوه وزنی ماهانه محاسبه شد [ 62 ]. سرویس هواشناسی مجارستان و ادارات مسئول مدیریت آب، داده های بارش و تبخیر و تعرق 68 ایستگاه رصد هواشناسی را در دوره 1961-2014 ارائه کردند.
اثر کاربری زمین با یک ضریب عددی بر اساس پایگاه داده ملی CORINE پوشش زمین 1:50000 (CLC50) [ 63 ] مشخص و به صورت مکانی نشان داده شد. مقوله‌ها با شاخص‌های استفاده از زمین مبتنی بر خبره که نقش آن‌ها در شکل‌گیری IEW را مشخص می‌کند، پارامترسازی شدند [ 1 ]. طبق روش ما، هر چه مقادیر ضریب کاربری زمین کمتر باشد (یعنی مناطق مصنوعی 0.6-1.0، زمین های زراعی 0.3-1.0، محصولات دائمی 2.5، مراتع 0.6، جنگل ها و پوشش گیاهی طبیعی 1.0-5.0، تالاب ها 0.1 و غیره)، نقش آنها در توسعه IEW مهمتر است.
توپوگرافیبر اساس داده‌های مدل ارتفاعی دیجیتال HydroDEM مجارستان در سراسر کشور در نظر گرفته شد. این پایگاه داده که توسط اداره کل مدیریت آب گردآوری شده است، با هدف حمایت از نقشه برداری خطر سیل و فرآیندهای برنامه ریزی مدیریت ریسک است. داده ها با وضوح شطرنجی 50 متر در هر پیکسل در دسترس بودند. علاوه بر ارتفاع، مشتقات مورفومتریک زیر را در فرآیند نگاشت به کار بردیم: سطح پایه شبکه کانال، فاصله شبکه کانال (ES)، فرورفتگی های بسته، فاکتور LS، شاخص تعادل جرم، شاخص چند تفکیک پذیری صافی بالای ریج (MRRTF)، شاخص چند تفکیک پذیری صافی پایین دره (MRVBF)، انحنای پلان، انحنای نمایه، موقعیت شیب نسبی (ES)، شاخص رطوبت SAGA، شاخص موقعیت توپوگرافی، شاخص رطوبت توپوگرافی، عمق دره (ES)، فاصله عمودی تا شبکه کانال.
هیدروژئولوژی از نظر فضایی نشان داده شد و با عمق و ضخامت بالاترین آکویتارد مورد توجه قرار گرفت، که داده‌های مربوط به آن توسط موسسه زمین‌شناسی و ژئوفیزیک مجارستان (سلف معادن و بررسی زمین‌شناسی مجارستان) و عمق استاندارد آب‌های زیرزمینی ارائه شد. بر اساس میانگین 10 بالاترین مقدار در 50 سال گذشته محاسبه شده است. داده های مرجع آب زیرزمینی مشاهدات چاه توسط اداره کل مدیریت آب ارائه شده است. برای به دست آوردن داده‌های جامع آب‌های زیرزمینی، درون‌یابی فضایی (هم‌کریجینگ) باید با استفاده از ارتفاع ارائه‌شده توسط HydroDEM به‌عنوان یک متغیر مشترک فضایی مناسب انجام می‌شد [ 64 ].
حرکت آب های زیرزمینی به تنهایی قابل مطالعه نیست، زیرا سیستم های جریان آب های زیرسطحی تأثیر بسیار مهمی بر آن دارند. برای روشن شدن نقش آب‌های زیرسطحی در ایجاد طغیان‌های آب اضافی، باید بین مناطق تغذیه و تخلیه تمایز قائل شد. جریان آب زیرزمینی، به عنوان مثال، تفاوت بین مقدار آب نفوذ به داخل و خارج از آب زیرزمینی برای سلول های 2 × 2 کیلومتر محاسبه شد. نقشه تهیه شده و ارائه شده توسط خدمات معدن و زمین شناسی مجارستان، نواحی تغذیه و تخلیه را در حالت غیرمولد نشان می دهد، جایی که سلول های شارژ را می توان با مقادیر مثبت و مناطق تخلیه را با مقادیر منفی (میلی متر در سال) مشخص کرد. در مجموعه متغیرهای پیش بینی توسعه یافته استفاده شد.
ES همچنین حاوی لایه ای بود که فاصله را از آب های سطحی نشان می داد. با استفاده از معیارهای فاصله اقلیدسی در نرم افزار ESRI ArcGIS 10.6 محاسبه شد.

2.4. پیش پردازش متغیرهای مشترک محیطی

مجموعه داده های کمکی برای تجزیه و تحلیل فضایی پیش پردازش شد. لایه‌های شطرنجی به یک سیستم شبکه مشترک تبدیل شدند، به منطقه مورد مطالعه پوشانده شدند و به وضوح فضایی 50 متر نمونه‌برداری شدند. داده‌های سرویس هواشناسی مجارستان و داده‌های EU-SoilHydroGrids به روش کانولوشن مکعبی تبدیل شدند. از آنجایی که در مورد هدایت هیدرولیکی اشباع، کانولوشن مکعبی مصنوعات تولید می کند، از روش نزدیکترین همسایه استفاده کردیم. نقشه های طبقه بندی شده نیز به روش حداکثر مساحت به سیستم شبکه 50 متری تبدیل شدند.
برای کاهش تعداد متغیرهای پیش‌بینی‌کننده در RK، و برای جلوگیری از چند خطی بودن آنها، تجزیه و تحلیل مؤلفه‌های اصلی (PCA) بر روی متغیرهای پیوسته انجام شد. قبل از PCA، همه متغیرهای کمکی در مقیاس 0-255 نرمال سازی شدند. در تجزیه و تحلیل بیشتر، از اولین مؤلفه های اصلی استفاده شد که با هم 99 درصد واریانس را توضیح دادند. متغیرهای طبقه ای به عنوان متغیرهای شاخص در نظر گرفته شدند. هر دسته یک لایه جدید دریافت می کند: در صورت وقوع، مقدار شبکه روی 255 تنظیم می شود، در حالی که مناطق خارج از طبقه بندی با 0 کدگذاری می شوند. در جنگل تصادفی ترکیب شده با مدل های کریجینگ معمولی (RFK)، متغیرهای مشارکتی طبقه بندی می شوند. به عنوان عوامل، بنابراین نیازی به تمایز آنها در پیش پردازش وجود نداشت.

2.5. روش‌های پیش‌بینی ترکیبی کاربردی

در این مطالعه از دو روش پیش‌بینی ترکیبی برای پیش‌بینی فضایی ریسک IEW استفاده شد، یعنی کریجینگ رگرسیونی و جنگل تصادفی همراه با کریجینگ معمولی. هر دو تکنیک بر یک فرض استوارند، یعنی متغیر هدف در حال نقشه‌برداری را می‌توان بر حسب یک جزء قطعی و یک جزء تصادفی توصیف و مدل‌سازی کرد.

Z( u ) = m( u ) + ε( u )،

که در آن m( u ) مولفه قطعی است که تغییرات ساختاری را توصیف می کند، ε( u ) مولفه تصادفی متشکل از تغییرات تصادفی است که می تواند از نظر مکانی همبستگی داشته باشد، و u بردار مختصات جغرافیایی است.

از نقطه نظر عملی، تفاوت اصلی بین RK و RFK این است که چگونه آنها بخش قطعی تنوع را توصیف و مدل می کنند. در مورد RK، فرض ایجاد شده در رابطه خطی بین متغیر هدف و متغیرهای محیطی ممکن است بسیار دقیق باشد زیرا این رابطه می تواند پیچیده تر باشد و این فرض می تواند فقط برای اولین تقریب معتبر باشد (مالون و همکاران، 2018). به همین دلیل است که نقشه‌برداری محیطی دیجیتال به الگوریتم‌های یادگیری ماشین علاقه‌مند شده است، که قادر به توصیف و مدل‌سازی جزء قطعی از طریق مدل‌های پیش‌بینی با اعمال اصول مختلف هستند. در میان الگوریتم‌های یادگیری ماشینی مورد استفاده در نقشه‌برداری دیجیتالی محیطی، جنگل تصادفی نقش برجسته‌ای را ایفا می‌کند.

2.5.1. رگرسیون کریجینگ (RK)

رگرسیون کریجینگ (RK)، همچنین به عنوان کریجینگ جهانی یا کریجینگ با رانش خارجی [ 65 ] نامیده می شود، رگرسیون متغیر هدف را روی متغیرهای محیطی با کریجینگ باقیمانده های رگرسیون ترکیب می کند [ 65 ، 66 ].]. در این مطالعه، یک تحلیل رگرسیون خطی چندگانه (MLR) برای توصیف و مدل‌سازی رابطه بین مجموعه داده‌های مرجع (با اطلاعات استخراج‌شده از فرکانس طغیان IEW، به بخش «2.2. داده‌های مرجع» مراجعه کنید) و متغیرهای مشارکتی محیطی انجام شد. فهرست شده در ‘2.3. بخش متغیرهای مشترک محیطی. در دوره تحلیل MLR از سطح معنی داری 05/0 استفاده شد، همچنین از روش گام به گام برای انتخاب متغیرهای کمکی محیطی استفاده شد. مدل به دست آمده با تجزیه و تحلیل MLR مؤلفه قطعی خطر IEW را توصیف می کند. مؤلفه تصادفی با مدل سازی زمین آماری، یعنی کریجینگ معمولی، با استفاده از پسماندهای رگرسیون توصیف شد، که نشان دهنده تغییراتی بود که توسط مدل MLR قابل توضیح نبود [ 67 ]]. پیش بینی RK را می توان با جمع کردن پیش بینی مدل MLR و پیش بینی کریجینگ معمولی به دست آورد.
در نهایت، ده تحقق با هر دو مجموعه متغیر پایه و توسعه یافته با استفاده از ده مجموعه داده نقطه تصادفی ایجاد شد. میانگین از ده تحقق نقشه نتیجه نهایی احتمال غوطه وری IEW توسط RK ارائه شد. انحراف استاندارد و نقشه میانه نیز از ده تحقق برای آزمایش استحکام و نشان دادن قابلیت اطمینان مدل‌های جمع‌آوری شده گردآوری شد.
2.5.2. جنگل تصادفی همراه با کریجینگ معمولی (RFK)
جنگل تصادفی همراه با کریجینگ معمولی (RFK) یک روش ترکیبی نسبتاً جدید است که در نقشه‌برداری محیطی دیجیتال استفاده می‌شود [ 53 ، 68 ، 69 ]، که ترکیبی از مدل پیش‌بینی‌کننده جنگل تصادفی با کریجینگ باقیمانده‌های جنگل تصادفی [ 70 ] است. در RFK، مولفه قطعی توسط Random Forest (RF) در مقابل RK توصیف می‌شود، جایی که مولفه قطعی توسط MLR توصیف می‌شود. الگوریتم RF (بسته به تنظیمات آن و نوع متغیر وابسته) تعدادی درخت رگرسیون یا طبقه بندی تولید می کند. این مدل بر میانگین گیری نتایج درختانی تکیه دارد که به طور مستقل از یکدیگر رشد می کنند [ 71 ]]. در دوره مدلسازی RF، تعداد درختان 100 در نظر گرفته شد. به عنوان دو بسته متغیر محیطی برای روش RFK استفاده شد: برای BS mtry 7، برای ES mtry روی 14 تنظیم شد. بخش RF از مدل‌های RFK رتبه‌بندی متغیری را ارائه می‌کنند که نشان می‌دهد کدام متغیرهای مشترک نقش مهم‌تری در مدل پیش‌بینی دارند. جزء تصادفی با مدلسازی زمین آماری، یعنی کریجینگ معمولی، با استفاده از باقیمانده های RF توصیف شد. پیش بینی RFK را می توان با جمع کردن پیش بینی RF و پیش بینی کریجینگ معمولی به دست آورد.
همانطور که در مورد RK، ده تحقق با هر دو مجموعه متغیر پایه و توسعه یافته با استفاده از ده مجموعه داده نقطه تصادفی ایجاد شد. میانگین از ده تحقق نقشه نتیجه نهایی احتمال انباشتگی IEW توسط RFK را ارائه کرد. انحراف استاندارد و نقشه میانه نیز از ده تحقق، برای آزمایش استحکام و نشان دادن قابلیت اطمینان مدل‌های جمع‌آوری شده، گردآوری شد.

2.6. اعتبار سنجی

در تحقیق حاضر، داده‌های منشأ هوابرد در مورد فراوانی طغیان فقط در اعتبارسنجی نتایج نقشه‌برداری استفاده شد. داده‌ها از لایه ریزش نسبی IEW مرکز غیرانتفاعی Lechner Knowledge Ltd. [ 72 ]، برای دوره 1998-2016 نشات گرفته‌اند. مجموعه داده (که با حسن نیت در دسترس قرار گرفته است) از 1451 نقطه تشکیل شده است ( شکل 3 )، فراوانی آبگرفتگی در درصد طبقه بندی شده با ده مشخص می شود (0٪ -10٪، 10٪ – 20٪، 20٪ – 30٪، و غیره).
برای اعتبارسنجی، ارزش ریسک غرقابی تخمینی چهار نقشه نتیجه (RK BS ، RK ES ، RFK BS ، RFK ES ) در مکان‌های 1451 نقطه اعتبار استخراج شد. به عنوان مقایسه، مشخص شد که اگر مقدار نقشه نتیجه، فاصله درصدی مجموعه داده اعتبارسنجی را قطع کند، یا اینکه تفاوت بین اعتبارسنجی و مقادیر پیش‌بینی‌شده چند دسته است. تفاوت ها در نمودار میله ای نشان داده شده است.
نوع دیگری از اعتبارسنجی، فقط تا حدی مستقل، نیز انجام شد. لایه میراث بردار طغیان، که همچنین اساس نقاط داده مرجع نمونه برداری تصادفی بود، به فرمت شطرنجی تبدیل شد. مقادیر چهار نقشه نتیجه (RK BS ، RK ES ، RFK BS ، RFK ES ) به عدد صحیح گرد شد. سپس مقایسه پیکسل به پیکسل بین داده های قدیمی و چهار لایه نتیجه انجام شد. تفاوت ها در نمودار میله ای نشان داده شده است.

2.7. پس زمینه نرم افزار

مشتقات مورفومتریک توسط ابزار SAGA GIS محاسبه شد (کنراد و همکاران، 2015). مدل‌سازی RK در محیط SAGA GIS اجرا شد، در حالی که مدل‌سازی RFK در نرم‌افزار آماری R [ 73 ] انجام شد. محاسبه میانگین، انحراف معیار و نقشه‌های میانه و همچنین ویرایش طرح‌بندی نقشه‌های نتیجه در ArcGIS 10.6 گردآوری شده است. پرس و جوهای اعتبار سنجی در ArcGIS 10.6 اجرا شد، ارزیابی و نمایش نتایج اعتبار سنجی در MS Excel انجام شد.

3. نتایج

3.1. نقشه های نتایج

چهار نقشه احتمال استحکام نتیجه نهایی IEW (میانگین ده تحقق RK BS ، RK ES ، RFK BS ، RFK ES ) در شکل 4 ارائه شده است. چند پیکسل سفید در نقشه های ایجاد شده با ES وجود دارد که به معنای پیکسل های NoData است. آنها در واقع حوضچه های ماهی هستند و از لایه های مشترک EU-SoilHydroGrids سرچشمه می گیرند، زیرا بدنه های آبی در این لایه های با وضوح اولیه 250 متری پوشانده شده اند.
در مورد مقایسه قابل مشاهده با نقشه طغیان ( شکل 4 )، الگوهای مناطقی که بیشتر غرق می شوند به طور مشابه در هر چهار نقشه نتیجه قابل توجه هستند. حداقل مقادیر ~0، مقادیر میانگین 1.5 و انحرافات استاندارد 0.7 در هر چهار نقشه نتیجه است. با این حال، مقادیر حداکثر در پیش بینی های RFK (9.4) نسبت به پیش بینی های RK (8.2) به طور قابل توجهی بالاتر است. دومی به این معنی است که RK می‌تواند دامنه داده‌های مرجع در پیش‌بینی را محدود کند، در حالی که RFK نتایج قابل اعتمادتری ارائه می‌دهد.
در نقشه RFK ES ، ساختار لایه “فاصله از آب های سطحی” به طور قابل ملاحظه ای قابل تشخیص است. این در رتبه اهمیت متغیر قطعه RF در مدل‌های RFK ظاهر می‌شود ( جدول 1 ). RF نشان داد که متغیر کمکی “فاصله از بدنه های آب سطحی” ده برابر از ده مورد، بیشترین قدرت پیش بینی را در پیش بینی دارد.
دومین متغیر مهم با توجه به مدل های RFK ES ( جدول 1) «مناطق تغذیه و تخلیه آب زیرزمینی» (هشت برابر) و «میانگین بارندگی سالانه» (دو برابر) هستند. جایگاه سوم تصویر نه چندان ثابتی را نشان می‌دهد: «مناطق تغذیه و تخلیه آب زیرزمینی»، «متوسط ​​دمای سالانه»، و «محتوای آب اشباع در عمق 0-30 سانتی‌متری خاک» در دو نوبت، «فروختگی‌های بسته»، «فاصله عمودی تا شبکه کانال، «میانگین بارندگی سالانه» و «میانگین تبخیر و تعرق سالانه» در یک بار. رتبه چهارم در این رتبه بندی عبارتند از: میانگین بارندگی سالانه (چهار برابر)، محتوای آب اشباع در عمق 0 تا 30 سانتی متر خاک، و فاصله عمودی تا شبکه کانال (دو بار)، فرورفتگی های بسته، و متوسط ​​تبخیر سالانه (یک بار).
رتبه بندی اهمیت متغیر در RFK BS ( جدول 1) به شرح زیر تشکیل می شود. «فاصله عمودی تا شبکه کانال» (پنج بار)، «میانگین بارندگی سالانه» (سه بار)، «افسردگی‌های بسته» و «میانگین تبخیر و تعرق سالانه» (یک بار) بیشترین قدرت پیش‌بینی را دارند. رتبه دوم “فاصله عمودی تا شبکه کانال” (سه بار)، “فروختگی های بسته” و “میانگین بارندگی سالانه” (دو بار)، “میانگین تبخیر و تعرق سالانه”، “میانگین تبخیر سالانه” و “سطح آب زیرزمینی” (یک) زمان). سومین متغیر مهم عبارتند از «شاخص رطوبت SAGA» (پنج برابر)، «فاصله عمودی تا شبکه کانال»، «افت فشارهای بسته»، «میانگین بارندگی سالانه»، «میانگین تبخیر سالانه» و «سطح آب زیرزمینی» (یک بار). رتبه چهارم دارای «سطح آب زیرزمینی» و «میانگین تبخیر سالانه» (سه برابر)، «افسردگی های بسته»، «شاخص رطوبت SAGA»،

3.2. اعتبار سنجی

نتایج اعتبار سنجی توسط داده های مستقل در جدول 2 و شکل 5 خلاصه شده است. در هر چهار مورد (RK BS ، RK ES ، RFK BS ، RFK ES )، تفاوت بیش از یک دسته (-1، 0 یا 1) در 72٪ تا 73٪ از نمونه ها نیست. پیش‌بینی در 37 تا 38 درصد موارد بیشتر از مشاهده است، در 34 تا 36 درصد موارد، مقادیر مشاهده‌شده بیشتر از مقادیر پیش‌بینی‌شده است.
نتایج مقایسه پیکسل به پیکسل بین داده های قدیمی و چهار لایه نتیجه در جدول 3 و شکل 6 خلاصه شده است. با توجه به نتایج، مقادیر پیش بینی شده به طور معنی داری بیشتر از مقادیر مشاهده شده است. در هر چهار مورد، 1 دسته تفاوت در بیش از نیمی از پیکسل ها است. با این حال، در 85٪ تا 88٪ از پیکسل ها، تفاوت بیش از یک (-1، 0 یا 1) نیست.

4. بحث

نتایج ما نشان داد که تفاوت معنی‌داری بین دقت دو روش مورد استفاده در این مطالعه وجود ندارد که نشان می‌دهد هر دو روش RK و RFK می‌توانند برای پیش‌بینی و نقشه‌برداری خطر IEW مناسب باشند. اگرچه هر دو روش به یک اندازه خوب عمل کردند، ما استفاده از RFK را به جای RK پیشنهاد می کنیم. اول از همه، مطالعات متعدد نشان داده اند که جنگل تصادفی معمولاً از تکنیک های آماری کلاسیک بهتر عمل می کند (به عنوان مثال، [ 69 ، 70 ، 74 ]). این به این دلیل است که جنگل تصادفی قادر به کشف، توصیف و مدل سازی روابط پیچیده و غیر خطی بین متغیرهای پاسخ و پیش بینی است و علاوه بر این، فلسفه متفاوتی با هدف ارائه دقیق ترین پیش بینی توضیح داده شده است [ 71 ].]. علاوه بر این، نه تنها باید فرض کمتری در RFK نسبت به RK انجام داد، بلکه پیش پردازش کمتری نیز در RFK مورد نیاز است [ 69 ]. یکی از معایب اصلی RK این است که می تواند در فضای ویژگی برون یابی شود، در حالی که جنگل تصادفی محدوده داده های مرجع را حفظ می کند. آخرین اما نه کم‌اهمیت، RFK می‌تواند رتبه متغیرهای محیطی کاربردی را فهرست کند که اطلاعات صریحی در مورد اهمیت آنها در پیش‌بینی ارائه می‌دهد.
متغیرهای مشترک بیشتری برای بهبود موضوعی درگیر شدند. با این حال، ما متوجه نشدیم که درگیر کردن آنها در مدل سازی دقت را به طور قابل توجهی افزایش دهد. از سوی دیگر، با توجه به رتبه های اهمیت، متغیرهای اضافه شده به ES تعیین کننده ترین پیش بینی کننده ها بودند. توضیح احتمالی دقت مشابه مدل‌سازی با دو مجموعه متغیر می‌تواند وضوح فضایی نسبتا ضعیف EU-SoilHydroGrids و لایه روی نواحی شارژ و تخلیه باشد، که به صورت موضوعی مجموعه متغیرهای مشترک محیطی پیش‌بینی‌کننده را گسترش می‌دهد.
نتایج ما در مورد اهمیت پیش بینی مطابق با نتایج Van Leeuwen و همکاران است. [ 44 ]. آنها دریافتند که امداد تأثیر بسیار مهمی در تحقیقات داشته است. ما همچنین دریافتیم که مشتقات مورفومتریک اهمیت قابل توجهی در رتبه بندی اهمیت متغیر نشان می دهند. تأثیر خاک در [ 44]، که به تنوع محدود خاکها در منطقه کوچک مطالعه آنها اختصاص داده شد. در ویژگی‌های خاک آزمایشی ما، هیچ‌کدام به‌عنوان متغیرهای اساسی مهم به نظر نمی‌رسند، زیرا تنها یک لایه خاک در رتبه سوم و چهارم قرار دارد. نتایج آنها با گنجاندن فاصله تا اشیاء انسانی در آموزش و شبیه سازی بهبود یافت. مشابه با یافته‌های ما، ثابت شد که فاصله از بدنه‌های آب سطحی مهم‌ترین هم‌متغیر بیش از همه و فاصله تا کانال‌ها تاثیرگذارترین عامل انسانی است.
نتایج ما می‌تواند مبنای بررسی‌های بیشتر باشد، می‌تواند از مقامات و تصمیم‌گیرندگان در پروژه‌ها و مسائل مدیریت آب حمایت کند و شیوه‌های مدیریت یکپارچه را بهبود بخشد. دقت پیش‌بینی را می‌توان با داده‌های مرجع بیشتر جمع‌آوری‌شده افزایش داد. ون لیوون و همکاران [ 45 ] یک روش امیدوارکننده ارائه کرد که قادر به شناسایی مداوم IEW در مناطق بزرگ برای اهداف عملیاتی است. با این حال، آنها به این نتیجه رسیدند که تحقیقات علمی بیشتری برای بهبود تعیین آستانه برای گردش کار پردازش فعال داده ها و کاهش تعداد موارد مثبت کاذب مورد نیاز است.
اگر بتوانیم تشخیص دهیم که کدام نوع IEW در منطقه ظاهر می‌شود، می‌توانیم پشتیبانی خاص‌تری ارائه کنیم [ 47 ]. علاوه بر این، درگیر کردن اطلاعات کاربری زمین و شیوه‌های کشاورزی در تحقیقات مفید خواهد بود: نه تنها به عنوان متغیر مشترک، بلکه به عنوان بخشی از یک مدل تحلیل ریسک بهبودیافته. از آنجایی که طغیان دسته های مختلف کاربری زمین مستلزم خطرات اقتصادی متفاوتی است [ 8 ]. اگر اطلاعات سالانه تغییرات کاربری زمین (به عنوان مثال، تناوب زراعی، مهندسی کشاورزی) درگیر باشد، می‌توان به تحلیل‌های دقیق‌تری دست یافت.
در نهایت، نتایج ما می تواند به تجزیه و تحلیل سناریوهای آب و هوایی کمک کند. مزوسی و همکاران [ 46 ] فقط عوامل اقلیمی را در تحقیقات خود دخیل کردند، آنها نه از داده های غرقاب IEW و نه سایر عوامل محیطی استفاده کردند. ما فرض می‌کنیم که شامل داده‌ها و عوامل محیطی بیشتر می‌تواند عدم قطعیت پیش‌بینی‌های آینده را کاهش دهد.
با توجه به تجربیات قبلی ما [ 54 ، 55 ]، رویکردهای پیش‌بینی فضایی ترکیبی کاربردی را می‌توان برای استفاده نه تنها در مناطق نسبتاً کوچک، بلکه در مناطق مطالعه بزرگ‌تر نیز پیشنهاد کرد.

5. نتیجه گیری ها

به طور خلاصه، هدف ما مدل‌سازی فضایی خطر IEW در یک منطقه مورد مطالعه مجارستان با دو رویکرد پیش‌بینی فضایی ترکیبی بود که آمار چند متغیره و یادگیری ماشین را به ترتیب با زمین‌آمار ترکیب می‌کنند. ما از رگرسیون کریجینگ (RK) و جنگل تصادفی ترکیب شده با کریجینگ معمولی (RFK) بر اساس مشاهدات فرکانس IEW با تجربه محلی استفاده کردیم، که شامل داده‌های کمکی جامع فضایی است که عوامل محیطی را تشکیل می‌دهند. ما همچنین تأثیر پیش‌بینی‌کننده‌های اعمال‌شده بر نتایج را بررسی کردیم. ما مدل‌های پیش‌بینی را با دو ترکیب از متغیرهای کمکی اجرا کردیم تا تأثیر معرفی پیش‌بینی‌کننده‌های جدید را آزمایش کنیم. با توجه به نتایج دو رویکرد، تفاوت معنی داری در دقت آنها پیدا نکردیم. اگرچه هر دو روش برای پیش‌بینی خطر آب اضافی داخلی مناسب هستند، ما استفاده از RFK را پیشنهاد می‌کنیم، زیرا (1) برای آشکار کردن روابط غیر خطی و پیچیده‌تر از RK مناسب‌تر است، (ب) به پیش‌فرض و پیش‌پردازش کمتری نیاز دارد. داده های اعمال شده (iii) دامنه داده های مرجع را حفظ می کند، در حالی که RK تمایل بیشتری به هموارسازی تخمین ها دارد و (iv) رتبه متغیری را ارائه می دهد که اطلاعات صریح در مورد اهمیت پیش بینی کننده های مورد استفاده ارائه می دهد. احتمالاً به دلیل تفکیک مکانی ضعیف داده‌های هیدروفیزیکی خاک و لایه روی نواحی تغذیه و تخلیه، درگیر کردن متغیرهای بیشتر در فرآیند نقشه‌برداری برای گسترش موضوعی، طبق ارزیابی دقت مؤثر نبود.
بر اساس نتایج ما، نتیجه می‌گیریم که نمونه‌گیری تصادفی شرطی مبتنی بر ناحیه بر روی داده‌های میراث برداری شده به عنوان داده‌های مرجع برای نقشه‌برداری احتمال انباشتگی IEW مناسب است، اگر مدل‌سازی بر اساس مجموعه داده‌های متعدد باشد. انجام تحقیقات بیشتر در مورد دقت نتایج مدل‌ها نه تنها با 10، بلکه 20 یا حتی بیشتر از مجموعه داده‌های مرجع نمونه‌برداری شده به صورت تصادفی، جالب خواهد بود. در نقشه‌برداری خطر طغیان IEW در سراسر کشور که اخیراً رخ داده است، این تعداد را به 20 افزایش داده‌ایم.
اگرچه تفاوت قابل توجهی در دقت ارائه شده توسط دو بسته متغیر مشترک پیدا نکردیم، اما متغیرهای مشترک در بسته ES را بیش از آن مفید می‌دانیم. ما در حال برنامه‌ریزی برای انجام تحقیقات بیشتر در مورد نقشه‌برداری خطر IEW با استفاده از داده‌های هیدروفیزیکی فضایی دقیق‌تر، زمانی که برای قلمرو مجارستان در دسترس است، انجام دهیم.
بهبود قابل توجهی در دقت پیش‌بینی می‌توان از داده‌های مرجع جمع‌آوری‌شده‌تر انتظار داشت. اگر وقایع طغیان IEW به طور مداوم، در وضوح مکانی و زمانی یکپارچه نظارت می شد، احتمال طغیان و خطر هر دو را می توان با دقت بیشتری پیش بینی کرد. سیستم ملی اطلاعات رصد زمین که اخیراً توسعه یافته است [ 75 ] و خدمات آن می تواند ارائه دهد و همچنین انتظار می رود گام مهمی در این زمینه برداشته شود.

منابع

  1. بوزان، سی. کوروسپارتی، جی. پاستور، ال. کوتی، ال. کوزاک، پ. Pálfai, I. نقشه برداری خطر طغیان آب اضافی بر اساس Gis در شهرستان CsongráD (مجارستان) ; Analele Universităţii din Oradea; Universităţii din Oradea: Oradea، رومانی، 2009; جلد چهاردهم، ص 678–684. [ Google Scholar ]
  2. Pálfai, I. A belvíz definíciói [تعریف آبهای اضافی داخلی]. Vízügyi Közlemények 2001 ، 83 ، 376-392. [ Google Scholar ]
  3. Pálfai, I. Az Alföld belvízi veszélyeztetettsége és aszályossága [نقشه خطر آب اضافی و خشکسالی در دشت بزرگ مجارستان]. In A víz szerepe és jelentősége az Alföldön ; Nagyalföld Alapítvány: Nagyalföld، مجارستان، 2000; صص 85-96. [ Google Scholar ]
  4. Szatmári، J. Van Leeuwen, B. (Eds.) Inland Excess Water–Belvíz–Suvišne Unutrašnje Vode ; Szegedi Tudományegyetem–Univerzitet u Novom Sadu: Szeged–Novi Sad، صربستان، 2013; شابک 978-963-306-263-0. [ Google Scholar ]
  5. مروت، پی. عزهار، ب. والتر، سی. Aurousseau, P. نقشه برداری غرقابی خاک با استفاده از مدل های زمین دیجیتال. هیدرول. روند. 1995 ، 9 ، 27-34. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. رومانسکو، جی. استولریو، سی. Zaharia، C. تقسیم ارضی و اهمیت اکولوژیکی تالاب ها در مولداوی (رومانی). جی. محیط زیست. علمی مهندس 2011 ، 5 ، 1435-1444. [ Google Scholar ]
  7. Halbac-Cotoara-Zamfir، R.; گونال، اچ. بیرکاس، م. روسو، تی. Brejea, R. داستان های موفق و ناموفق در بازسازی سرزمین های ویران شده و تخریب شده در اروپای شرقی. Adv. محیط زیست Biol. 2015 ، 9 ، 368-376. [ Google Scholar ]
  8. ناج، من. مارکوویچ، وی. پاولوویچ، م. استانکوف، یو. ووکسانوویچ، جی. ارزیابی خطر آب اضافی داخلی در کانجیزا (صربستان). Geogr. CGS 2018 ، 123 ، 141-158. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. برکیچ، م. دوگان، وی. اوبرادویچ، دی. Zivanov, M. سخت افزار تحقق سیستم اندازه گیری و پایش سطح آب زیرزمینی. در مجموعه مقالات IX. سمپوزیوم الکترونیک صنعتی INDEL، بانیا لوکا، بوسنی و هرزگوین، 1-3 نوامبر 2012. صص 124-127. [ Google Scholar ]
  10. عوض، اس آر. الفخارانی، ZM کاهش مشکل غرقابی در منطقه الصالحیه، مصر. علوم آب 2020 ، 34 ، 1-12. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. تنظیم کننده، TL; واترز، I. بررسی چشم انداز بهبود ژرم پلاسم برای تحمل غرقابی در گندم، جو و جو. خاک گیاهی 2003 ، 253 ، 1-34. [ Google Scholar ] [ CrossRef ]
  12. بولتی، م. عبدالطیف، ع. مروری بر مشکلات کشاورزی و مدیریت آنها در اتیوپی. ترکی جی کشاورزی. علوم غذایی تکنولوژی 2019 ، 7 ، 1189-1202. [ Google Scholar ]
  13. برگه-نگوین، م. کرتو، J.-F. طغیان در دلتای داخلی نیجر: پایش و تجزیه و تحلیل با استفاده از MODIS و مجموعه داده‌های بارش جهانی. Remote Sens. 2015 ، 7 ، 2127–2151. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. اوجو، OI؛ اوچینگ، جنرال موتورز; Otieno، FOA ارزیابی مشکلات ثبت آب و شوری در آفریقای جنوبی: مروری بر طرح آبیاری Vaal Harts. در معاملات WIT در مورد محیط زیست و محیط زیست ; WIT Press: ساوتهمپتون، انگلستان، 2011; ص 477-484. [ Google Scholar ]
  15. مانیک، SMN; پنگیلی، جی. دین، جی. فیلد، بی. شبلا، س. ژو، ام. شیوه های مدیریت خاک و محصول برای به حداقل رساندن تأثیر غرقابی بر بهره وری محصول. جلو. علوم گیاهی 2019 ، 10 ، 140. [ Google Scholar ]
  16. یادوانشی، NPS; تنظیم کننده، TL; شارما، SK; سینگ، KN; Kulshreshtha، N. تأثیر غرقابی بر عملکرد گندم (Triticum aestivum)، پتانسیل ردوکس و غلظت عناصر ریز در خاکهای مختلف هند و استرالیا. خاک رس. 2012 ، 50 ، 489-499. [ Google Scholar ] [ CrossRef ]
  17. Bakker, DM; همیلتون، جی جی; هالبروک، دی جی; اسپان، سی. Burgel, A. Van بهره وری از محصولات کشت شده در بسترهای مرتفع در خاکهای دوبلکس مستعد غرقابی در استرالیای غربی. اوست J. Exp. کشاورزی 2007 ، 47 ، 1368-1376. [ Google Scholar ] [ CrossRef ]
  18. سلیمان، ز. کولمر، تی دی; ضرر، SP; تامسون، BD; صدیق، KHM پاسخ رشد حبوبات غلات فصل سرد به غرقابی گذرا. اوست جی. آگریک. Res. 2007 ، 58 ، 406-412. [ Google Scholar ] [ CrossRef ]
  19. حسین، ع. Uddin، SN مکانیسم‌های تحمل غرقابی در گندم: سازگاری‌های مورفولوژیکی و متابولیک تحت هیپوکسی یا بی‌اکسی. اوست J. Crop Sci. 2011 ، 5 ، 1094-1101. [ Google Scholar ]
  20. وو، ایکس. تانگ، ی. لی، سی. مک هیو، AD; لی، ز. وو، سی. اثرات فردی و ترکیبی غرقابی و فشردگی خاک بر ویژگی‌های فیزیولوژیکی گندم در جنوب غربی چین. Field Crops Res. 2018 ، 215 ، 163-172. [ Google Scholar ] [ CrossRef ]
  21. وانگ، ای جی؛ لیو، جی. علل تشکیل زمین های غرقاب در منطقه خاک سیاه شمال شرقی چین. Adv. ماتر Res. 2012 ، 610-613 ، 2925-2930. [ Google Scholar ] [ CrossRef ]
  22. پانی گراهی، ب. چاندرا پل، جی. مدیریت ازدحام زهکشی برای افزایش تولید و بهره وری محصول در فرماندهی هیراکود، هند. جی. آگریک. مهندس بیوتکنول. 2015 ، 3 ، 32-40. [ Google Scholar ] [ CrossRef ]
  23. Rout، PK؛ پل، جی سی. پانی گراهی، ب. توسعه طرح مدیریت آب و خاک بر اساس تکنیک ژئو اطلاعات برای حوضه آبخیز پوینچا، اودیشا. J. حفظ آب خاک. 2017 ، 16 ، 126-132. [ Google Scholar ] [ CrossRef ]
  24. بویارسکی، بی. هاسگاوا، اچ. موراتوف، آ. Sudeykin، V. کاربرد مدل رقومی ارتفاعی برگرفته از پهپاد در زمینه کشاورزی برای تعیین مناطق خاک غرقاب در منطقه آمور، روسیه. بین المللی J. Eng. Adv. تکنولوژی 2019 ، 8 ، 520–523. [ Google Scholar ]
  25. FAO و ITPS وضعیت منابع خاک جهان (SWSR)—گزارش اصلی ؛ سازمان خواربار و کشاورزی سازمان ملل متحد و پنل فنی بین دولتی در مورد خاک: رم، ایتالیا، 2015; ISBN 9789251090046. [ Google Scholar ]
  26. لینکمر، جی. هیئت مدیره، JE; اثرات غرقابی Musgrave، ME بر رشد و اجزای عملکرد در سویا دیر کاشت. Crop Sci. 1998 ، 38 ، 1576-1584. [ Google Scholar ] [ CrossRef ]
  27. Barickman، TC; سیمپسون، CR; سامس، غرقابی CE باعث تغییرات اولیه در عملکرد فیزیولوژیکی، کاروتنوئیدها، کلروفیل ها، پرولین و قندهای محلول گیاهان خیار می شود. Plants 2019 ، 8 ، 160. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  28. مورالس اولمدو، ام. اورتیز، ام. Sellés, G. اثرات غرقابی خاک گذرا و اهمیت آن برای انتخاب پایه. بچه جی. آگریک. Res. 2015 ، 75 ، 45-56. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. de San Celedonio, RP; Abeledo، LG; Miralles، DJ صفات فیزیولوژیکی مرتبط با کاهش تعداد دانه در گندم و جو در شرایط غرقابی. خاک گیاهی 2018 ، 429 ، 469-481. [ Google Scholar ] [ CrossRef ]
  30. Várallyay, G. Láng István, Csete László és Jolánkai Márton (szerk.): A globális klímaváltozás: Hazai hatások és válaszok (A VAHAVA Jelentés.) [گزارش جهانی تغییرات اقلیمی: اثرات VAHAng] Agrokémia és Talajt 2007 ، 56 ، 199–202. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. سوملیودی، ال. نواکی، بی. سیمونفی، Z. Éghajlatváltozás، szélsőségek és vízgazdálkodás [تغییر آب و هوا، اندام‌ها، مدیریت آب]. در «Klíma-21» Füzetek Klímaváltozás—Hatások—Válaszok ; Csete، L.، Ed. MTA KSZI Klímavédelmi Kutatások Koordinációs Iroda: بوداپست، مجارستان، 2010; صص 15-32. [ Google Scholar ]
  32. Pálfai, I. Magyarország belvíz-veszélyeztetettségi térképe [نقشه مناطق مستعد طغیان آب اضافی مجارستان]. Vízügyi Közlemények 2003 ، 85 ، 510-524. [ Google Scholar ]
  33. Pálfai, I. A belvizek hidrológiai jellemzése [هیدرولوژی رواناب زهکشی نشده در مجارستان]. Hidrológiai Közlöny 1988 ، 68 ، 320-329. [ Google Scholar ]
  34. راکونچای، ج. کساتو، اس. موسی، ال. کواچ، اف. Szatmári, J. Az 1999. és 2000. évi alföldi belvíz-elöntések kiértékelésének gyakorlati tapasztalatai [تجارب عملی با شناسایی آب اضافی داخلی در سال 1999 و 2000]. Vízügyi Közlemények 2003 ، 85 ، 317-336. [ Google Scholar ]
  35. کوروسپارتی، جی. بوزان، سی. آندراسی، جی. توری، ن. تاکاچ، ک. Laborczi، A.; Pásztor, L. Geostatisztikai módszerek alkalmazása a belvíz-veszélyeztetettségi térképezésben [نقشه برداری خطر آب اضافی داخلی با روش های زمین آماری]. در مجموعه مقالات MHT XXXIV. Országos Vándorgyűlés، دبرسن، مجارستان، 6-8 ژوئیه 2016; MHT: دبرسن، مجارستان، 2016. [ Google Scholar ]
  36. Csekő، Á. Árvíz- és belvízfelmérés radar felvételekkel [پایش سیل و آب اضافی با تصاویر رادار]. Geodézia és Kartográfia 2002 ، 55 ، 16–22. [ Google Scholar ]
  37. Csornai، G. للکز، م. نادور، جی. Wirnhardt, C. Operatív árvíz- és belvíz-monitoring távérzékeléssel [ پایش عملیاتی سیل و آب اضافی بر اساس سنجش از دور]. Geodézia és Kartográfia 2000 ، 50 ، 6–12. [ Google Scholar ]
  38. راکونچای، ج. موسی، ال. Szatmári، J. کواچ، اف. Csató, S. A belvizes területek elhatárolásának módszertani lehetőségei [فرصت های نقشه برداری آب اضافی داخلی]. در مجموعه مقالات A Magyar Földrajzi Konferencia Tudományos Közleményei، Szeged، مجارستان، 25–27 اکتبر 2001; پ. 14. [ Google Scholar ]
  39. Licskó, B. A belvizek légi felmérésének tapasztalatai [تجارب اسکن هوا از طغیان آب اضافی]. در مجموعه مقالات MHT XXVII. Országos Vándorgyűlés; Magyar Hidrológiai Társaság، باجا، مکزیک، 1 تا 3 ژوئیه 2009. [ Google Scholar ]
  40. Szatmári، J. سیج، ن. موسی، ال. توبک، ز. ون لیوون، بی. Lévai, C. A belvízelöntések térképezését és a belvízképződés modellezését megalapozó térbeli adatgyűjtés [نگاشت طغیان آب اضافی و مدلسازی تشکیل آب اضافی با پایگاه داده فضایی]. در مجموعه مقالات Az Elmélet éS Gyakorlat Találkozása a Térinformatikában II ; لوکی، ج.، ویرایش. انتشارات دانشگاه دبرسن: دبرسن، مجارستان، 2011; صص 27-35. [ Google Scholar ]
  41. Szatmári، J. توبک، ز. ون لیوون، بی. Dolleschall, J. A belvízelöntések térképezését megalapozó adatgyűjtés és a belvízképződés modellezése neurális hálózattal [اکتساب داده برای شبکه های آب اضافی داخلی] با استفاده از مدل سازی عصبی مصنوعی. Földrajzi Közlemények 2011 ، 135 ، 351-363. [ Google Scholar ]
  42. موسی، ال. Henits, L. ایجاد نقشه‌های طغیان آب اضافی با طبقه‌بندی زیر پیکسلی تصاویر ماهواره‌ای با وضوح متوسط. جی. محیط زیست. Geogr. 2010 ، 3 ، 31-40. [ Google Scholar ]
  43. سیندس، بی. Mucsi، L. نقشه برداری آب اضافی داخلی با استفاده از تصاویر فراطیفی. Geogr. پانونیکا 2016 ، 20 ، 191-196. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. Van Leeuwen، B. شناسایی سیلاب های آب اضافی داخلی با استفاده از یک شبکه عصبی مصنوعی. Carpathian J. محیط زمین. علمی 2012 ، 7 ، 173-180. [ Google Scholar ]
  45. ون لیوون، بی. توبک، ز. کواچ، اف. Sipos، G. به سمت یک سیستم نظارت مستمر سیل آب اضافی داخلی بر اساس داده های سنجش از دور. جی. محیط زیست. Geogr. 2017 ، 10 ، 9-15. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. مزوسی، جی. باتا، تی. Meyer، BC; بلانکا، وی. Ladányi, Z. تأثیرات تغییر آب و هوا بر مخاطرات زیست محیطی در دشت بزرگ مجارستان، حوضه کارپات. بین المللی J. Disaster Risk Sci. 2014 ، 5 ، 136-146. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. Barta، K. پیش‌بینی‌های آب اضافی داخلی بر اساس داده‌های پایش هواشناسی و خاک‌شناسی در منطقه مورد مطالعه واقع در بخش جنوبی دشت مجارستانی بزرگ. جی. محیط زیست. Geogr. 2013 ، 6 ، 31-37. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  48. هنگل، تی. سیردسما، اچ. رادوویچ، آ. دیلو، الف. پیش‌بینی فضایی توزیع گونه‌ها از سوابق فقط وقوع: ترکیب تحلیل الگوی نقطه‌ای، ENFA و رگرسیون-کریجینگ. Ecol. مدل. 2009 ، 220 ، 3499-3511. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  49. هاتوانی، IG; لوئنبرگر، ام. کوهان، بی. Kern، Z. تجزیه و تحلیل زمین آماری و ایزونمای سوابق ایزوتوپ پایدار آب مشتق از هسته یخ در یک منطقه کلان قطب جنوب. علم قطبی 2017 ، 13 ، 23-32. [ Google Scholar ] [ CrossRef ]
  50. Fehér، ZZ; Rakonczai, J. تجزیه و تحلیل حساسیت مناظر مجارستان بر اساس تغییرات آب و هوایی ناشی از نوسانات آب زیرزمینی کم عمق. جئوگر مجارستانی گاو نر 2019 ، 68 ، 355-372. [ Google Scholar ] [ CrossRef ]
  51. کوچ، جی. استیسن، اس. رفسگارد، جی سی. ارنستسن، وی. یاکوبسن، روابط عمومی؛ Højberg، AL مدل‌سازی عمق رابط ردوکس در وضوح بالا در مقیاس ملی با استفاده از جنگل تصادفی و شبیه‌سازی گاوسی باقیمانده. منبع آب Res. 2019 ، 55 ، 1451-1469. [ Google Scholar ] [ CrossRef ]
  52. کوچ، جی. برگر، اچ. هنریکسن، اچ جی; Sonnenborg، TO مدل سازی سطح ایستابی کم عمق با وضوح فضایی بالا با استفاده از جنگل های تصادفی. هیدرول. سیستم زمین علمی 2019 ، 23 ، 4603–4619. [ Google Scholar ]
  53. سابو، بی. Szatmári، G. تاکاچ، ک. Laborczi، A.; ماکو، ا. راجکای، ک. Pásztor, L. نقشه برداری خواص هیدرولیکی خاک با استفاده از توابع انتقال تصادفی مبتنی بر جنگل و زمین آمار. هیدرول. سیستم زمین علمی 2019 ، 23 ، 2615–2635. [ Google Scholar ]
  54. پاستور، ال. کوروسپارتی، جی. بوزان، سی. Laborczi، A.; Takács، K. ارزیابی خطر فضایی اندام های هیدرولوژیکی: خطر آب اضافی داخلی، شهرستان Szabolcs-Szatmár-Bereg، مجارستان. J. Maps 2015 ، 11 ، 636-644. [ Google Scholar ]
  55. بوزان، سی. تاکاچ، ک. کوروسپارتی، جی. Laborczi، A.; توری، ن. Pásztor, L. ارزیابی فضایی یکپارچه خطر آب اضافی داخلی در دشت مجارستانی بزرگ. تخریب زمین توسعه دهنده 2018 ، 29 ، 4373-4386. [ Google Scholar ]
  56. گروه کاری IUSS WRB. پایگاه مرجع جهانی برای منابع خاک 2014، به روز رسانی 2015. سیستم بین المللی طبقه بندی خاک برای نامگذاری خاک ها و ایجاد افسانه برای نقشه های خاک ; فائو: رم، ایتالیا، 2015; شابک 978-92-5-108369-7. [ Google Scholar ]
  57. پاستور، ال. سابو، جی. باکاچی، ز. ماتوس، جی. Laborczi، A. گردآوری نقشه های خاک دیجیتال در مقیاس 1:50000 برای مجارستان بر اساس سیستم اطلاعات خاک دیجیتال Kreybig. J. Maps 2012 ، 8 ، 215-219. [ Google Scholar ]
  58. Kreybig, L. Magyar Királyi Földtani Intézet talajfelvételi, vizsgálati és térképezési módszere (روش بررسی، تحلیلی و نقشه برداری موسسه زمین شناسی سلطنتی مجارستان). ماگی. Királyi Földtani Intézet Évkönyve 1937 , 31 , 147–244. [ Google Scholar ]
  59. پاستور، ال. Laborczi، A.; تاکاچ، ک. Szatmári، G. باکاچی، ز. Szabó, J. تغییرات برای اجرای SCORPAN’s “S”. در نقشه برداری دیجیتالی خاک در سراسر پارادایم ها، مقیاس ها و مرزها . Zhang, G.-L., Brus, DJ, Liu, F., Song, X.-D., Lagacherie, P., Eds. Springer Science+Business Media: سنگاپور، 2016; صص 331-342. شابک 978-981-10-0414-8. [ Google Scholar ]
  60. توث، بی. وینتز، ام. پاستور، ال. Hengl، T. پایگاه داده هیدرولیک خاک سه بعدی اروپا با وضوح 250 متر. هیدرول. روند. 2017 ، 31 ، 2662-2666. [ Google Scholar ]
  61. Szentimrey، T. بیهاری، ز. پیشینه ریاضی روش‌های درون‌یابی فضایی و نرم‌افزار MISH (Inteapation Meteorological based on Surface Homogenized Data Basis). در مجموعه مقالات کنفرانس درونیابی فضایی در اقلیم شناسی و هواشناسی، بوداپست، مجارستان، 3-7 آوریل 2007. صص 17-27. [ Google Scholar ]
  62. بوزان، سی. کوروسپارتی، جی. پاستور، ال. Pálfai، I. نقشه برداری خطر آب اضافی در دشت مجارستان بزرگ جنوبی. در مجموعه مقالات سیزدهمین کنفرانس بین المللی علوم و فناوری محیطی (CEST)، آتن، یونان، 5 تا 7 سپتامبر 2013. صص 5-7. [ Google Scholar ]
  63. بوتنر، جی. ماوچا، جی. بیرو، م. کوزترا، بی. پاتاکی، ر. Petrik، O. پایگاه داده ملی پوشش زمین در مقیاس 1:50000 در مجارستان. EARSeL eProceedings 2004 , 3 , 323-330. [ Google Scholar ]
  64. چانگ، جو. راجرز، JD درون یابی ارتفاع جدول آب زیرزمینی در ارتفاعات جدا شده. آب زیرزمینی 2012 ، 50 ، 598-607. [ Google Scholar ]
  65. هنگل، تی. Heuvelink، GBM؛ Stein، A. چارچوبی عمومی برای پیش‌بینی فضایی متغیرهای خاک بر اساس رگرسیون-کریجینگ. ژئودرما 2004 ، 120 ، 75-93. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  66. Hengl, T. A Practical Guide to Geostatistical Mapping of Environmental Variables ; موسسه محیط زیست و پایداری: Ispra، ایتالیا، 2007; ISBN 9789279069048. [ Google Scholar ]
  67. عوده، IOA; مک براتنی، AB; Chittleborough، DJ نتایج بیشتر در مورد پیش‌بینی ویژگی‌های خاک از ویژگی‌های زمین: کوکریجینگ هتروتوپیک و کریجینگ رگرسیون. ژئودرما 1995 ، 67 ، 215-226. [ Google Scholar ] [ CrossRef ]
  68. کسکین، اچ. گرونوالد، اس. کریجینگ رگرسیون به عنوان اسب کاری در جعبه ابزار نقشه‌بردار خاک دیجیتال. Geoderma 2018 ، 326 ، 22-41. [ Google Scholar ] [ CrossRef ]
  69. Szatmári، G. Pásztor, L. مقایسه روش‌های مختلف مدل‌سازی عدم قطعیت بر اساس الگوریتم‌های زمین آمار و یادگیری ماشین. Geoderma 2019 , 337 , 1329–1340. [ Google Scholar ] [ CrossRef ]
  70. هنگل، تی. Heuvelink، GBM؛ کمپن، بی. Leenaars، JGB; والش، ام جی؛ شپرد، KD; سیلا، ا. مک میلان، RA; De Jesus, JM; تمنه، ال. و همکاران نقشه برداری از ویژگی های خاک آفریقا با وضوح 250 متر: جنگل های تصادفی به طور قابل توجهی پیش بینی های فعلی را بهبود می بخشد. PLoS ONE 2015 ، 10 ، e0125814. [ Google Scholar ]
  71. بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  72. Lechner, KCNL Relative Inland Excess Water Inundancy Layer of Lechner Knowledge Center Nonprofit Ltd. در دسترس آنلاین: https://map.fomi.hu/copernicus/ (در 21 مه 2019 قابل دسترسی است).
  73. R Core Team R: زبان و محیطی برای محاسبات آماری . R Foundation for Statistical Computing; تیم R Core: Firminy، فرانسه، 2019.
  74. ورونزی، اف. Schillaci، C. مقایسه بین مدل‌های زمین‌آماری و یادگیری ماشینی به عنوان پیش‌بینی‌کننده کربن آلی خاک سطحی با تمرکز بر تخمین عدم قطعیت محلی. Ecol. اندیک. 2019 ، 101 ، 1032-1044. [ Google Scholar ] [ CrossRef ]
  75. KIFÜ; NISZ; Lechner، KCNL Földmegfigyelési Információs Rendszer [سیستم ملی اطلاعات رصد زمین]. در دسترس آنلاین: https://kifu.gov.hu/kofop_fir (در 21 مه 2019 قابل دسترسی است).
Ijgi 09 00268 g001 550
شکل 1. نقشه نمای کلی با نقش برجسته مجارستان و منطقه مورد مطالعه (‘10.07. بخش حفاظت از آب اضافی Kisújszállás’).
Ijgi 09 00268 g002 550
شکل 2. نقشه اطلاعات میراثی جمع‌آوری شده در فرکانس طغیان آب اضافی داخلی (IEW). مقادیر فرکانس های واقعی را نشان نمی دهند، می توانند به عنوان یک شاخص در نظر گرفته شوند (تعداد رویدادهای طغیان در دوره ای که مشاهدات در دسترس هستند رخ داده است).
Ijgi 09 00268 g003 550
شکل 3. 1451 مکان مجموعه داده اعتبارسنجی.
Ijgi 09 00268 g004 550
شکل 4. نقشه نتایج احتمال غوطه وری IEW از دو روش (RK – رگرسیون کریجینگ، RFK – جنگل رگرسیون ترکیب شده با کریجینگ معمولی) با استفاده از دو بسته متغیر مشترک (مجموعه پایه (BS)، مجموعه گسترده (ES)).
Ijgi 09 00268 g005 550
شکل 5. تفاوت طبقه بندی بین مجموعه داده اعتبارسنجی مستقل و مقادیر پیش بینی شده طبقه بندی شده.
Ijgi 09 00268 g006 550
شکل 6. تفاوت بین فرکانس غرقابی نقشه قدیمی و نقشه های نتیجه طغیان طبقه بندی شده.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید