مدل‌سازی هدررفت خاک ناشی از فرسایش خندقی با استفاده از مدل‌های جنگل تصادفی و ماشین‌بردار پشتیبان و ارزیابی کارایی آن‌ها

نویسندگان

1 بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع‌طبیعی استان فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران

2 پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران ایران

3 بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع‌طبیعی استان کردستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، سنندج، ایران

4 بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع‌طبیعی استان فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران

doi
10.22059/jrwm.2025.390477.1804
چکیده

اندازه‌گیری میدانی میزان هدررفت خاک ناشی از فرسایش‌ خندقی، بسیار زمان‌بر و هزینه‌بر بوده بنابراین اندازه‌گیری مستقیم فرسایش خندقی در سطوح وسیع فرآیندی زمان‌بر، هزینه‌بردار و طاقت‌فرسا است. به این منظور، پژوهش حاضر، نسبت به انجام این مهم از طریق مدل‌سازی هدررفت خاک ناشی از فرسایش خندقی با استفاده از مدل‌های یادگیری ماشینی جنگل تصادفی و ماشین‌بردار پشتیبان و ارزیابی کارایی آنها در حوزه آبخیز ماهورمیلاتی واقع در جنوب‌غرب استان فارس اقدام کرد. در طی چهار سال (1399 لغایت 1402)، اندازه‌گیری‌های میدانی پارامترهای ابعادی 70 خندق انجام شد. در فرآیند مدل‌سازی، 15 عامل محیطی، به‌عنوان متغیرهای مستقل و میزان هدررفت خاک خندق‌ها به‌عنوان متغیر وابسته در نظر گرفته شدند و مدل‌سازی با رویکرد اعتبارسنجی متقاطع انجام شد. دقت مدل‌ها با استفاده از معیارهای کمی خطای جذر میانگین مربعات (RMSE)، ضریب تعیین (R2)، ریشه مربعات خطا (RSR) و همبستگی تطابق (d) مورد بررسی قرار گرفت. میزان هدررفت خاک خندق‌ها در دوره مورد مطالعه 15300/94 تن بود. نتایج ارزیابی دقت پیش‌بینی مدل‌ها نشان داد مدل جنگل تصادفی از نظر معیارهای ارزیابی، نسبت به مدل ماشین‌بردار پشتیبان از عملکرد بهتری برخوردار بود و به‌عنوان مدل برتر برای پیش‌بینی میزان هدررفت خاک ناشی از فرسایش خندقی معرفی شد. یافته‌ها نشان داد "مدل‌سازی" می‌تواند در صرفه‌جویی وقت و هزینه، خدمات ارزنده‌ای به مدیریت حفاظت آب و خاک ارائه دهد. به این منظور پیشنهاد می‌شود استفاده از مدل‌های مبتنی بر هوش مصنوعی و ساختار یادگیری ماشینی در پژوهش‌های آینده مورد توجه بیشتری قرار گیرد.