امید اسدی نلیوان - دانش آموخته دکتری آبخیزداری، گروه آبخیزداری، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
علیرضا رابط - استادیار، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان زنجان، سازمان تحقیقات، آموزش و ترویج کشاورزی، زنجان، ایران
فرزانه وکیلی تجره - دانشجوی دکتری علوم و مهندسی آبخیزداری، گروه احیای مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران
مرضیه رمضانی - فارغ التحصیل کارشناسی مرتع و آبخیزداری، گروه مرتع و آبخیزداری، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد، یزد، ایران
محمد مومنی - کارشناس آبخیزداری اداره کل منابع طبیعی و آبخیزداری استان البرز، البرز، ایران
کهزاد حیدری - دانش آموخته دکتری آبخیزداری، گروه آبخیزداری، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

مقدمهفرسایش خندقی یکی از انواع فرسایش آبی است که سهم زیادی در تخریب اراضی دارد و به ­عنوان یکی از مهمترین مخاطرات محیطی در جهان و به­ خصوص در ایران شناخته شده است. در سال­ های اخیر، فن های یادگیری ماشینی و سامانه اطلاعات جغرافیایی در زمینه تعیین مناطق حساس به فرسایش خندقی دارای کارایی بالایی بوده­اند و باعث افزایش دقت و سرعت در زمینه ارزیابی، پتانسیل فرسایش خندقی شده ­اند که این فن ها در تعیین عوامل موثر بر فرسایش خندقی نیز موثر بوده ­اند. اراضی لسی استان گلستان به­ دلیل عمق کافی و دانه ­بندی تقریبا یکنواخت سیلتی، استفاده مفرط، کشت در اراضی شیب­دار و مدیریت غلط اراضی، فرسایش ­پذیری آبی بیشتری دارند، به طوری که همه انواع فرسایش را در این مناطق می­ توان مشاهده کرد. متداول ­ترین نوع فرسایش در این مناطق، فرسایش خندقی است. حوزه آبخیز مورد مطالعه در استان گلستان، با افزایش زمین­ های دیم و رها شده، تغییر کاربری اراضی، حضور دام مازاد در جنگل ­ها و همچنین، افزایش جمعیت روبه­ رو است. لذا، این حوضه با افزایش حساسیت فرسایش خندقی مواجه است و باید مناطق دارای پتانسیل فرسایش خندقی شناسایی و مدیریت شوند. مواد و روش هاحوزه آبخیز مورد مطالعه با مساحت ۲۲۲ هزار هکتار و دامنه ارتفاعی ۵۸ تا ۲۱۶۸ متر، در شمال شرقی استان گلستان قرار دارد. میانگین بارندگی حوضه بین ۲۲۴ تا ۷۳۶ میلی­متر است. در این پژوهش، ابتدا موقعیت خندق­ ها از اداره کل منابع طبیعی و آبخیزداری استان گلستان دریافت شد. سپس، از مجموع ۱۱۲۷ موقعیت خندق، به ­صورت تصادفی ۷۰ درصد به­ عنوان داده ­های آموزش و ۳۰ درصد به­ عنوان داده­ های اعتبارسنجی طبقه ­بندی شدند. به منظور تعیین متغیرهای موثر در حساسیت فرسایش خندقی، ۱۴ عامل شناسایی شد و در مرحله بعد تست هم­خطی بین متغیرها با استفاده از نرم ­افزار SPSS انجام شد. با استفاده از شاخص­ های ضریب تحمل و عامل تورم واریانس در صورت وجود هم­خطی بین متغیرها از روند مدلسازی حذف شدند. با توجه به اهمیت نقشه مدل رقومی ارتفاع و کاربرد آن در تهیه عوامل مختلف پژوهش حاضر، مدل رقومی ارتفاع (با اندازه سلول ۱۲.۵ متر) با استفاده از تصاویر ماهواره ALOS تهیه شد. لایه­ های شیب و جهت شیب با استفاده از مدل رقومی ارتفاع و به ­ترتیب از توابع Slope و Aspect تهیه شده ­اند. شاخص طول شیب در نرم ­افزار SAGA GIS، لایه­ های فاصله از آبراهه بر اساس نقشه آبراهه­ ها (استخراج از نرم ­افزار SAGA GIS) و فاصله از جاده بر اساس جاده ­های موجود و با استفاده از تابع فاصله اقلیدسی در نرم ­افزار ArcGIS تهیه شدند. لایه ­های تراکم آبراهه و تراکم جاده، بر اساس نقشه آبراهه ­ها و جاده­ های موجود در منطقه و با استفاده از تابع Line Density در نرم ­افزار ArcGIS به­دست آمدند. لایه سنگ­ شناسی از نقشه زمین شناسی منطقه (مقیاس ۱:۱۰۰۰۰۰) استخراج شده است و لایه کاربری اراضی از اداره کل منابع طبیعی و آبخیزداری استان گلستان دریافت شد. نقشه بارندگی با استفاده از اطلاعات ۳۵ ایستگاه باران­ سنجی تهیه شده است. ابتدا، میانگین بارندگی ۲۶ ساله (دوره آماری مشترک) برای هر ایستگاه محاسبه شد و سپس، با استفاده از روش کریجینگ جهانی (به ­دلیل کمترین میزان RMSE) در نرم ­افزار ArcGIS پهنه­ بندی بارندگی انجام گرفت. لایه شاخص موقعیت توپوگرافیک، با استفاده از مدل رقومی ارتفاع و با کمک نرم افزار SAGA GIS تهیه شد. به منظور ارزیابی مدل ­ها، از منحنی تشخیص عملکرد نسبی (ROC) جهت قدرت پیش­بینی مدل­ ها استفاده شد. نتایج و بحثنتایج نشان داد که بین متغیرها هم­خطی وجود ندارد و لذا، کلیه متغیرها در روند مدلسازی مورد استفاده قرار گرفتند. رابطه بین فرسایش خندقی و ارتفاع نشان داد که ارتفاعات پایین­تر حساسیت بیشتری نسبت به ارتفاعات بالاتر دارند و نزدیک به آبراهه­ها حساسیت فرسایش خندقی بیشتر است. نتایج نشان داد که با افزایش تراکم زهکشی، حساسیت فرسایش خندقی افزایش پیدا می­کند. همچنین، پادگانه­های قدیمی، شیل و لس­ها بیشترین تاثیر را بر حساسیت فرسایش خندقی دارند. نتایج نشان­دهنده کاهش حساسیت فرسایش خندقی با کاهش شاخص HAND است. در واقع این نتیجه بیانگر این است که در مناطقی که میزان سطوح اشباع در سطح حوزه آبخیز افزایش می­یابد، احتمال وقوع و حساسیت فرسایش خندقی افزایش پیدا می­کند. نتایج نشان داد که در میان انواع کاربری­ها، مسیل­ها، مراتع فقیر و کاربری کشاورزی، دارای بیشترین حساسیت فرسایش خندقی هستند. این در حالی است که مناطق جنگلی دارای کمترین میزان حساسیت به این فرسایش بوده­اند. نتایج نشان داد که در دامنه بارندگی ۲۲۰ تا ۴۲۰ میلی­متر، احتمال رخداد فرسایش خندقی افزایش پیدا کرده است و از دامنه ۴۲۰ تا ۵۰۰ میلی­متر، بالاترین میزان حساسیت را نشان داده است و با افزایش بارندگی از ۵۰۰ میلی­متر، حساسیت فرسایش خندقی کاهش یافته است. از دلایل کاهش حساسیت فرسایش خندقی در بارندگی­های بالاتر می­توان به افزایش پوشش گیاهی و ایجاد شرایط مناسب برای زمین­لغزش­ها اشاره کرد. نتایج نشان داد که عمق دره تا ۲۳۵ متر، باعث افزایش احتمال فرسایش خندقی شده است و از ۲۳۵ متر به بالا، باعث کاهش احتمال رخداد فرسایش شده است. نتایج نشان داد که نزدیک به جاده­ها میزان حساسیت فرسایش خندقی افزایش پیدا می­کند و این مورد اثرات جاده­سازی و تشدید شرایط برای فرسایش خندقی را نشان می­دهد. نتیجه گیریاین پژوهش با هدف تعیین عوامل موثر بر فرسایش خندقی و پهنه­بندی توزیع مکانی آن در شمال شرق استان گلستان انجام شد. در این پژوهش، با در نظر گرفتن ۱۴ عامل مهم و با استفاده از مدل­های جنگل تصادفی، شبکه عصبی مصنوعی و درخت رگرسیون و طبقه­بندی، نقشه حساسیت وقوع فرسایش خندقی تهیه شد. با توجه به این­که شناسایی مناطق دارای حساسیت فرسایش خندقی مبتنی بر روش­های سنتی و نظرات کارشناسی از دقت قابل قبولی برخوردار نیست، استفاده از روش­های نوین یادگیری ماشینی امری ضروری است. نتایج نشان داد که عوامل فاصله از جاده و کاربری اراضی از مهمترین عوامل تاثیرگذار بر حساسیت فرسایش خندقی هستند که مدیریت کاربری اراضی را از سوی انسان می طلبد. منحنی ROC، نشان داد که دقت مدل­ها در برآورد مناطق دارای حساسیت فرسایش خندقی در مرحله آزمون عالی (ANN)، و در مرحله آزمون و اعتبارسنجی خیلی خوب (RF  و CART) بوده است که به معنای عملکرد عالی مدل­ها است.

استان گلستان, شبکه عصبی مصنوعی, فرسایش آبکندی, یادگیری ماشینی, ROC