چالش های استفاده از فناوری های نوین در مدیریت پایدار حوزه های آبخیز کشور

این مطالعه با هدف ارزیابی قابلیت الگوریتم های یادگیری ماشین در پیش بینی شدت آب گریزی خاک، در خاک های لسی شمال ایران انجام شد؛ منطقه ای که به دلیل بافت ویژه و شرایط اقلیمی، مستعد پدیده آب گریزی است. در این پژوهش، ۴۵ نمونه خاک سطحی از مناطق مختلف استان های گلستان و مازندران برداشت شد. برای هر نمونه، مجموعه ای از ویژگی های فیزیکی و شیمیایی از جمله کربن آلی، ماده آلی، بافت خاک، پایداری خاکدانه، pH و EC اندازه گیری گردید. شاخص شدت آب گریزی با استفاده از آزمون زمان پایداری قطره آب تعیین شد. سه الگوریتم یادگیری ماشین شامل درخت تصمیم، جنگل تصادفی و XGBoost برای مدل سازی و پیش بینی مقدار WDPT مورد استفاده قرار گرفتند. نتایج نشان داد که مدل XGBoost با RMSE معادل ۷/۱۴ و ضریب تعیین ۴۲/۰، عملکرد بهتری نسبت به سایر مدل ها داشت. همچنین، کربن آلی به عنوان تاثیرگذارترین متغیر شناسایی شد. این یافته ها نشان می دهد که الگوریتم های پیشرفته یادگیری ماشین می توانند ابزار موثری برای تحلیل و پیش بینی پدیده های غیرخطی در مطالعات خاک و مدیریت حوزه های آبخیز باشند.

کلیدواژه ها:

یادگیری ماشین ، هوش مصنوعی ، پایداری خاکدانه ، خاک های لسی ، آب گریزی خاک