استفاده از روش های یادگیری ماشین در برآورد فرسایش خاک با مدل RUSLE در بخشی از اراضی مرکز ایران

فرسایش خاک مهم­ترین عامل تخریب اراضی در سطح جهان است که استفاده پایدار از منابع خاک جهان را تهدید می­کند، بخصوص در مناطقی که شرایط اقلیمی نیمه­خشک دارند. فرسایش عامل اصلی تخریب اراضی است. علی رغم پیامدهای مهم فرسایش خاک در استفاده پایدار از خاک، اطلاعات محدودی در مورد وضعیت فعلی فرسایش وجود دارد. کمبود این اطلاعات به پیچیدگی فرآیندهای فرسایش مرتبط است که پیش­بینی فرسایش خاک را هزینه­بر، وقت گیر و دشوار می­کند. این دشواری منجر به توسعه مدل ها و ابزارهای مختلفی شده است که به دنبال ساده سازی مدل­های فرسایش خاک و بهبود درک ما از الگو و فرآیندهای فرسایش خاک هستند. هدف اصلی در این پژوهش مقایسه چند روش یادگیری ماشین (ماشین بردار پشتیبان (SVM)، کوبیست (Cu) و جنگل تصادفی (RF)) برای پیش­بینی فاکتور فرسایش­پذیری خاک و همچنین برآورد تلفات خاک با استفاده از مدل RUSLE می­باشد. مدل RUSLE برای تخمین نرخ فرسایش سالانه خاک و ارزیابی خطر فرسایش با ترکیب پنج عامل شامل فرسایندگی باران (R)، فرسایش­پذیری خاک (K)، طول و درصد شیب (LS)، پوشش گیاهی (C) و عملیات حفاظتی (P) اجرا می­شود. در این پژوهش برای محاسبه تغییرات مکانی فاکتور K از نقشه­های تهیه شده با روش یادگیری ماشین که در سه سناریو (سناریوها (i) توپوگرافی، (ii) توپوگرافی + سنجش از دور، (iii) همه داده ها + نقشه های موضوعی) با تعداد ۱۰۰ نقطه نمونه­برداری شده با روش Conditional Latin Hypercube Sampling (cLHS) استفاده شد. نتایج به­دست آمده برای پیش­بینی فاکتور K نشان داد که مدل جنگل تصادفی در سناریو سوم بهترین عملکرد را در بین مدل­ها و سناریوهای استفاده شده در منطقه مطالعاتی دارد. میانگین فرسایش منطقه مطالعاتی ۲۷/۸ تن در هکتار در سال برآورد شد. نتایج نشان داد که سهم هر یک از کلاس های فرسایش در منطقه شامل ناچیز، ضعیف، متوسط، شدید و بسیار شدید به ترتیب حدود ۳۳٪، ۲۰٪، ۲۶٪، ۱۸٪ و ۳٪ بود. حدود ۲۱ درصد حوضه در رده­های شدید و بسیار شدید قرار گرفت که نیاز به اقدامات فوری برای کارهای حفاظتی می­باشد.

کلیدواژه ها:

اطلاعات جغرافیایی ، تغییرات مکانی ، عوامل فرسایش ، نقشه برداری رقومی خاک