بررسي پتانسيل مناطق مستعد فرسايش با مدل‌هاي ICONA، ماشين بردار پشتيبان، چايد و جنگل تصادفي (مطالعه موردي: حوضه گناباد)

Investigating the Potential of Erosion-Prone Areas with ICONA Models, Support Vector Machine, Chaid and Random Forest (Case Study: Gonabad Basin)

مدل­ هاي تجربي برآورد فرسايش براي يك منطقه خاص تهيه شده ­­اند و واسنجي آن‌ها براي استفاده در شرايطي غير از محل تهيه آن‌ها ضروري است. بررسي دقت مدل ­هاي تجربي براي تخمين فرسايش مي­تواند منجر به برآوردهاي بهتر از بار رسوبي و درنتيجه طراحي بهتر عمليات حفاظت خاك و آب گردد. لذا شناسايي مناطق پر خطر فرسايش جهت كنترل و كاهش فرسايش و توليد رسوب ضروري است. هدف از اين پژوهش بررسي دقت و قابليت مدل‌هاي[1] ICONA ماشين بردار پشتيبان، چايد و جنگل تصادفي در تخمين فرسايش است. ابتدا لايه ­هاي رقومي متغيرهاي مؤثر در فرسايش شامل شيب، سازند زمين‌شناسي، كاربري اراضي، خاك، ارتفاع، جهت شيب، انحنا سطح، تراكم شبكه آبراهه، فاصله از آبراهه، تراكم گسل، فاصله از گسل و شاخص رطوبت توپوگرافي (Twi) تهيه گرديد. در اين پژوهش به‌منظور مقايسه مدل‌هاي مختلف از شاخص‌هاي آماري ضريب همبستگي (R) و قدر مطلق خطا )­MAE) استفاده شده است. بررسي نتايج نشان دادند كه از ميان مدل‌هاي نام برده مدل ماشين بردار پشتيبان، ICONA و جنگل تصادفي با الگوي M7، M9 و M12 بيشترين دقت را با ضريب همبستگي(0/899)، (0/845) و (0/921) و كمترين ميانگين قدر مطلق خطا (0/711= MAE)، (MAE=0/721) و (0/628= MAE) دارد. با توجه به مطالعه عوامل مؤثر در مدل فرسايش خاك اين نتيجه به دست مي­آيد كه پارامترهاي شيب، سازند زمين‌شناسي، كاربري اراضي، خاك، فاصله از آبراهه و شاخص رطوبت توپوگرافي (Twi) حساسيت بيشتري نسبت به فرسايش داشته و عوامل مؤثر بر فرسايش در اين مناطق فعاليت بيشتري دارند. بخش اعظم منطقه موردمطالعه، جزو طبقه فرسايشي خيلي زياد تا زياد قرار دارد كه به‌طور عمده اين كلاس ­ها در مركز منطقه قرار گرفته ­اند. بيشترين مناطق تحت خطر فرسايش بالا تا شديد، در واحد توپوگرافي با شيب زياد واقع شده ­اند.

Experimental models for estimating erosion have been developed for a specific area and their calibration is necessary for use in conditions other than their own location. Examining the accuracy of experimental models for estimating erosion can lead to better estimates of sediment load and thus better design of soil and water protection operations. Therefore, it is necessary to identify high-risk areas of erosion to control and reduce erosion and sediment production. The study aimed to investigate the accuracy and capability of ICONA, support vector machine, Chaid and random forest models in estimating erosion. First, digital layers of variables affecting erosion including slope, geological formation, land use, soil, height, slope direction, surface curvature, waterway network density, distance from the waterway, fault density, distance from the fault, and topographic moisture index (Twi) were prepared. To compare different models, statistical indices of correlation coefficient (R) and absolute magnitude of error (MAE) were used. The results showed that among the mentioned models, the support vector machine model, ICONA and random forest with M7, M9 and M12 pattern had the highest accuracy with correlation coefficient of 0.899, 0.845, and 0.921 and the lowest mean absolute value. It has error MAE = 0.711, MAE = 0.721, and MAE = 0.628. According to the study of effective factors in soil erosion model, it is concluded that the parameters of the slope, geological formation, land use, soil, distance from the waterway, and topographic moisture index (Twi) are more sensitive to erosion and the factors affecting erosion in these areas are more active. Most of the study area is part of a very high to high erosion class that these classes are mainly located in the center of the area. Most areas at high to severe erosion risk are located in the sloping topographic unit.