Natural Disasters

fa ارزیابی مناطق مستعد رخداد فرسایش خندقی در حوضه آبریز الشتر با استفاده از مدل‌های یادگیری ماشین Assessment of gully erosion-prone areas in the Aleshtar basin using machine learning models تخصصي Special كاربردي Applicable <div style="text-align: justify;">هدف: فرسایش خندقی یکی از بارزترین اشکال فرسایش آبی است که تأثیرات قابل‌توجهی بر تخریب اراضی، کاهش حاصلخیزی خاک و افزایش رسوب‌گذاری در منابع آبی دارد. در این پژوهش، به‌منظور شناسایی و پهنه‌بندی مناطق مستعد فرسایش خندقی در حوضه آبریز الشتر از مدل‌های خطی تعمیم‌یافته (GLM)، درخت رگرسیون تقویت‌شده (BRT) و مدل خطی تقویت‌شده (BLM) استفاده شده است. روش پژوهش: پارامترهای فضایی-محیطی مؤثر بر رخداد فرسایش خندقی زمین و نرم‌افزار R استفاده شده است. متغیرهای موردبررسی شامل عوامل توپوگرافی، اقلیمی، هیدرولوژیکی، پوشش گیاهی، کاربری اراضی و ویژگی‌های فیزیکی و شیمیایی خاک بودند که با استفاده از سامانه اطلاعات جغرافیایی (GIS) و داده‌های سنجش از دور استخراج شدند. یافته‌ها: ارزیابی توزیع فضایی مناطق مستعد فرسایش خندقی توسط هر سه مدل نشان داد که مناطق حاشیه دشت الشتر که شامل مناطق مرکزی، جنوب و غرب حوضه هستند بیشترین استعداد رخداد فرسایش خندقی را دارند. ارزیابی دقت مدل‌ها با استفاده از منحنی راک نشان داد که مدل BLM با AUC=0.84 عملکرد بهتری در شناسایی مناطق پرخطر فرسایش خندقی نسبت به مدل‌های  GLMو BRT دارد. بر اساس مدل BLM، 39 درصد حوضه دارای استعداد خیلی زیاد و زیاد فرسایش خندقی، 22 درصد از حوضه در کلاس متوسط و 39 درصد نیز در کلاس‌های کم و خیلی کم استعداد فرسایش خندقی قرار می‌گیرد. تحلیل اهمیت متغیرهای مورداستفاده در مدل‌سازی نشان داد که فاصله از رودخانه، شاخص رطوبت توپوگرافی (TWI)، واحدهای زمین‌شناسی، شاخص زبری سطح (TRI) و میزان بارش، تأثیرگذارترین عوامل در وقوع این پدیده هستند. نتیجه‌گیری: نتایج این پژوهش می‌تواند به‌عنوان ابزاری مؤثر در مدیریت اراضی و تدوین برنامه‌های کاهش فرسایش مورداستفاده قرار گیرد. پیشنهاد می‌شود در مطالعات آتی از مدل‌های ترکیبی پیشرفته و داده‌های با وضوح بالاتر برای بهبود دقت پیش‌بینی و ارائه راهکارهای بهینه‌تر استفاده شود.</div> <div style="text-align: justify;">Objective: Gully erosion is one of the most prominent forms of water erosion, with significant impacts on land degradation, reduced soil fertility, and increased sedimentation in water resources. Method: In this study, to identify and map areas susceptible to gully erosion in the Aleshtar watershed, Generalized Linear Models (GLM), Boosted Regression Trees (BRT), and Boosted Linear Models (BLM) were used, along with spatial-environmental parameters influencing the occurrence of gully erosion, and the R software. The variables examined included topographic, climatic, hydrological, vegetation cover, land use, and physical and chemical soil characteristics, which were extracted using Geographic Information Systems (GIS) and remote sensing data. Results: Spatial distribution assessment of gully-prone areas by all three models showed that the marginal areas of the Aleshtar plain, including the central, southern, and western parts of the watershed, have the highest susceptibility to gully erosion. Model accuracy evaluation using the ROC curve indicated that the BLM model (AUC = 0.84) performed better at identifying high-risk gully erosion areas than the GLM and BRT models. Based on the BLM model, 39% of the watershed falls into the very high and high susceptibility classes, 22% into the moderate class, and 39% into the low and very low susceptibility classes. Analysis of the importance of variables used in modeling showed that distance from rivers, Topographic Wetness Index (TWI), geological units, Terrain Ruggedness Index (TRI), and precipitation are the most influential factors in the occurrence of this phenomenon. Conclusion: The results of this study can serve as an effective tool in land management and erosion mitigation planning. It is recommended that future studies use advanced hybrid models and higher-resolution data to improve prediction accuracy and provide more optimal solutions.  </div> فرسایش خندقی, مدل یادگیری ماشین, حوضه آبریز الشتر, سیستم اطلاعات جغرافیایی (GIS), مدیریت اراضی. Gully erosion, Machine learning model, Aleshtar watershed, Geographic Information, System GIS, Land management, BLM model. 63 82 http://disaster.ndri.ac.ir/browse.php?a_code=A-10-29-2&slc_lang=fa&sid=1 Ali Davoudi علی داودی gis-geo@yahoo.com 1003194753284600172 1003194753284600172 Yes Department of Geomorphology, Faculty of Geography, Kharazmi University, Tehran, Iran. گروه ژئومورفولوژی، دانشکده جغرافیا، دانشگاه خوارزمی، تهران، ایران. Amir Karam امیر کرم karam@khu.ac.ir 1003194753284600173 1003194753284600173 No Department of Geomorphology, Faculty of Geographical Sciences, Kharazmi University, Tehran, Iran. گروه ژئومورفولوژی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی، تهران، ایران. Parviz Zeaiean Firouzabadi پرویز ضیائیان فیروزآبادی zeaiean@khu.ac.ir 1003194753284600174 1003194753284600174 No Department of Remote Sensing and Geographic Information Systems, Faculty of Geographical Sciences, Kharazmi University, Tehran, Iran. گروه سنجش از دور و سیستم‌های اطلاعات جغرافیایی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی، تهران، ایران. Ali Ahmadabadi علی احمد آبادی ahmadabadi@khu.ac.ir 1003194753284600175 1003194753284600175 No Department of Geomorphology, Faculty of Geographical Sciences, Kharazmi University, Tehran, Iran. گروه ژئومورفولوژی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی، تهران، ایران.