سال 14، شماره 4 - ( زمستان 1403 )
جلد 14 شماره 4 صفحات 145-119 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Memarian H, Momeni Damaneh J. Evaluating the efficiency of different machine learning models in extracting the map of erosion forms of arid watersheds (Case study: Mukhtaran plain watershed, South Khorasan, Iran). E.E.R. 2024; 14 (4) :119-145
URL: http://magazine.hormozgan.ac.ir/article-1-856-fa.html
URL: http://magazine.hormozgan.ac.ir/article-1-856-fa.html
معماریان خلیل آباد هادی، مومنی دمنه جواد. ارزیابی کارآیی مدل‌های مختلف یادگیری ماشین در تهیه نقشه اشکال فرسایش حوضه‌های آبخیز مناطق خشک (مطالعه موردی: حوزه آبخیز دشت مختاران، خراسان جنوبی). پژوهش هاي فرسايش محيطي. 1403; 14 (4) :119-145
دانشکده منابع طبیعی و محیط زیست و عضو گروه پژوهشی خشکسالی و تغییر اقلیم، دانشگاه بیرجند، ایران ، hadi_memarian@birjand.ac.ir
چکیده: (1224 مشاهده)
لازمه مدیریت فرسایش خاک، ارائه راهکارهای مناسبی می‌باشد که با شناخت از وضعیت فرسایش خاک حاصل میشود. هدف از مطالعه حاضر، مدلسازی اشکال فرسایش آبی با 25 متغیر محیطی و با استفاده از10 مدل یادگیری ماشین در نرم افزارR و بررسی پایداری مدل بهمنظور آگاهی از حساسیت‌پذیری این نوع از فرسایش در حوضه آبخیز مختاران استان خراسان جنوبی می‌باشد. بدین منظور، موقعیت 10 فرسایش آبی غالب حوزه با استفاده از GPSثبت شد. این وقایع در قالب دو گروه آموزش و اعتبارسنجی با نسبت 70 به 30 کلاسبندی شد. به منظور ارزیابی پایداری و کارایی مدل، پنج تکرار از آن اجرا شد. کارایی مدل با استفاده از معیارهای ROC، KAPPA و TSS ارزیابی شد. نقشه‌های حاصل از مدلسازی به چهار کلاس فرسایش کم، متوسط، شدید و خیلی شدید طبقه‌بندی شدند. با توجه به نتایج پایداری، بهترین مدلسازی برای فرسایش شیاری کم تا خیلی‌شدید، مدل اجماعی(ESMs) به ترتیب با دقت 97/0، 85/0، 90/0 و 98/0، فرسایش آبراهه‌ای کم تا شدید، مدل اجماعی (ESMs) به ترتیب با دقت 88/0، 96/0 و 96/0 و در نهایت در فرسایش کناره ای رودخانه کم و متوسط، اکثر مدل‌ها دقت بسیار بالای اجرا شدند. مدل‌های اجماعی (ESMs) در مجموع بهترین عملکرد را در پیش‌بینی تمامی اشکال فرسایش از خود نشان دادند. این مدل‌ها در هر سه ضریب ارزیابی، دقت بسیار بالایی معادل 94/0، 98/0 و 99/0 درصد را به دست آوردند. بررسی اهمیت نسبی تمام فاکتورهای محیطی در هر سه نوع شکل عمده فرسایش آبی منطقه مورد بررسی نشان‌دهنده‌ی این بود که عوامل فیزیوگرافیک، زمین شناسی، پوشش سطحی‌خاک و خاکشناسی اهمیت قابل‌توجهی در پراکنش جغرافیایی اشکال فرسایش آبی در حوزه مختاران دارند. در مجموع می‌توان مدل‌های یادگیری ماشین را به عنوان یک رویکرد مؤثر و نوین برای برنامه‌ریزی کاربری اراضی و مدیریت ریسک فرسایش معرفی نمود.
نوع مطالعه: مستخرج از پایان‌نامه / رساله / طرح پژوهشی |
موضوع مقاله:
مدلسازی و تحلیل زمانی و مکانی رخداد انواع مختلف فرسایش محیطی
دریافت: 1403/4/25 | انتشار: 1403/10/1
دریافت: 1403/4/25 | انتشار: 1403/10/1
فهرست منابع
1. Afshar, F. A., Ayoubi, S., & Jalalian, A. (2010). Soil redistribution rate and its relationship with soil organic carbon and total nitrogen using 137Cs technique in a cultivated complex hillslope in western Iran. Journal of environmental radioactivity, 101(8), 606-614. [DOI:10.1016/j.jenvrad.2010.03.008]
2. Alkharabsheh, M. M., Alexandridis, T. K., Bilas, G., Misopolinos, N., & Silleos, N. (2013). Impact of land cover change on soil erosion hazard in northern Jordan using remote sensing and GIS. Procedia environmental sciences, (19), 912-921. [DOI:10.1016/j.proenv.2013.06.101]
3. Angileri, S. E., Conoscenti, C., Hochschild, V., Märker, M., Rotigliano, E., & Agnesi, V. (2016). Water erosion susceptibility mapping by applying stochastic gradient treeboost to the Imera Meridionale river basin (Sicily, Italy). Geomorphology, (262), 61-76. [DOI:10.1016/j.geomorph.2016.03.018]
4. Arabameri, A., Pradhan, B., Rezaei, K., Yamani, M., Pourghasemi, H. R., & Lombardo, L. (2018). Spatial modelling of gully erosion using evidential belief function, logistic regression, and a new ensemble of evidential belief function-logistic regression algorithm. Land Degradation & Development, 29(11), 4035-4049. [DOI:10.1002/ldr.3151]
5. Arabameri, A., Rezaei, K., Cerda, A., Lombardo, L., & Rodrigo-Comino, J. (2019). GIS-based groundwater potential mapping in Shahroud plain, Iran. A comparison among statistical (bivariate and multivariate), data mining and MCDM approaches. Science of the total environment, (658), 160-177. [DOI:10.1016/j.scitotenv.2018.12.115]
6. Bordbar, M., Aghamohammadi, H., Pourghasemi, H. R., & Azizi, Z. (2022). Multi-hazard spatial modeling via ensembles of machine learning and meta-heuristic techniques. Scientific Reports, 12(1), 1451. [DOI:10.1038/s41598-022-05364-y]
7. Can, A., Dagdelenler, G., Ercanoglu, M. et al. (2019). Landslide susceptibility mapping at Ovacık-Karabük (Turkey) using different artificial neural network models: comparison of training algorithms. Bull Eng Geol Environ (78), 89-102. [DOI:10.1007/s10064-017-1034-3]
8. Chang, T. C. (2007). Risk degree of debris flow applying neural networks. Natural hazards, 42(1), 209-224. [DOI:10.1007/s11069-006-9069-y]
9. Chang, T. C., & Chao, R. J. (2006). Application of back-propagation networks in debris flow prediction. Engineering Geology, 85(3-4), 270-280. [DOI:10.1016/j.enggeo.2006.02.007]
10. Choubin, B., Rahmati, O., Tahmasebipour, N., Feizizadeh, B., & Pourghasemi, H. R. (2019). Application of fuzzy analytical network process model for analyzing the gully erosion susceptibility. Natural hazards gis-based spatial modeling using data mining techniques, 105-125. [DOI:10.1007/978-3-319-73383-8_5]
11. Conoscenti, C., Agnesi, V., Cama, M., Caraballo‐Arias, N. A., & Rotigliano, E. (2018). Assessment of gully erosion susceptibility using multivariate adaptive regression splines and accounting for terrain connectivity. Land degradation & development, 29(3), 724-736. [DOI:10.1002/ldr.2772]
12. Damaneh, J. M., Ahmadi, J., Rahmanian, S., Sadeghi, S. M. M., Nasiri, V., & Borz, S. A. (2022). Prediction of wild pistachio ecological niche using machine learning models. Ecological Informatics, 72, 101907. [DOI:10.1016/j.ecoinf.2022.101907]
13. Dou, J., Yamagishi, H., Pourghasemi, H. R., Yunus, A. P., Song, X., Xu, Y., & Zhu, Z. (2015). An integrated artificial neural network model for the landslide susceptibility assessment of Osado Island, Japan. Natural Hazards, (78), 1749-1776. [DOI:10.1007/s11069-015-1799-2]
14. Eustace, A. H., Pringle, M. J., & Denham, R. J. (2011). A risk map for gully locations in central Queensland, Australia. European journal of soil science, 62(3), 431-441. [DOI:10.1111/j.1365-2389.2011.01375.x]
15. Fielding, A. H., & Bell, J. F. (1997). A review of methods for the assessment of prediction errors in conservation presence/absence models. Environmental conservation, 24(1), 38-49. [DOI:10.1017/S0376892997000088]
16. Galton, F. (1892). Finger prints (No. 57490-57492). Macmillan and Company.
17. García‐Ruiz, J. M., Beguería, S., Lana‐Renault, N., Nadal‐Romero, E., & Cerdà, A. (2017). Ongoing and emerging questions in water erosion studies. Land Degradation & Development, 28(1), 5-21. [DOI:10.1002/ldr.2641]
18. Garosi, Y., Sheklabadi, M., Conoscenti, C., Pourghasemi, H. R., & Van Oost, K. (2019). Assessing the performance of GIS-based machine learning models with different accuracy measures for determining susceptibility to gully erosion. Science of the Total Environment, (664), 1117-1132. [DOI:10.1016/j.scitotenv.2019.02.093]
19. Gorsevski, P. V., Brown, M. K., Panter, K., Onasch, C. M., Simic, A., & Snyder, J. (2016). Landslide detection and susceptibility mapping using LiDAR and an artificial neural network approach: a case study in the Cuyahoga Valley National Park, Ohio. Landslides, (13), 467-484. [DOI:10.1007/s10346-015-0587-0]
20. Goyes-Peñafiel, P., & Hernandez-Rojas, A. (2021). Doble evaluación de la susceptibilidad por movimientos en masa basada en redes neuronales artificiales y pesos de evidencia. Boletín de Geología, 43(1), 173-191. DOI: 10.18273/revbol. v43n1-2021009 [DOI:10.18273/revbol]
21. Hong, H., Pourghasemi, H. R., & Pourtaghi, Z. S. (2016). Landslide susceptibility assessment in Lianhua County (China): a comparison between a random forest data mining technique and bivariate and multivariate statistical models. Geomorphology, (259), 105-118. [DOI:10.1016/j.geomorph.2016.02.012]
22. Jalali, M., Gholami, H., Rezaie, M., & Omidvar, E. (2023). Integrated Modeling of Soil Erosion by Water and Wind Using Machine Learning Methods. Watershed Management Research Journal, 36(3), 128-145. doi: 10.22092/wmrj.2022.358127.1458. (in persian)
23. Kornejady, A., Ownegh, M., & Bahremand, A. (2017). Landslide susceptibility assessment using maximum entropy model with two different data sampling methods. Catena, (152), 144-162. [DOI:10.1016/j.catena.2017.01.010]
24. Lee, S., Ryu, J. H., Lee, M. J., & Won, J. S. (2003). Use of an artificial neural network for analysis of the susceptibility to landslides at Boun, Korea. Environmental Geology, (44), 820-833. [DOI:10.1007/s00254-003-0825-y]
25. Mao, D., Zeng, Z., Wang, C., & Lin, W. (2007, August). Support vector machines with PSO algorithm for soil erosion evaluation and prediction. In Third International Conference on Natural Computation (ICNC 2007) (Vol. 1, pp. 656-660). IEEE. doi: 10.1109/ICNC.2007.697. [DOI:10.1109/ICNC.2007.697]
26. Moghadam, B. K., Jabarifar, M., Bagheri, M., & Shahbazi, E. (2015). Effects of land use change on soil splash erosion in the semi-arid region of Iran. Geoderma, (241), 210-220. [DOI:10.1016/j.geoderma.2014.11.025]
27. Mohammadifar, A., Gholami, H., Comino, J. R., & Collins, A. L. (2021). Assessment of the interpretability of data mining for the spatial modelling of water erosion using game theory. Catena,( 200), 105178. [DOI:10.1016/j.catena.2021.105178]
28. Momeni Damaneh, J., Ahmadi, J., & Jafarpour Chekab, Z. (2023). Identification of Suitable Areas for Cultivation of Saffron (Crocus sativus L.) Using Artificial Intelligence-Based Models in Khorasan Razavi Province. Journal of Saffron Research, 11(2), 328-345. doi: 10.22077/jsr.2024.7137.1231. (in persian)
29. Momeni damaneh, J., Tajbakhsh, S. M., Ahmadi, J., & safdari, A. A. (2023). Determining The Areas Prone to The Growth of Rhume ribes L. Specie in Razavi Khorasan Province Using Vector Machine Models. Water and Soil Management and Modelling, (), -. doi: 10.22098/mmws.2023.12726.1276. (in persian)
30. Momeni Damaneh, J., Tajbakhsh, S. M., Ahmadi, J., & Safdari, A. A. (2022). Comparison of species distribution models in determining the habitat landscape of Pistacia vera L. specie in Razavi Khorasan province. Water and Soil Management and Modelling, 3(4), 77-92. doi: 10.22098/mmws.2022.11698.1160. (in persian)
31. mohammadi, S., Karimzadeh, H., & Alizadeh, M. (2018). Spatial estimation of soil erosion in Iran using RUSLE model. Iranian journal of Ecohydrology, 5(2), 551-569. doi: 10.22059/ije.2018.239777.706. (in persian)
32. Morgan, R. P. C. (2009). Soil erosion and conservation. John Wiley & Sons. ISBN 9788578110796
33. Panagos, P., Borrelli, P., Meusburger, K., Alewell, C., Lugato, E., & Montanarella, L. (2015). Estimating the soil erosion cover-management factor at the European scale. Land use policy, (48), 38-50. http://dx.doi.org/10.1016/j.landusepol.2015.05.021 [DOI:10.1016/j.landusepol.2015.05.021]
34. Pandey, V. K., Pourghasemi, H. R., & Sharma, M. C. (2020). Landslide susceptibility mapping using maximum entropy and support vector machine models along the Highway Corridor, Garhwal Himalaya. Geocarto International, 35(2), 168-187. [DOI:10.1080/10106049.2018.1510038]
35. Park, N. W. (2015). Using maximum entropy modeling for landslide susceptibility mapping with multiple geoenvironmental data sets. Environmental Earth Sciences, (73), 937-949. [DOI:10.1007/s12665-014-3442-z]
36. Pourghasemi, H. R., & Rossi, M. (2017). Landslide susceptibility modeling in a landslide prone area in Mazandarn Province, north of Iran: a comparison between GLM, GAM, MARS, and M-AHP methods. Theoretical and Applied Climatology, 130(1), 609-633. [DOI:10.1007/s00704-016-1919-2]
37. Pourghasemi, H. R., Yousefi, S., Kornejady, A., & Cerdà, A. (2017). Performance assessment of individual and ensemble data-mining techniques for gully erosion modeling. Science of the Total Environment, (609), 764-775. [DOI:10.1016/j.scitotenv.2017.07.198]
38. Pradeep, G. S., Krishnan, M. N., & Vijith, H. (2015). Identification of critical soil erosion prone areas and annual average soil loss in an upland agricultural watershed of Western Ghats, using analytical hierarchy process (AHP) and RUSLE techniques. Arabian Journal of Geosciences, 8(6), 3697-3711. [DOI:10.1007/s12517-014-1460-5]
39. Pradhan, B. (2013). A comparative study on the predictive ability of the decision tree, support vector machine and neuro-fuzzy models in landslide susceptibility mapping using GIS. Computers & Geosciences, 51, 350-365. [DOI:10.1016/j.cageo.2012.08.023]
40. Rahman, M. R., Shi, Z. H., & Chongfa, C. (2009). Land use/land cover change analysis using geo-information technology: two case studies in Bangladesh and China. International Journal of Geoinformatics, 5(2), 25.
41. Rahmati, O., Tahmasebipour, N., Haghizadeh, A., Pourghasemi, H. R., & Feizizadeh, B. (2017). Evaluation of different machine learning models for predicting and mapping the susceptibility of gully erosion. Geomorphology, (298), 118-137. [DOI:10.1016/j.geomorph.2017.09.006]
42. Sajedi‐Hosseini, F., Choubin, B., Solaimani, K., Cerdà, A., & Kavian, A. (2018). Spatial prediction of soil erosion susceptibility using a fuzzy analytical network process: Application of the fuzzy decision-making trial and evaluation laboratory approach. Land degradation & development, 29(9), 3092-3103. [DOI:10.1002/ldr.3058]
43. Scott, A. C. (2001). Water erosion in the Murray-Darling Basin: Learning from the past (p. 134). Canberra, Australia: CSIRO Land and Water.
44. Senanayake, S., & Pradhan, B. (2022). Predicting soil erosion susceptibility associated with climate change scenarios in the Central Highlands of Sri Lanka. Journal of Environmental Management, (308), 114589. [DOI:10.1016/j.jenvman.2022.114589]
45. Shahri, A. A., Spross, J., Johansson, F., & Larsson, S. (2019). Landslide susceptibility hazard map in southwest Sweden using artificial neural network. Catena, (183), 104225. [DOI:10.1016/j.catena.2019.104225]
46. Sharma, A., Tiwari, K. N., & Bhadoria, P. B. S. (2011). Effect of land use land cover change on soil erosion potential in an agricultural watershed. Environmental monitoring and assessment, (173), 789-801. [DOI:10.1007/s10661-010-1423-6]
47. Smeeton, N. C. (1985). Early history of the kappa statistic. Biometrics, (41), 795.
48. Svoray, T., Michailov, E., Cohen, A., Rokah, L., & Sturm, A. (2012). Predicting gully initiation: comparing data mining techniques, analytical hierarchy processes and the topographic threshold. Earth Surface Processes and Landforms, 37(6), 607-619. [DOI:10.1002/esp.2273]
49. Swets, J. A. (1988). Measuring the accuracy of diagnostic systems. Science, 240(4857), 1285-1293. [DOI:10.1126/science.3287615]
50. Taner San, B. (2014). An evaluation of SVM using polygon-based random sampling in landslide susceptibility mapping: The Candir catchment area (western Antalya, Turkey). International journal of applied earth observation and geoinformation, (26), 399-412. http://pascal-francis.inist.fr/vibad/index.php?action=getRecordDetail&idt=28046489 [DOI:10.1016/j.jag.2013.09.010]
51. Thuiller, W., Lafourcade, B., Engler, R., & Araújo, M. B. (2009). BIOMOD-a platform for ensemble forecasting of species distributions. Ecography, 32(3), 369-373. [DOI:10.1111/j.1600-0587.2008.05742.x]
52. Vaezi, A. R., Abbasi, M., Bussi, G., & Keesstra, S. (2017). Modeling sediment yield in semi‐arid pasture micro‐catchments, NW Iran. Land Degradation & Development, 28(4), 1274-1286. [DOI:10.1002/ldr.2526]
53. Vanmaercke, M., Poesen, J., Verstraeten, G., de Vente, J., & Ocakoglu, F. (2011). Sediment yield in Europe: Spatial patterns and scale dependency. Geomorphology, 130(3-4), 142-161. [DOI:10.1016/j.geomorph.2011.03.010]
54. Walther, G. R., Post, E., Convey, P., Menzel, A., Parmesan, C., Beebee, T. J., ... & Bairlein, F. (2002). Ecological responses to recent climate change. Nature, 416(6879), 389-395. [DOI:10.1038/416389a]
55. Yi, Y. J., Cheng, X., Yang, Z. F., & Zhang, S. H. (2016). Maxent modeling for predicting the potential distribution of endangered medicinal plant (H. riparia Lour) in Yunnan, China. Ecological Engineering, (92), 260-269. [DOI:10.1016/j.ecoleng.2016.04.010]
56. Yuan, L., Zhang, Q., Li, W., & Zou, L. (2006, July). Debris flow hazard assessment based on support vector machine. In 2006 IEEE International Symposium on Geoscience and Remote Sensing (pp. 4221-4224). IEEE. doi: 10.1109/IGARSS.2006.1083. [DOI:10.1109/IGARSS.2006.1083]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
