توصيفگر ها :
فرسايش و رسوب خاك , مدل جنگل تصادفي , سزيم-137 , نقشه¬برداري رقومي خاك , يادگيري ماشين
چكيده فارسي :
فرسايش و رسوب خاك از مهمترين معضلات محيط زيست به شمار مي¬آيد. لذا بدست آوردن اطلاعات كمي و قابل قبول و بلندمدت در مورد نرخ جهاني فرسايش و رسوب و گسترش آن يك نياز ضروري مي¬باشد. در نتيجه براي ارزيابي و برنامه¬ريزي در يك حوضه آبخيز و انجام پروژه¬هاي حفاظتي و مديريت بهتر، لازم است تا اطلاعات كافي از مقدار هدررفت و رسوب در دسترس باشد. براي رفع محدوديت¬هاي موجود مدل¬ها و تكنيك¬هاي جديدي جهت برآورد فرسايش و رسوب با كمترين مطالعات، با دقت زياد و با سهولت بكار گرفته مي¬شود. بدين منظور اين پژوهش در چهار بخش به مطالعه نقشهبرداري رقومي پايداري خاكدانههاي خاك به عنوان شاخصي از فرسايش¬پذيري خاك تحت چهار سناريو در شمال غرب ايران، ارزيابي توزيع كربن آلي و نيتروژن كل در اندازه¬هاي مختلف خاكدانه با استفاده از مدل¬هاي يادگيري ماشين، مدل¬سازي مكاني محتوا و توزيع مجدد سزيم-137 خاك با بكارگيري يادگيري ماشين و در مطالعه چهارم به ارزيابي تكنيك سزيم-137 و مقايسه¬ با داده¬هاي رسوب ايستگاه هيدرومتري حوضه در شمال غرب ايران پرداخته شد. مساحت تقريبي حوضه مورد مطالعه 777664 هكتار است كه با روش نمونه¬برداري مربع لاتين هايپركيوب شرطي 100 نمونه¬ خاك رويين (0تا15 و 15تا 30 سانتي¬متر) برداشت شد. نتايج پيش¬بيني پايداري خاكدانه¬ها در 4 سناريو با استفاده از الگوريتم¬هاي يادگيري ماشين نشان داد كه مدل جنگل تصادفي نسبت به مدل¬هاي ديگر نتايج و عملكرد بهتري را نشان داد و زماني كه مدل از متغيرهاي محيطي توپوگرافي، سنجش از دور و ويژگي¬هاي خاك استفاده مي¬كند، دقت قابل قبول¬تري ارائه مي¬دهد. ارزيابي توزيع كربن آلي و نيتروژن كل در اندازه¬هاي مختلف خاكدانه با استفاده از مدل¬هاي يادگيري ماشين انجام شد. نتايج اين بخش از پژوهش نشان داد كه روش¬هاي يادگيري ماشين بخصوص مدل جنگل تصادفي تواتست كربن آلي و نيتروژن كل در اندازه¬هاي مختلف خاكدانه را با متغيرهاي محيطي سنجش از دور، توپوگرافي و نقشه كاربري ارضي بخوبي پيش¬بيني كند. مدل¬سازي مكاني موجودي و توزيع مجدد سزيم-137 خاك با بكارگيري يادگيري ماشين و سنجش از دور به همراه متغيرهاي كمكي در مقياس حوضه آبخيزدر چهار سناريو صورت گرفت. نتايج مدل¬سازي نشان داد كه سناريو4 با تركيبي از متغيرهاي توپوگرافي، سنجش از دور و نقشه¬هاي موضوعي عملكرد بالايي دارد و بالاترين موجودي سزيم-137 و هدررفت/رسوب سزيم-137 در نقشه پيش¬بيني با مدل¬سازي 23/319 بكرل برمترمربع و 81/6 درصد برآورد شد. در بخش چهارم به مطالعه نقشه¬برداري فرسايش و رسوب بدست آمده با تكنيك سزيم-137 و مقايسه¬ با داده¬هاي رسوب ايستگاه هيدرومتري حوضه در شمال غرب ايران پرداخته شد. نتايج مدل¬سازي فرسايش و رسوب محاسبه شده با تعادل نسبي نشان داد كه روش¬هاي يادگيري ماشين بويژه مدل جنگل تصادفي نتايج رضايت¬بخشي را در اين پيش¬بيني ارائه نموده است كه ميزان فرسايش و رسوب در نقشه پيش¬بيني در بازه 25/8 و 95/118- تن برهكتار در سال برآورد شد. همچنين مقايسه فرسايش و رسوب در كاربري¬ها و شيب¬هاي مختلف نشان داد كه ميزان فرسايش در كاربري¬هاي مرتع به دليل قرار گرفتن در شيب¬هاي بين 10 تا 40 درصد مقادير بالايي را نشان مي¬دهد و با كاهش درصد شيب از ميزان فرسايش كاسته مي¬شود. به عبارت ديگر نقش ويژگي¬هاي توپوگرافي در فرسايش و رسوب حوضه آبخيز فوق¬العاده بارز بود. علاوه بر اين ميزان رسوب خروجي پيش¬بيني شده با مدل از حوضه آبخيزكل منطقه برابر 79/1 تن درهكتار در سال مي¬باشد و ميزان رسوب خروجي بدست آمده از ايستگاه هيدرومتري برابر 84/1 تن در هكتار در سال مي¬باشد. نتايج پيش¬بيني رسوب قرابت و نزديكي بالايي را به داده¬هاي واقعي ايستگاه هيدرومتري نشان داد. به طور كلي نتايج اين رساله مؤيد آن بود كه نقشه¬برداري رقومي ويژگي¬هاي خاك بخصوص در رابطه با برآورد فرسايش و رسوب با تكنيك سزيم_137 به همراه الگوريتم¬هاي يادگيري ماشين شامل مدل جنگل تصادفي عملكرد مطلوب و بالايي دارد كه در راستاي نتايج آن مي¬توان اقدامات مديريتي و حفاظتي لازم در جهت پيشگيري و كنترل فرسايش خاك در مقياس حوضه اتخاذ نمود.
چكيده انگليسي :
Soil erosion and sedimentation are critical environmental issues. Therefore, obtaining quantitative, reliable, and long-term data on the global rates of erosion and sedimentation, as well as their variations, is essential. This information is necessary for comprehensive assessment and planning within watersheds, enabling more effective conservation and management projects. This research is structured into four main sections. First, it involves mapping soil aggregate stability indices using machine learning (ML)-based models under four input environmental covariates scenarios. Second, it investigates the spatial distribution of soil organic carbon (SOC) and total nitrogen (TN) in different aggregate fractions (DAFs) using ML models. The third section models the spatial inventory and redistribution of soil 137Cs, employing ML and remote sensing alongside (RS) environmental covariates at the watershed scale. Finally, the fourth section maps erosion and sedimentation using the 137Cs technique and compares these findings with actual observational records from the basin hydrometric station in northwest Iran. The study area covers approximately 777,664 hectares, from which 100 topsoil samples were collected from the depths of 0-15 cm and 15-30 cm using the conditional hypercube Latin sampling method. The results of predicting soil aggregate stability across the four scenarios indicated that the random forest (RF) model outperformed other models. When the RF model incorporated environmental variables such as topography, RS, and soil variables, it demonstrated significantly higher accuracy. Furthermore, the findings of SOC and TN distribution in DAFs revealed that RF model well predicted the distribution of SOC and TN across DAFs when combined with RS, topography, and land use data. Spatial modeling of the inventory and redistribution of soil 137Cs at the watershed scale across four scenarios showed that scenario four, which combined topographic attributes, RS indices, and thematic maps, had the best performance. The highest cesium-137 inventory and loss/deposition were predicted to be 319.23 Bq/m² and 6.81%, respectively. In the fourth section, erosion and sediment maps derived from the 137Cs technique were analyzed and compared with sediment data from the basin hydrometric station. The results of erosion and sediment modeling, calculated using relative equilibrium, indicated that ML methods, particularly the RF model, provided satisfactory predictions. The predicted erosion and sediment rates in the prediction map ranged from 8.25 to -118.95 t/ha/year. Additionally, comparisons of erosion and sedimentation across different land uses and slopes revealed that pasture land, located on slopes between 10 to 40%, exhibited high erosion rates, which decreased with lower slope percentages. This highlights the significant influence of topographic attributes on erosion and sedimentation within the watershed. Furthermore, the model predicted a sediment output rate of 1.79 tons/ha. year for the entire watershed, while the hydrometric station recorded a sediment output rate of 1.84 tons/ha. year. The sediment prediction results showed a high degree of similarity to the actual data from the hydrometric station. In summary, the findings of this thesis confirm that digital mapping of soil properties, particularly in relation to erosion and sediment prediction using the cesium-137 technique alongside RF ML model, demonstrate strong performance. These results can be used to adapt necessary management and protection measures to prevent and control soil erosion in the highly degradable areas of the Aji Chay watershed.
