توصيفگر ها :
فرسايش خاك , فرسايش¬پذيري خاك , يادگيري ماشين , مدل RUSLE و SWAT
چكيده فارسي :
فرسايش خاك مهمترين عامل تخريب زمين¬ها در سطح جهان، به¬ويژه در مناطق نيمه¬خشك، است كه استفاده پايدار از منابع خاك جهان را تهديد مي¬كند. كمبود دانسته¬ها در زمينه فرسايش و رسوب به پيچيدگي فرآيندهاي فرسايش مرتبط است كه پيش¬بيني فرسايش خاك را هزينه¬بر، وقت گير و دشوار مي¬كند. اين دشواري منجر به توسعه مدل‌ها و ابزارهاي مختلفي شده است كه به دنبال ساده‌سازي مدل¬هاي فرسايش خاك و بهبود درك ما از الگو و فرآيندهاي فرسايش خاك هستند. بدين منظور اين پژوهش در چهار بخش شامل پيش¬بيني برخي از ويژگي¬هاي فيزيكي و مكانيكي موثر بر فرسايش خاك با مدل-هاي يادگيري ماشين، پيش¬بيني فاكتور فرسايش¬پذيري خاك با روش¬هاي مختلف يادگيري ماشين، مقايسه نقشه¬برداري سنتي و نقشه¬برداري رقومي در پيش¬بيني فرسايش خاك با مدل RUSLE و برآورد رواناب و رسوب با استفاده از مدل SWAT در زيرحوضه آبخيز مندرجان انجام شد. مساحت تقريبي حوضه مورد مطالعه 22000 هكتار است كه با روش نمونه-برداري مربع لاتين هايپركيوب شرطي 100 نمونه¬ خاك رويين (0تا 30 سانتي¬متر) برداشت شد. نتايج پيش¬بيني برخي از ويژگي¬هاي فيزيكي و مكانيكي موثر بر فرسايش خاك با مدل¬هاي يادگيري ماشين نشان داد كه مدل جنگل تصادفي نسبت به دو مدل كيوبيست و ماشين بردار پشتيبان نتايج قابل قبول¬تري را ارائه مي¬دهد و زماني كه مدل از متغيرهاي محيطي (توپوگرافي و سنجش از دور)، داده¬هاي طبقه¬بندي به همراه ويژگي¬هاي خاك استفاده مي¬كند، دقت قابل قبول¬تري ارائه مي¬دهد. پيش¬بيني فاكتور فرسايش¬پذيري خاك با روش¬هاي مختلف يادگيري ماشين با دو رويكرد انجام شد. نتايج اين بخش از پژوهش نشان داد كه روش¬هاي يادگيري ماشين با موفقيت توزيع مكاني فرسايش¬پذيري خاك را پيش¬بيني نمودند و همچنين اين پيش¬بيني¬ها در رويكرد دوم قابل اعتمادتر و داراي دقت بيش¬تري بود. مقايسه نقشه¬برداري سنتي و نقشه-برداري رقومي در پيش¬بيني فرسايش خاك با مدل RUSLE گوياي اين واقعيت بود كه نتايج به¬دست آمده با دو روش مذكور تفاوت چنداني با هم نداشتند. اين يافته مؤيد آن است كه مدل RUSLE با داده¬هاي محدود و بسيار ساده مي¬تواند پيش¬بيني خوبي از فرسايش خاك در منطقه ارائه دهد. فرسايش كل منطقه برابر 177908 تن در سال (با ميانگين حدود 8 تن در هكتار در سال) و ميزان رسوب تحويلي در نقطه خروجي حوضه برابر 83/2 تن در هكتار در سال برآورد شد. رسوب خروجي ازحوضه نيز با چهار مدل مختلف نسبت تحويل رسوب برآورد شد كه مدل Slope-based با برآورد 74/2 تن در هكتار در سال نتايج قابل قبول و نزديكتري به داده¬هاي واقعي ايستگاه هيدرومتري نشان داد. در بخش برآورد رواناب و رسوب با استفاده از مدل SWAT ضريب تبيين و نش-ساتكليف براي واسنجي و صحت¬سنجي رواناب به ترتيب برابر 69/0، 64/0، 72/0 و 66/0 بدست آمد. همچنين ضرايب مزبور براي واسنجي و صحت¬سنجي رسوب به ترتيب برابر 62/0، 60/0، 58/0 و 55/0 بود. با بررسي روند جريان شبيه¬سازي شده با مدل SWAT در مراحل واسنجي و صحت¬سنجي براي رواناب و رسوب گوياي اين بود كه مدل با دقت قابل قبولي توانست رخدادها را در زيرحوضه آبخيز مندرجان پيش¬بيني نمايد. ميزان توليد رسوبي در نقطه خروجي توسط مدل SWAT براي داده¬هاي واسنجي برابر 7/4 تن در هكتار در سال برآورد شد كه مقدار ميانگين داده¬هاي مشاهداتي در اين سال¬ها برابر 93/3 تن در هكتار در سال بود. نتايج مدل¬هاي RUSLE و SWAT نسبت به داده¬هاي واقعي به¬ترتيب كم¬برازش و بيش¬برازش داشتند. كلاس فرسايش¬ خاك منطقه با روش¬هاي RUSLE و SWAT تهيه شد و مناطق با كلاس¬هاي شديد و بسيار شديد قرار گرفت كه نياز به اقدامات فوري براي عمليات حفاظت بيولوژيك و مكانيكي دارند تا منجر به كاهش رسوب به مخزن سد زاينده¬رود گردد.
چكيده انگليسي :
Soil erosion is the most important cause of land degradation in the world, especially in semi-arid regions, which threatens the sustainable use of the world's soil resources. The lack of knowledge in the field of erosion and sedimentation is related to the complexity of erosion processes, which makes predicting soil erosion expensive, time-consuming, and difficult. This difficulty has led to the development of various models and tools that seek to simplify soil erosion models and improve our understanding of soil erosion patterns and processes. For this purpose, this research in four parts included the prediction of some physical and mechanical characteristics affecting soil erosion with machine learning models, the prediction of soil erodibility factor with different machine learning methods, comparison of traditional and digital mapping in predicting soil erosion with the RUSLE model and estimation of runoff and sediment using SWAT model were carried out in Mendirjan watershed sub-basin, Isfahan Province, Central Iran. The approximate area of the studied watershed is 22000 hectares, which was collected using the Latin square hypercube conditional sampling method of 100 topsoil samples (0 to 30 cm). The prediction results of some physical and mechanical characteristics affecting soil erosion with machine learning models showed that the random forest model provided more acceptable results than the cubist and support vector machine models, and when the model uses environmental variables (topography and remote sensing), classified data along with soil characteristics, and provides more acceptable accuracy. Prediction of soil erodibility factor was done using different machine learning methods with two approaches. The results of this part of the research showed that machine learning methods successfully predicted the spatial distribution of soil erodibility, and also these predictions were more reliable and accurate in the second approach. The comparison of traditional mapping and digital mapping in predicting soil erosion with the RUSLE model showed that the two mentioned methods were not different significantly for predicting soil erodibility factor. This finding confirmed that the RUSLE model with limited and very simple data can provide a good prediction of soil erosion in the region. The erosion of the whole area was estimated at 177,908 tons per year (with an average of about 8 tons per hectare per year) and the amount of sediment delivered at the outlet point of the basin was estimated 2.83 ton/ha.yr. The sediment output from the basin was also estimated with four different sediment delivery ratio models, and the Slope-based model showed acceptable results with an estimate of 2.74 ton/ha.yr and much closer to the real data of the hydrometric station. In the runoff and sediment estimation section using the SWAT model, the coefficient of explanation and Nash-Sutcliffe for the calibration and validation of the runoff were obtained as 0.69, 0.64, 0.72, and 0.66, respectively. Also, the mentioned coefficients for calibration and validation of sediment were 0.62, 0.60, 0.58, and 0.55, respectively. By examining the flow process simulated with the SWAT model in the calibration and validation stages for runoff and sediment, it was evident that the model was able to predict the events in the Mendirjan sub-basin with acceptable accuracy. The amount of sediment production at the outlet point was estimated by SWAT model to be 4.7 ton/ha.yr, and the average value of observation data in these years was 3.93 ton/ha.yr. The results of the RUSLE and the SWAT models were under-fit and over-fit, respectively, compared to the real data. The soil erosion class of the region was prepared by RUSLE and SWAT methods and the areas were classified as severe and very severe, which require immediate measures for biological and mechanical conservational operations to lead to the reduction of sediment in the reservoir of the Zayandeh River Dam.
