fa مدل‌سازی گسترش فرسایش خندقی با استفاده از مدل‌های جنگل تصادفی و شبکه عصبی مصنوعی در حوزه آبخیز ماهورمیلاتی استان فارس عمومی Ggeneral پژوهشي Research <div style="text-align: justify;">فرسایش خندقی، یکی از مهم‌ترین انواع فرسایش آبی است. از آنجایی که میزان هدررفت خاک ناشی از این فرسایش، ارتباط مستقیمی با عوامل محیطی دارد؛ بنابراین می توان بر اساس شرایط محیطی، میزان هدررفت خاک ناشی از هر خندق را مدل سازی کرد. با توجه به اینکه مدل های یادگیری ماشین، مبتنی بر هوش مصنوعی، قابلیت زیادی در تجزیه‌وتحلیل اطلاعات محیطی دارند، در این پژوهش علاوه بر تعیین هدررفت خاک ناشی از فرسایش خندقی، اقدام به مدل سازی با استفاده از دو مدل جنگل تصادفی و شبکه عصبی مصنوعی و ارزیابی کارایی آنها در حوزه آبخیز ماهورمیلاتی واقع در جنوب غرب استان فارس شده است. به این منظور، اندازه گیری پارامترهای ابعادی 70 خندق، طی چهار سال (1402-1399) انجام و حجم و وزن خاک از دست رفته محاسبه شد. 15 عامل محیطی، به عنوان متغیرهای پیش بینی کننده انتخاب و مدل سازی با رویکرد اعتبارسنجی متقاطع، توسط این دو مدل انجام شد و دقت مدل ها با استفاده از معیارهای کمی بررسی شد. میزان هدررفت خاک خندق ها در دوره مورد مطالعه 15300/94 تن بود. ارزیابی دقت مدل‌ها نشان داد مدل جنگل تصادفی بر اساس معیار ارزیابی ضریب تبیین (0/73-0/66=R2) از عملکرد بهتری برخوردار است. همچنین این مدل از نظر معیار ارزیابی شاخص خطای RSR، دارای کمترین مقدار بوده (1/03-0/66=RSR) و بیشترین دقت را به خود اختصاص داده است. از نظر شاخص ارزیابی تطابق (D)، نیز مدل جنگل تصادفی دارای بیشترین تطابق، میان داده‌های مشاهداتی و پیش‌بینی بوده و بیشترین مقدار این شاخص (0/83=D) را به خود اختصاص داد و بنابراین به عنوان مدل برتر برای پیش‌بینی هدررفت خاک ناشی از فرسایش خندقی در این حوزه آبخیز معرفی شد.&nbsp;</div> <div style="text-align: justify;">Gully erosion is one of the most important types of water erosion. Since the amount of soil loss due to this erosion is directly related to environmental factors, the amount of soil loss due to each gully can be modeled based on environmental conditions. According to the high ability of machine learning models based on artificial intelligence to analyze environmental information, in addition to determining soil loss due to gully erosion, modeling has been carried out using two random forest models, and artificial neural networks and evaluating their efficiency in the Mahurmilati watershed located in the southwest of Fars province in this study. The dimensional parameters of 70 gullies were measured over four years (2021-2024), and the volume and weight of soil lost were calculated. 15 environmental factors were selected as predictive variables, and modeling was performed with a cross-validation approach using these two models, and the accuracy of the models was evaluated using quantitative criteria. The amount of soil loss in gullies during the study period was 15300.94 tons. The accuracy evaluation of the models showed that the random forest model had better performance based on the coefficient of determination (R2=0.66-0.73). Also, this model had the lowest value in terms of the RSR error index evaluation criterion (RSR=0.66-1.03) and the highest accuracy. In terms of the fit evaluation index (D), the random forest model also had the highest fit between the observational and forecast data and had the highest value of this index (D=0.83), and therefore, it was introduced as the superior model for predicting soil loss due to gully erosion in this watershed.</div> خندق, عوامل محیطی, هوش مصنوعی, یادگیری ماشین Gully, Environmental factors, Artificial intelligence, Machine learning 49 64 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-4412-2&slc_lang=fa&sid=1 Seyed Masoud Soleimanpour سید مسعود سلیمان پور m.soleimanpour@areeo.ac.ir 000319475328460040168 000319475328460040168 Yes Soil Conservation and Watershed Management Research Department, Fars Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education, and Extension Organization (AREEO), Shiraz, Iran. بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران. Omid Rahmati امید رحمتی o.rahmati@areeo.ac.ir 000319475328460040169 000319475328460040169 No Soil Conservation and Watershed Management Research Department, Kurdistan Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Sanandaj, Iran. خش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کردستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، سنندج، ایران. Samad Shadfar صمد شادفر samad.shadfar@gmail.com 000319475328460040170 000319475328460040170 No Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education, and Extension Organization (AREEO), Tehran, Iran. پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران. Maryam Enayati مریم عنایتی enayatik@yahoo.com 000319475328460040171 000319475328460040171 No Soil Conservation and Watershed Management Research Department, Fars Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education, and Extension Organization (AREEO), Shiraz, Iran. بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران.