fa تخمین هدررفت خاک ناشی از فرسایش خندقی با استفاده از مدل‌های یادگیری ماشینی در حوزه آبخیز آبگندی عمومی Ggeneral پژوهشي Research <div style="text-align: justify;">هدررفت خاک و تخریب فراوان ناشی از فرسایش خندقی همواره خسارات فراوانی به همراه داشته است. به دلیل اینکه اندازه گیری مستقیم میدانی و پایش فرسایش خندقی امری هزینه بر و زمان بر است، امکان تعیین میزان هدررفت خاک ناشی از فرسایش خندقی بسیار مشکل است. این پژوهش با هدف محاسبه حجم خاک ازدست‌رفته ناشی از فرسایش خندقی با استفاده از مدل های یادگیری ماشین در حوزه آبخیز آبگندی استان کهگیلویه و بویراحمد بر اساس مطالعات میدانی، انجام شده است. مدل های یادگیری ماشین عبارت‌اند از: جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و سیستم استنباط فازی عصبی تطبیقی. ازاین‌رو، موقعیت 68 خندق در منطقه ثبت و به منظور مدل سازی هدررفت خاک ناشی از خندق ها، لایه های رقومی عوامل تأثیرگذار بر گسترش خندق ها از جمله عوامل توپوگرافی، خاک شناسی، سنگ شناسی و هیدرولوژیک به عنوان متغیرهای مستقل تهیه شد. سپس حجم خاک ازدست‌رفته ناشی از فرسایش خندقی منطقه در تعدادی خندق معرف به صورت مستقیم به عنوان متغیر وابسته در عرصه اندازه گیری شد. خندق های اندازه گیری‌شده، به صورت تصادفی به دو گروه آموزش و اعتبارسنجی تقسیم شدند. نتایج مدل ها با استفاده از خطای جذر میانگین مربعات (RMSE) و شاخص R2 ارزیابی شده و مدل ها با یکدیگر مقایسه شدند. بر اساس نتایج این مطالعه، فرسایش خندقی در حوضه آبگندی استان کهگیلویه و بویراحمد هر ساله رو به افزایش است و در شرایطی که میزان بارندگی و همچنین فراوانی بارش‌های سنگین (بیشتر از مقدار پنج میلی‌متر یا بیشتر) و دارای شدت زیادی باشد، میزان فرسایش و هدررفت خاک به طور مستقیم افزایش چشمگیر خواهد داشت. از میان مدل‌های یادگیری ماشین مورد استفاده در این پژوهش، مدل جنگل تصادفی به عنوان مدل برتر در زمینه پیش‌بینی هدررفت خاک ناشی از فرسایش خندقی انتخاب شد.</div> <div style="text-align: justify;">Soil loss and extensive degradation caused by gully erosion have always caused serious damage. Because direct field measurement and monitoring of gully erosion are costly and time-consuming, it is very difficult to determine the amount of soil loss caused by gully erosion. The present research was conducted to calculate the volume of soil loss due to gully erosion using machine learning models in the Abgendi watershed of Kohgiluyeh and Boyar Ahmad province based on field studies. Machine learning models include random forest, support vector machine, artificial neural network, and adaptive neural fuzzy inference system. The location of 68 gullies in the area was recorded. Hence, initially, digital layers of factors affecting the expansion of gullies, including topography, pedology, lithology, and hydrology, were prepared as independent variables to model soil loss caused by gullies. Then, representative gullies were selected in the studied watershed, and the volume of soil loss due to gully erosion was directly measured in the field as a dependent variable. The measured gullies were randomly divided into two training and validation groups. The results of the models were evaluated using root mean square error (RMSE) and R2, and the models were compared. According to the results, gully erosion in the Abgendi watershed of Kohgiluyeh and Boyar Ahmad province is increasing every year. Also, the amount of erosion and soil loss will increase when the amount of rainfall and the frequency of intense rainfall (&ge;5mm) are high. Among the machine learning models used in the present research, the random forest (RF) model was selected as the best model to predict soil loss generated by gully erosion.</div> آبگندی, جنگل تصادفی, ماشین بردار پشتیبان, شبکه عصبی مصنوعی, فرسایش خندقی Abgendi, Random forest, Support vector machine, Artificial neural network, Gully erosion 123 139 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-6469-2&slc_lang=fa&sid=1 Iman Saleh ایمان صالح salehiman61@gmail.com Yes 1. Forests, Rangelands and Watershed Management Research Department, Kohgiluyeh & Boyerahmad Agricultural and Natural Resources Research, and Education Center, Agricultural Research, Education, and Extension Organization (AREEO), Yasuj, Iran. بخش تحقیقات جنگل ها، مراتع و آبخیزداری، مرکز تحقیقات و آموزش کشــاورزی و منابع طبیعی استان کهگیلویه و بویراحمد، سازمان تحقیقات، آموزش و ترویج کشاورزی، یاسوج، ایران. Seyed Masoud Soleimanpour سید مسعود سلیمانپور m.soleimanpour@yahoo.com No 2. 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 کشــاورزی و منابع طبیعی استان فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران. Majid Khazaei مجید خزایی khazayi64@gmail.com No 1. Forests, Rangelands and Watershed Management Research Department, Kohgiluyeh & Boyerahmad Agricultural and Natural Resources Research, and Education Center, Agricultural Research, Education, and Extension Organization (AREEO), Yasuj, Iran. بخش تحقیقات جنگل‌ها، مراتع و آبخیزداری، مرکز تحقیقات و آموزش کشــاورزی و منابع طبیعی استان کهگیلویه و بویراحمد، سازمان تحقیقات، آموزش و ترویج کشاورزی، یاسوج، ایران. Omid Rahmati امید رحمتی orahmati68@gmail.com 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. بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشــاورزی و منابع طبیعی استان کردستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، سنندج، ایران. Samad Shadfar صمد شادفر samad.shadfar@gmail.com No 4. 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.