• Home
  • Prediction of Gully Erosion Susceptibility using ME, Dempster-Shafer and WOE Models in the Southern Slope of Alborz: Determining the Best Model and the Effect of the Most Important Indicators

Share To

Article Url


Manuscript ID : 140308201190047 Visit : 2 Page: 95 - 114

Article Type: Original Research

Prediction of Gully Erosion Susceptibility using ME, Dempster-Shafer and WOE Models in the Southern Slope of Alborz: Determining the Best Model and the Effect of the Most Important Indicators

Subject Areas : Optimal management of water and soil resources

Ebrahim Yousefi Mobarhan 1 , Kourosh Shirani 2 , Kazem Saber 3

1 - Assistant Professor, Soil Conservation and Watershed Management Research Institute, Semnan Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Semnan, Iran.
2 - Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran.
3 - Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran.

Received: 2024-11-10 Accepted : 2025-03-04 Published : 2025-06-19

Keywords: Jackknife test, multiple collinearity test, maximum entropy, gully erosion, machine learning model,

Abstract :

Introduction: Identifying areas sensitive to gully erosion using statistical models and making maximum use of available information with less cost and time and access to greater accuracy is of particular importance. The aim of this research is to prepare a map of sensitivity to gully erosion using maximum entropy, Dempster-Schaffer and witness weight models in the Alaa watershed in the southern slope of Alborz, Semnan province. Identifying the most important environmental factors affecting the occurrence of gully erosion using the jackknife method and examining the importance of each environmental factor in the study area by analyzing response curves are other objectives of this research.

method: In this study, after selecting the study area, the necessary information was collected and a map of the factors affecting gully erosion was prepared. Next, a gully occurrence distribution map was prepared and the data were randomly divided into two groups: training or calibration (70%) and experimental or prediction (30%). Also, a multiple collinearity test was performed with the variance inflation factor and tolerance coefficient indices to examine the overlap and importance of each of the effective factors. After implementing the maximum disorder, Dempster-Schaffer, and witness weight models, a gully erosion sensitivity map was prepared and classified into five classes from very low to very high. Finally, an evaluation of gully erosion sensitivity prediction models for the study area was performed and the superior method was selected for the study area.

Results and Discussion: Based on the results obtained from the collinearity test, 20 parameters from 23 effective parameters in the occurrence of gully erosion, including climate, land use, stream density, soil type, elevation, distance from the stream, average annual precipitation, slope, profile curvature index, slope curvature, vertical distance index from the stream, convergence index, vegetation index, topographic moisture index, slope direction, watershed area, light shade index, lithology, ground surface texture, and curvature classification index, were identified for appropriate modeling. The gully erosion sensitivity map of the study area showed that the outcrop of the Quaternary clay and marl rock unit in the southern regions of the basin has the greatest effect on causing gully erosion. The structure performance characteristic curve and the area under the curve were used to validate the models. The maximum irregularity, Dempster-Schaffer, and witness weight models have accuracies of 87.1, 81, and 83.7 percent in the modeling stage, respectively, and 87.5, 80, and 84.6 percent in the validation stage, and are very effective in predicting areas susceptible to gully erosion.

Conclusion: The maximum entropy model with a value of 0.91 in the model development mode and a value of 0.89 in the validation mode can be efficient in zoning and predicting the occurrence of gully erosion. Therefore, the maximum entropy model was used with good speed and accuracy in evaluating the effective factors and validating the zoning of sensitivity to gully erosion. Zoning the sensitivity map to gully erosion in the study area showed that most of the areas with high and very high sensitivity were concentrated in the central and southeastern regions of the study area, while the areas with low sensitivity to gully erosion are spread in the steep and high northern regions. The results of this research can be promoted and trained, and the implementation agencies can take the necessary measures to control gully erosion using the results of this research.

References:

Asgari S, Shirani K. Evaluation of the effective factors in gully erosion sensitivity using Dempster-Shafer. 2024. Journal of Spatial Analysis Environmental Hazards: 11 (2): 137-159 (In persion).
Asgari S, Shirani K. and Soleimani, F. 2025. Evaluation of gully erosion using weight of evidence (WofE) and Dempster-Schiffer (DSH) models in Ilam watershed. Watershed Management Research, 37(4), 71-98 (In persion).
Azareh, A., Rahmati, O., Rafiei-Sardooi, E. Sankey, J. B., Lee, S., Shahabi, H., bin, B. Ahmad, B. 2019. Modelling gully-erosion susceptibility in a semi-arid region, Iran: Investigation of applicability of certainty factor and maximum entropy models. Science of the Total Environment 655: 684-696
Baboli moakher, H., Shirani, K., and Taghian. A.R. 2018. Performance of chaos theory on natural systems in landslide hazard zonation in Fahlian River Basin. Journal of Geoscience, 28 (109): 187-200 (In Persian).
Ballabio, C., & Sterlacchini, S. 2012. Support vector machines for landslide susceptibility mapping: the Staffora River Basin case study, Italy. Mathematical geosciences, 44(1): 47-70.
Bernini, A., Bosino, A., Botha, G., & Mearker, M., 2021. Elevation of gully erosion suscepceptibility using a maximum entropy model in the upper Mkhomazi River Basin in South Africa. Geo Information,10 (11),1-20.
Boos, D.D. and C. Brownie. 2004. Comparing variances and other measures of dispersion. Statistical Science, 19(4): 571-578.
Castillo, C., E.V. Taguas, P. Zarco-Tejada, M.R. James and J.A. Gómez. 2014. The normalized topographic method: an automated procedure for gully mapping using GIS. Earth Surface Processes and Landforms, 39(15): 2002–2015.
Chaplot, V., Giboire, G., Marchand, P., Valentin, C. 2005. Dynamic modelling for linear erosion initiation and development under climate and land-use changes in northern Laos. Catena, 63(2-3): 318-328.
Conoscenti, C., Agnesi, V., Angileri, S., Cappadonia, C., Rotigliano, E., Märker, M. 2013. A GIS-based approach for gully erosion susceptibility modelling: a test in Sicily, Italy. Environ Earth Sci, 70: 1179- 1195.
Conforti, M., Aucelli, P. P., Robustelli, G., & Scarciglia, F., 2011. Geomorphology and GIS analysis for mapping gully erosion susceptibility in the Turbolo stream catchment (Northern Calabria, Italy). Natural hazards, 56(3): 881-898.
Davoudi Moghaddam, D., & Haghizadeh, A. 2020. Detection of Susceptible Areas to Flooding and its Most Important Contributing Factors Using the Maximum Entropy Model in the Tashan Watershed, Khuzestan. Watershed Management Research Journal, 33(4): 94-109.
Dempster, A.P. 1967. Upper and lower probabilities induced by a multi valued mapping. Ann Math Stat, 38 (2): 325–339.
Dormann, C. F., J. Elith, S. Bacher, C. Buchmann, G. Carl, G. Carré, J. R. G. Marquéz, B. Gruber, B. Lafourcade, P.J. Leitão, T. Münkemüller, C. Mc Clean, P. E. Osborne, B. Reineking, B. Schröder, A. K. Skidmore, D. Zurell and S. Lautenbach. 2013. Collinearity: a review of methods to deal with it and a simulation study evaluating their performance. Ecography 36: 27-46.
Dube, F., Nhapi, I., Murwira, A., Gumindoga, W., Goldin, J., Mashauri, D.A. 2014. Potential of weight of evidence modelling for gully erosion hazard assessment in Mbire District-Zimbabwe. Physics and Chemistry of the Earth, Parts A/B/C, 67: 145–152.
Elith, J., S. Phillips, T. Hastie, M. Dudík, Y. Chee, and C. Yates. 2010. A statistical explanation of MaxEnt for ecologists. Diversity and Distributions, 17(1): 43–57.
Entezari, M., M. Amjad, Kh. Moradi and S. Olfati. 2014. Zoning of gully erosion in catchment of Dyreh by Analytical Hierarchy Process (AHP). The Journal of Spatial Planning, 17: 63-86 (in Persian).
Erfani, M., Jahanishakib, F., & Enayat, A. 2021. Modeling the habitat distribution of Black Francolin (Francolinus francolinus) using MaxEnt algorithm in Sistan region. Journal of Animal Environment, 13(1): 139-146.
Farajzadeh, M., A. Afzali, Y. Khalili and E. Gholichi. 2012. Gully erosion susceptibility assessment using multivariate regression model, case study: Kiasar, Southern Mazandaran Province. Environmental Erosion Research Journal, 2: 42-57 (in Persian).
Gearman M, Blinnikov, Ms. 2019. Mapping the potential distribution of Oak Wilt (Bretziella fagacearum) in east central southeast the Minnesota using the Maxent. Journal of forestry. 117(6): 579-591.
Geissen, V., Kampichler, C., López-de Llergo-Juárez, J.J., GalindoAcántara, A. 2007. Superficial and subterranean soil erosion in Tabasco, tropical Mexico: Development of a decision tree modeling approach. Geoderma 139(3-4): 277–287.
Gómez Gutiérrez, Á., Schnabel, S., Lavado Contador, J.F. 2009. Using and comparing two nonparametric methods (CART and MARS) to model the potential distribution of gullies. Ecological Modelling 220 (24): 3630-3637.
Graham, C.H., J. Elith, R.J. Hijmans, A. Guisan, A.T. Peterson, B.A. Loiselle. 2008. The NCEAS predicting species distributions working group. The influence of spatial errors in species occurrence data used in distribution models. Journal of Applied Ecology, 45: 239–247.
orhan İNİK, Mustaf UTLU. Erosion Susceptibility Analysis in Bingöl (Türkiye) using Logistic Regression, Frequency Ratio, Weight of Evidence and Shannon’s Entropy methods. 2024. PREPRINT (Version 1) available at Research Square [https://doi.org/10.21203/rs.3.rs-4402292/v1].
Jafarzadeh, M. S., Tahmasebipoor, N., Haghizadeh, A., Pourghasemi, H., & Rouhani, H. 2021. Prediction of susceptible areas for groundwater recharge based on maximum entropy model. Advanced Applied Geology, 11(4): 723-739.
Javidan, N.; Kavian, A.; Pourghasemi, H.R.; Conoscenti, C.; Jafarian, Z. Data Mining Technique (Maximum Entropy Model) for Mapping Gully Erosion Susceptibility in the Gorganrood Watershed, Iran. 2020. In Gully Erosion Studies from India and Surrounding Regions; Shit, P.K., Pourghasemi, H.R., Bhunia, G.S., Eds.; Advances in Science, Technology & Innovation; Springer International Publishing: Cham, Switzerland, pp. 427–448
Jiao, Y., Zhao, D., Ding, Y., Liu, Y., Xu, Q., Qiu, Y., Liu, C., Liu, Z., and Zha, Z., Li, R. 2019. Performance evaluation for four GIS-based models purposed to predict and map landslide susceptibility: A case study at a World Heritage site in Southwest China. Catena, 183: 104221.
Kariminejad N, Hosseinalizadeh M, Pourghasemi HR, Bernatek-Jakiel A, Campetella G, Ownegh M. 2019. Evaluation of factors affecting gully headcut location using summary statistics and the maximum entropy model: Golestan Province, NE Iran. Science Total Enviroment, 677: 281-298.
Karimi Sangchini, E. and M. Ownegh. 2015. Evaluation of gully erosion hazard by statistical models in Naghan Inter basin, Chaharmahal Va Bakhtiari province. Journal of Water and Soil Conservation, 22(5): 315-319 (In Persian).
Kuhnert, P. M., A. K. Henderson, R. Bartley and A. Herr. 2010. Incorporating uncertainty in gully erosion calculations using the random forests modelling approach. Environmetrics 21: 493-509.
Lal, R., 2003. Offsetting global CO2 emissions by restoration of degraded soils and intensification of world agriculture and forestry. Land Degradation & Development, vol. 14(3): 309-322.
Li, Heyang, Jizhong Jin, Feiyang Dong, Jingyao Zhang, Lei Li, and Yucheng Zhang. 2024. Gully Erosion Susceptibility Prediction Using High-Resolution Data: Evaluation, Comparison, and Improvement of Multiple Machine Learning Models. Remote Sensing 16, no. 24: 4742.
Lombardo, L., Cama, M., Conoscenti, C., Märker, M., & Rotigliano, E. 2015. Binary logistic regression versus stochastic gradient boosted decision trees in assessing landslide susceptibility for multiple occurring landslide events: application to the 2009 storm event in Messina (Sicily, southern Italy). Natural Hazards, 79(3): 1621-1648.
Lucà, F., Conforti, M., Robustelli, G., 2011. Comparison of GIS-based gullying susceptibility mapping using bivariate and multivariate statistics: Northern Calabria, South Italy. Geomorphology, 134: 297–308.
Madadi, A., Asgharisaraskanroud, S., Negahban, S., Marhamat, M. (2022). Evaluation
of gully erosion sensitivity using Maximum Entropy model in Shoor River watershed (Mohr Township). Journal of Geography and Environmental Hazards. 11(2): 123-145
Magliulo, P. 2010. Soil erosion susceptibility maps of the Janare Torrent Basin (Southern Italy). J. Maps, 6: 435–447.
Magliulo, P. 2012. Assessing the susceptibility to water-induced soil erosion using a geomorphological, bivariate statistics-based approach. Enviroment earth Science, 67: 1801–1820.
Märker, M., Pelacani, S., Schröder, B. 2011. A functional entity approach to predict soil erosion processes in a small Plio-Pleistocene Mediterranean catchment in Northern Chianti, Italy. Geomorphology 125(4): 530-540.
Milaghardan, A. H., M. Delavar and A. Chehreghan. 2016. Uncertainty in landslide occurrence prediction using Dempster–Shafer theory. Modelling of Earth System Environments 2: 188, 1-10.
Mohammady, M., Dustmohammadian, A. H., Amiri, M., & Kianian, M. K. 2020. Investigating Quantitative Changes of Groundwater in the Semnan Plain. Water Resources Engineering, 13(47), 61-70.
Phillips, S.J., Dudík, M., and Schapire, R.E. 2004. A maximum entropy approach to species distribution modeling. Proceedings of the Twenty-First International Conference on Machine Learning Banff, Alberta, Canada, 83p.
Phillips, S.J., Anderson, R.P., and Schapire, R.E. 2006. Maximum entropy modeling of species geographic distributions. Ecological Modelling, 190 (3/4): 231-259.
Park, N.W. 2015. Using maximum entropy modeling for landslide susceptibility mapping with multiple geo environmental data sets. Environmental Earth Science, 73: 937–949.
Pourghasemi, H.R., B. Pradhan, C. Gokceoglu, M. Mohammadi and H.R. Moradi. 2013. Application of weights-of-evidence and certainty factor models and their comparison in landslide susceptibility mapping at Haraz watershed, Iran. Arabian Journal of Geosciences, 6: 2351–2365.
Pourghasemi, H. R., Yousefi, S., Kornejady, A. and Cerdà, A. 2017. Performance assessment of individual and ensemble data-mining techniques for gully erosion modeling. Science of the Total Environment, 609:764- 775.
Rahmati, O., Tahmasebipour, N., Haghizadeh, A., Pourghasemi, H.R., Feizizadeh, B. 2017. Evaluating the influence of geo-environmental factors on gully erosion in a semi-arid region of Iran: An integrated framework. Science of the Total Environment. 579: 913-927.
Rahmati, O., Tahmasebipour, N., Haghizadeh, A., Pourghasemi, H., & Feizizadeh, B. 2018. Assessing the effectiveness of the maximum entropy model to gully erosion susceptibility prediction in the Kashkan-Poldokhtar Watershed. Watershed Engineering and Management, 10(4): 727-738.
saberchenari K, salmani H, mirabedini M. Landslide Hazard Mapping Using Dempster-Shafer Theory- A Case Study: Ziarat Watershed, Golestan Province, Iran. 2018. Journal of Engineering Geology, 11 (4) :385-404(In Persian).
Saberi Chenari, K., A. Bahremand, V. Berdi Sheikh and C. Biram Komaki. 2016. Gully erosion hazard zoning using of Dempster-Shafer model in the Gharnaveh watershed, Golestan province. EcoHydrology 3(2): 219-231 (In Persian).
Shirani, K., 2017. Modelling and Assessment of Landslide Susceptibility Zonation using Shannon’s Entropy Index and Bayesian Weight of Evidence (Case Study: Sarkhoon Basin, Karoon), J. Water and Soil Sci (Sci. & Technol. Agric. & Natur. Resour.), 21(1), 11.
Shirani, K., and Arabameri, A.R. 2015. Landslide hazard zonation using logistic regression method (Case study: Dez-e-Oulia basin). Journal of Science and Technology of Agriculture and Natural Resources, 19 (72): 321-335.
Shirani, K., Pasandi, M., and Arabameri, A.R. 2018. Landslide susceptibility assessment by Dempster– Shafer and Index of Entropy models, Sarkhoun basin, Southwestern Iran, Natural Hazards, 93 (3): 1379- 1418.
Shirani K. 2021. Gully Erosion Mapping and Susceptibility Assessment Using Statistical and Probabilistic Methods. JWSS - Isfahan University of Technology; 25 (2): 151-174(In Persian).
Shirani, K., & Naderi Samani, R. 2022. Prioritization of effective parameters, landslide susceptibility zonation using maximum entropy, and dempster shafer in Doab Samsami, Chaharmahal Bakhtiyari. Journal of Range and Watershed Managment, 75(1): 51-72 (In Persian).
Shrestha S, Kang TS. 2019. Assessment of seismically- induced landslide susceptibility after the 2015 Gorkha earthquake, Nepal. Bulletin of Engineering Geology and the Environment. 78(3): 1829-1842/
Silakhori, Z., VahabzadeKebriya, GH, and Pourghasemi, H.R. 2022. Landslide Susceptibility Mapping using Bayesian Model: A Case Study of some Regions of Talar Watershed, Mazandaran Province. Quarterly journal of Environmental Erosion Research. 2(50): 122-140.
Tahmassebipoor, N., Rahmati, O., Noormohamadi, F., Lee, S. 2016. Spatial analysis of groundwater potential using weights-of-evidence and evidential belief function models and remote sensing. Arabian Journal of Geosciences, 9(1): 79.
Teimouri, M., & Asadi Nalivan, O. 2021. Determination of Groundwater Spring Potential Using Maximum Entropy, GIS and RS Emphasizing HAND Topographic-Hydrologic New Index (Case Study: Urmia Lake Basin). Iranian Journal of Remote Sensing & GIS, 13(2): 119-138.
Tien Bui, D., B. Pradhan, I. Revhaug, D. B. Nguyen, H. V. Pham and Q. N. Bui. 2015. A novel hybrid evidential belief function-based fuzzy logic model in spatial prediction of rainfall-induced shallow landslides in the Lang Son city area (Vietnam) Geomatics. Natural Hazards Risk 6: 243-271.
Tsangaratos, P., I Ilia, H. Hong, W. Chen and C. Xu. 2017. Applying information theory and GIS-based quantitative methods to produce landslide susceptibility maps in Nancheng County, China. Landslides 14: 1091-1111.
Valentin, C., J. Poesen and Y. Li. 2005. Gully erosion: Impacts, factors and control. Catena, 63: 132- 153.
Yousefi Mobarhan, E., Karimi Sangchini, E., 2021. Continuous Rainfall-Runoff Modeling Using HMS-SMA with Emphasis on the Different Calibration Scale. Journal of Chinese Soil and Water Conservation, 52 (2): 112-119.
Yousefi Mobarhan, E and K. Shirani. 2023. Assessment of Maximum Entropy (ME) to identify Effective Factors on Gully Erosion and Determination of Sensitive Areas in Alaa Semnan Watershed. Journal of Watershed Management Research, 14(28): 37-52 (In Persian).
Yousefi Mobarhan, E., & Zandifar, S. (2023). Zoning of changes in the decreasing groundwater table and temporal monitoring of drought in the Ghorove-Dehgolan plain. Iranian Journal of Rainwater Catchment Systems, 11(1), 17-35 (In Persian).
Zakerinejad, R., Märker, M., 2014. Prediction of Gully erosion susceptibilities using detailed terrain analysis and maximum entropy modeling: a case study in the Mazayejan Plain, Southwest Iran. Geografia Fisica e Dinamicca Quaternaria, 37(1): 67-76.
Zabihi, M., F. Mirchooli, A. Motevalli, A. K. Darvishan, H. R. Pourghasemi, M. A. Zakeri and F. Sadighi. 2018. Spatial modelling of gully erosion in Mazandaran Province, northern Iran. Catena 161: 1-13.
Full-Text:


 

img0 

Print ISSN: 2251-7480

Online ISSN: 2251-7400

 

 

Journal of

Water and Soil Resources Conservation

 (WSRCJ)

 

Web site:

https://wsrcj.srbiau.ac.ir

 

Email:

iauwsrcj@srbiau.ac.ir

iauwsrcj@gmail.com

 

 

 

 

 

Vol. 15

No. 1 (57)

 

 

 

 

 

Received:

2024-11-10

 

Accepted:

2025-03-04

 

 

 

Pages: 95-114

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Prediction of Gully Erosion Susceptibility using ME, Dempster-Shafer and WOE Models in the Southern Slope of Alborz: Determining the Best Model and the Effect of the Most Important Indicators

 

Ebrahim Yousefi Mobarhan1, Kourosh Shirani 2*and Kazem Saber3

 

1) Assistant Professor, Soil Conservation and Watershed Management Research Institute, Semnan Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Semnan, Iran.

2) Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran.

3) Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran. 

*Corresponding author emails: e.yousefi.m@gmail.com

 

Abstract:

Introduction: Identifying areas sensitive to gully erosion using statistical models and making maximum use of available information with less cost and time and access to greater accuracy is of particular importance. The aim of this research is to prepare a map of sensitivity to gully erosion using maximum entropy, Dempster-Schaffer and witness weight models in the Alaa watershed in the southern slope of Alborz, Semnan province. Identifying the most important environmental factors affecting the occurrence of gully erosion using the jackknife method and examining the importance of each environmental factor in the study area by analyzing response curves are other objectives of this research.

method: In this study, after selecting the study area, the necessary information was collected and a map of the factors affecting gully erosion was prepared. Next, a gully occurrence distribution map was prepared and the data were randomly divided into two groups: training or calibration (70%) and experimental or prediction (30%). Also, a multiple collinearity test was performed with the variance inflation factor and tolerance coefficient indices to examine the overlap and importance of each of the effective factors. After implementing the maximum disorder, Dempster-Schaffer, and witness weight models, a gully erosion sensitivity map was prepared and classified into five classes from very low to very high. Finally, an evaluation of gully erosion sensitivity prediction models for the study area was performed and the superior method was selected for the study area.

Results and Discussion: Based on the results obtained from the collinearity test, 20 parameters from 23 effective parameters in the occurrence of gully erosion, including climate, land use, stream density, soil type, elevation, distance from the stream, average annual precipitation, slope, profile curvature index, slope curvature, vertical distance index from the stream, convergence index, vegetation index, topographic moisture index, slope direction, watershed area, light shade index, lithology, ground surface texture, and curvature classification index, were identified for appropriate modeling. The gully erosion sensitivity map of the study area showed that the outcrop of the Quaternary clay and marl rock unit in the southern regions of the basin has the greatest effect on causing gully erosion. The structure performance characteristic curve and the area under the curve were used to validate the models. The maximum irregularity, Dempster-Schaffer, and witness weight models have accuracies of 87.1, 81, and 83.7 percent in the modeling stage, respectively, and 87.5, 80, and 84.6 percent in the validation stage, and are very effective in predicting areas susceptible to gully erosion.

Conclusion: The maximum entropy model with a value of 0.91 in the model development mode and a value of 0.89 in the validation mode can be efficient in zoning and predicting the occurrence of gully erosion. Therefore, the maximum entropy model was used with good speed and accuracy in evaluating the effective factors and validating the zoning of sensitivity to gully erosion. Zoning the sensitivity map to gully erosion in the study area showed that most of the areas with high and very high sensitivity were concentrated in the central and southeastern regions of the study area, while the areas with low sensitivity to gully erosion are spread in the steep and high northern regions. The results of this research can be promoted and trained, and the implementation agencies can take the necessary measures to control gully erosion using the results of this research.

Keywords: Jackknife test, multiple collinearity test, maximum entropy, gully erosion, machine learning model

 

 

پيش‌بيني حساسيت‌پذيري فرسايش خندقي با استفاده از مدل‌هاي حداکثر آنتروپي، دمپسترشفر و وزن شاهد در دامنه‌ي جنوبي البرز: تعيين بهترين مدل و تأثير مهم‌ترين شاخص‌ها

 

ابراهيم يوسفي مبرهن1*، کورش شيراني2 و کاظم صابر چناري3

 

1) بخش تحقيقات حفاظت خاك و آبخيزداري، مرکز تحقيقات و آموزش کشاورزي و منابع طبيعي استان سمنان، سازمان تحقيقات، 

آموزش و ترويج کشاورزي، سمنان، ايران. 

2) پژوهشکده حفاظت خاک و آبخيزداري، سازمان تحقيقات، آموزش و ترويج کشاورزي، تهران، ايران.

3) پژوهشکده حفاظت خاک و آبخيزداري، سازمان تحقيقات، آموزش و ترويج کشاورزي، تهران، ايران.

* ايميل نويسنده مسئول: e.yousefi.m@gmail.com

 

چکيده:

مقدمه و هدف پژوهش: شناسايي مناطق حساس به فرسايش خندقي با استفاده از مدل‏‌هاي آماري و استفاده حداکثري از اطلاعات موجود با صرف هزينه و زمان کم‏تر و دسترسي ‏به ‏‏دقت بيش‏تر از اهميت ويژه‏اي برخوردار مي‏باشد. هدف اين پژوهش تهيه نقشه حساسيت به فرسايش خندقي با استفاده از ‏ مدل‏­هاي حداکثرآنتروپي، دمپسترشفر و وزن شاهد در حوزه آبخيز علاء در دامنه­ي جنوبي البرز استان سمنان مي‏باشد. شناسايي مهمترين عامل­هاي محيط زيســتي مؤثر بر رخداد فرسايش خندقي با روش جک نايف و بررسي اهميت هر يک از عامل­هاي محيط زيستي در منطقه­ي مورد مطالعه با تحليل منحني­هاي پاسخ از ديگر اهداف اين تحقيق است.

مواد روش‌ها: در اين پژوهش پس از انتخاب منطقه مورد مطالعه، اطلاعات لازم جمع‌آوري و نقشه عوامل مؤثر بر فرسايش خندقي تهيه گرديد. در ادامه نقشه پراکنش رخداد خندقي تهيه و داده‌ها به شکل تصادفي به دو دسته آموزشي يا واسنجي (70%) و دسته آزمايشي يا پيش‌بيني (30%) تقسيم شدند همچنين آزمون هم‌خطي چندگانه با شاخص هاي فاکتور تورم واريانس و ضريب تحمل به­منظور بررسي هم‌پوشاني و همچنين اهميت هر يک از عوامل مؤثر انجام شد. پس از اجراي مدل­هاي بيشينه­ بي­نظمي، دمپسترشفر و وزن شاهد نقشه حساسيت به فرسايش خندقي تهيه و در پنج کلاس خيلي‌کم تا خيلي‌زياد طبقه‌بندي گرديد. سرانجام ارزيابي مدل­هاي پيش‌بيني حساسيت فرسايس خندقي منطقه مورد مطالعه انجام و روش برتر براي منطقه مورد مطالعه انتخاب گرديد.

نتايج و بحث: براساس نتايج بدست آمده از آزمون هم‌خطي، از 23 پارامتر مؤثر در رخداد فرسايش خنـدقي20 پـارامتر شـامل اقليم، کاربري اراضي، تراکم آبراهه، نوع خاک‌، ارتفاع، فاصله از آبراهه، بارش متوسط سالانه، شيب، شاخص انحناي نيم‌رخ، انحناي دامنه، شاخص فاصله قائم از آبراهه، شاخص هم‌گرايي، شاخص پوشش گياهي، شاخص رطوبت توپوگرافي، جهت شيب، مساحت حوزه آبخيز، شاخص سايه روشن، سنگ‌شناسي، بافت سطح زمين و شاخص طبقه‌بندي انحناي براي مدل­سازي مناسـب تشـخيص داده شدند. نقشه حساسيت به فرسايش خندقي حوزه مورد مطالعه نشان داد که رخنمـون واحـد سنگي رسي و مارني کواترنري در مناطق جنوبي حوضـه بيشترين تاثير را در ايجاد فرسايش خندقي دارند. براي اعتبار سنجي مدل‌ها از منحني مشخصه عملکرد ساختار و مساحت سطح زيرمنحني استفاده شد. مدل­هاي بيشينه­ي بي‌نظمي، دمپسترشفر و وزن شاهد در مرحله مدل­سازي به ترتيب داراي دقت 1/87، 81 و 7/83 درصد و در مرحله اعتبارسنجي نيز داراي دقت 5/87، 8/0 و 6/84 درصد مي باشند و داراي کارايي خيلي‌خوب در پيش­بيني مناطق حساس به فرسايش خندقي است.

نتيجه‌گيري: مدل حداکثر آنتروپي با مقدار 91/0 در حالت توسعه مدل و مقدار 89/0 در حالت اعتبارسنجي مي‌توانند در پهنه‌بندي و پيش‌بيني رخداد فرسايش خندقي کارآمد باشد فلذا مدل حداکثرآنتروپي با سرعت و دقت خوب در ارزيابي عوامل مؤثر و اعتبارسنجي پهنه­بندي حساسيت نسبت به فرسايش خندقي به­کار گرفته شد. پهنه­بندي نقشه حساسيت نسـبت بـه فرسـايش خنـدقي در منطقـه مـورد مطالعه نشان داد بيشتر مناطق با حساسيت زياد و خيلي‌زيـاد در مناطق مرکـزي و جنوب­شرقي منطقـه مـورد مطالعـه متمرکـز بـوده، درحالي که مناطق با حساسيت فرسايش خندقي کـم در منـاطق پرشيب و مرتفع شـمالي گسـترش دارنـد.. نتايج اين پژوهش قابل ترويج و آموزش است و دستگاه‌هاي اجراي براي مهار فرسايش خندقي مي‌توانند با استفاده از نتايج اين پژوهش اقدام‌هاي لازم را انجام دهند.

کليد واژه‌ها: آزمون جک‌نايف، آزمون هم‌خطي چندگانه، بيشينه بي‌نظمي، فرسايش آب‌کندي، مدل ماشين يادگيري

 

 

 

 

 

 

 

 

 

 

مقدمه

فرسايش خاک توسط آب يک رخداد جدي تخريب سرزمين است که حدود يک ميليارد هکتار از سطح جهان را تحت تأثير قرار مي­دهد (Lal., 2003) و باعث کاهش رشد پوشش گياهي، پرشدن مخازن و دره‌ها، تخريب محيطي زمين، از بين رفتن مقدار زيادي خاک مي‌شود (Javidan et al., 2020). فرسايش خندقي يکي از فرآيندهاي فرسايشي و پيچيده‌ترين پديده فرسايش است، که اغلب توسط ترکيبي از رگبارهاي شديد باران و استفاده نامناسب از زمين ايجاد يا تشديد مي‌شود(Chaplot et al., 2005). علاقه‌مندي به تجزيه و تحليل فرسايش خندقي نشان دهنده نياز به افزايش دانش ما در مورد تأثيرات و عوامل شرايط آن است که تحت گستره وسيعي از علل تغيير مي‌کنند (Chaplot et al., 2005). خندق‌ها شامل فرآيندهاي پيچيده‌اي هستند که با تنوع متغيرهاي مرتبط نزديک مانند بافت خاک، سنگ‌شناسي، کاربري زمين و پوشش گياهي، آب و هوا و توپوگرافي کنترل مي­شوند (Conforti et al., 2011). والنتين و همکاران1(2005) نشان دادند که فرسايش خندقي يکي از عوامل تهديدکننده تعادل زيست محيطي و پايداري آن بوده، نقش برجسته‌اي در بالابردن توان رسوب‌زايي حوزه‌هاي آبخيز و تغيير خصوصيات هيدرولوژيکي جريان‌هاي سطحي دارد. باتوجه به موارد ذکر شده شناسايي و تهيه نقشه‌هاي پهنه‌بندي مناطق مستعد فرسايش خندقي گامي مهم و اساسي در ارزيابي خطرات محيطي حوزه‌هاي آبخيز به شمار مي‌روند. عوامل ژئومورفولوژي به‌طور گسترده‌اي به‌منظور ارزيابي و تعيين نقشه حساسيت فرسايش خندقي با استفاده از روش‌هاي آماري و داده‌کاوي به‌کار گرفته شده است (        Castillo et al., 2014؛ Conoscenti et al., 2013؛Lombardo et al., 2015 ؛Valentin et al., 2005 ). تعداد زيادي از مطالعات نيز يک رويکرد تصادفي را براي پهنه‌بندي حساسيت به فرسايش خندقي اعمال کرده‌اند. علاوه بر تجزيه و تحليل دومتغيره (Ballabio and Sterlacchini., 2012 ؛Magliulo et al., 2010 ؛  Magliulo., 2012)، رويکردهاي آماري چندمتغيره مختلف مانند رگرسيون لجستيک (Boos and Brownie., 2005؛ Farajzadeh et al., 2012؛Karimi Sangchini and Ownegh., 2015 ؛ Luca et al., 2011)، تجزيه و تحليل شرطي (Ballabio and Sterlacchini., 2012)، درخت‌هاي رگرسيون و طبقه‌بندي (Geissen et al., 2007؛ Marker et al.,2011)، توپوگرافي نرمال شده (Castillo et al., 2013)، جنگل تصادفي (Kuhnert et al., 2010)، نسبت فراواني (Conforti et al., 2001؛ Luca et al., 2011)، وزن شاهد (Dube et al., 2014؛ Shirani et al., 2018؛Tahmassebipoor et al., 2016 )، دمپسترشفر2 (Saberi Chenari et al., 2016؛ Shirani et al., 2018)، فرآيند سلسله مراتب تحليلي (Entezari er al., 2014)، شبکه عصبي مصنوعي (Pourghasemi et al., 2017؛ Rahmati et al., 2017)، ماشين بردار پشتيبان (Pourghasemi et al., 2013)، و رگرسيون خطي تطبيقي چندمتغيره (Conforti et al., 2011؛ Gómez Gutiérrez et al., 2009) نيز براي اين هدف به کار گرفته شده است. روش‌هايي که در فوق مطرح شد داراي محدوديت و ضعف هستند، به‌عنوان مثال اين روش‌ها براي تجزيه و تحليل روابط بين وقوع فرسايش خندقي و عوامل مؤثر بر آن، نيازمند طبقه‌بندي محيطي هستند که به دليل نبود روشي مناسب براي يافتن تعداد و آستانه‌هاي مناسب براي محدوده‌هاي طبقه‌بندي، عدم قطعيت مدل‌سازي افزايش مي‌يابد (Rahmati et al., 2017). اين درحالي است که مدل حداکثر آنتروپي3 به‌عنوان يک مدل يادگيري ماشين4 مي‌تواند بر اين محدوديت غلبه کند و مبتني بر آمارهاي تصادفي است. تاکنون در مدل‌سازي مکاني و تجزيه و تحليل‌هاي پراکنش گونه‌هاي گياهي و جانوري (Erfani et al., 2021؛ Gearman and Blinnikov)، بلاياي طبيعي مانند زمين‌لغزش (Pourghasemi et al., 2017؛ SaberiChenari et al., 2016؛Shirani., 2021)، سيل (Davoudi Moghaddam and Haghizadeh., 2020 )، تغذيه آب‌هاي زيرزميني (Jafarzadeh et al., 2021؛  Tahmassebipoor et al., 2016) و فرسايش خندقي (Kariminejad et al., 2019) به‌کار گرفته شده است.

مدل حداکثر آنتروپي با ساختار نظريه بيشينه با يک رويکرد رياضي متفاوت از نظريه بيزي، از جمله الگوريتم‌هايي هستند که با گستردگي بيش‌تري نسبت به ساير مدل‌هاي احتمالاتي دومتغيره مورد توجه و استفاده پژوهشگران قرار گرفته است (Dempster., 1967؛ Phillips et al., 2004؛ Phillips et al., 2004) و تا به امروز پژوهش‌هاي متعددي در اين زمينه انجام گرفته است (Baboli moakher et al., 2018؛ Shrestha and Kang., 2019؛ Arabameri., 2015 Shirani and). جيائو5 و همکاران (Jiao et al., 2019) به کمک 15 عامل محيطي و بکارگيري دو مدل ارزش اطلاعات و حداکثر آنتروپي اقدام به ارزيابي و پهنه‌بندي حساسيت نسبت به زمين‌لغزش نمودند. آنها روش حداکثر آنتروپي با درصد مطلوبيت بالاتر را به­عنوان بهترين مدل معرفي کرده اند. ذبيحي و همکاران (2018)  به مدل‌سازي فرسايش خندقي با استفاده از مدل‌هاي آماري دو متغيره مانند نسبت فراواني، وزن شاهد و شاخص بي‌نظمي در استان مازندران در شمال ايران پرداختند. نتايج نشان داد که مدل نسبت فراواني عملکرد بهتري نسبت به مدل وزن‌دهي شاهد و شاخص بي‌نظمي داشت. رحمتي و همکاران (2018) به بررسي کارايي مدل حداکثر آنتروپي در پيش‌بيني وقوع فرسايش خندقي در حوزه آبخيز کشکان-پلدختر پرداختند. نتايج اعتبارسنجي با دقت حدود 91 درصد، پيش‌بيني دقيق استعداد فرسايش خندقي با استفاده از مدل حداکثر آنتروپي تاييد کردند. همچنين مددي و همکاران (2022) حساسيت فرسايش خندقي با استفاده از مدل حداکثر آنتروپي در حوضه آبخيز رودخانه شور را بررسي نمودند. نتايج نشان­ از دقت بالاي 95 درصدي مدل در مرحله اعتبار سنجي مدل بود. عسگري و شيراني (2024) در ارزيابي عوامل موثر در حساسيت پذيري فرسايش گالي با استفاده از مدل هاي‌ دمپسترشيفر و حداکثر آنتروپي  به اين نتيجه رسيدند که مدل حداکثر آنتروپي دقت بهتري نسبت به دمپسترشفر دارد. همچنين عسگري و همکاران (2025) در حوزه ايلام فرسايش آبکندي را با استفاده از مدل هاي وزن شاهد (WofE) و دمپسترشفر (DSH) ارزيابي نمودند. نتايج اين پژوهش نشان داد که در هر دو مدل، درصد سطح زيرمنحني قابل قبول نشان دادند که اين موضوع نشان‌دهندة عملکرد زياد هر دو مدل در منطقة پژوهشي بود. جاويدان و همکاران (2020) پهنه‌بندي حساسيت فرسايش خندقي در حوزه گرگان­رود را به کمک 17 عامل محيطي با استفاده از مدل حداکثر آنتروپي انجام دادند. نتايج نشان داد مدل حداکثر آنتروپي هم در درجه برازش و هم در عملکرد پيش‌بيني عالي عمل کرد و منجر به پيش‌بيني‌هاي دقيق شد. برنيني6 و همکاران (2021) با مدل حداکثر آنتروپي به شناسايي و ارزيابي عوامل مؤثر بر فرسايش خندقي در حوضه رودخانه مخمازي آفريقاي جنوبي پرداختند. نتايج حاصل نشان داد که پارامترهاي ارتفاع، بارندگي و عمق دره مهمترين متغيرهاي اثرگذار بر پيش­بيني فرسايش خندقي مي­باشند. اينيک و اوتلو7 (2024) حساسيت فرسايشي را با استفاده از روش‌هاي رگرسيون لجستيک، نسبت فرکانس، وزن شواهد و روش‌هاي آنتروپي شانون در بينگول ترکيه بررسي کردند. نتايج نشان از دقت بالاي رگرسيون لجستيک نسبت به ساير روش‌ها در پهنه‌بندي نقشه حساسيت‌پذيري فرسايشي بود. لي8 و همکاران (2024) با استفاده از داده‌هاي با وضوح بالا از چندين مدل يادگيري ماشين در پيش‌بيني حساسيت فرسايش خندقي استفاده کردند. نتايج نشان داد که مدل بهينه‌سازي شده XGBOOST بالاترين عملکرد را نسبت به ساير مدل‌ها در تهيه نقشه حساسيت‌پذيري فرسايش خندقي به دست آورد.

مروري بر سابقه تحقيق نشان داد که هنوز مطالعه‌اي با سه مدل حداکثر آنتروپي، دمپسترشفر و وزن شاهد به‌صورت ترکيبي براي ارزيابي حساسيت به فرسايش خندقي انجام نشده است از طرفي با توجه به اينکه ارزيابي فرسايش خندقي اهميت بسيار زيادي دارد اما، اين ارزيابي به دليل نبود و يا دسترسي نداشتن به داده‌ها و کيفيت نامناسب آن‌ها با محدوديت روبه‌رو است. بنابراين، انجام پژوهش‌هاي کامل در مناطقي با ظرفيت فرسايش‌پذيري و رسوب‌گذاري، ضروري و اجتناب‌ناپذير مي‌باشد. براي پرداختن به شکاف‌هاي تحقيقاتي در مطالعه حاضر، مدل حداکثر آنتروپي به عنوان يک تکنيک داده‌کاوي براي تحليل، کاوش و پيش‌بيني وقوع مکاني فرآيندهاي فرسايش خندقي اتخاذ شد. در ادامه کارايي اين مدل با مدل­هاي احتمال وزن شاهد و دمپسترشفر مقايسه و مدل برتر براي منطقه مورد مطالعه انتخاب گرديد. هدف از اين پژوهش کاربرد مدل­­هاي يادگيري ماشين حداکثر آنتروپي، دمپسترشفر و وزن شاهد براي تهيه نقشه‌ي حساسيت فرسايش خندقي برتر در حوزه آبخيز علاء سمنان است. شناسايي مهم‌ترين عامل‌هاي محيط‌زيستي‌ مؤثر بر رخداد خندقي با روش جک‌‌نايف9 و بررسي نحوه­ اثرگذاري هــر يک از عامل‌هاي محيط‌زيستي‌ در منطقه­ي بررسي شده با تحليل منحني‌هاي پاسخ از اهداف ديگر اين پژوهش است.

 

مواد و روش‌ها

منطقه مورد مطالعه

حوزه ‌آبخيز علاء، در شهرستان سمنان به مساحت 1036 کيلومتر مربع و در محدوده جغرافيايي ' 08-˚35 تا ' 50-˚35 عرض شمالي و ' 05-˚53 تا ' 48-˚53 طول شمال قرار گرفته است. اين حوزه به‌دليل قرار گرفتن در نيمه جنوبي رشته کوه‌هاي البرز، داراي تنوع توپوگرافيکي مي‌باشد به‌طوريکه بيشينه ارتفاع محدوده 2480 متر از سطح دريا در شمال و حداقل ارتفاع 944 متر در جنوب حوزه واقع شده است. آب و هواي اين منطقه گرم و در زمستان نسبتا سرد است. ميزان متوسط بارندگي سالانه آن 140 ميلي‌متر و متوسط درجه حرارت سالانه حدود 18 درجه سانتي‌گراد بوده و تعداد روزهاي يخبندان در طول سال حدود 48 روز است (دوست محمديان، 2020). اين تنوع توپوگرافيکي به همراه عوامل اقليمي منجر به تنوع بوم­سازگان در اين منطقه گرديده است به‌طوريکه اين حوزه در برگيرنده بوم­سازگان کوهستاني، بياباني و کويري مي‌باشد. موقعيت جغرافيايي حوزه آبخيز سمنان در شکل 1 نمايش داده شده است. 

 

روش‌شناسي پژوهش

اين پژوهش در هفت گام اصلي انجام شد. در گام اول منطقه پزوهشي انتخاب شد و نقشه پراکنش رخداد خندقي تهيه شد و داده‌ها به شکل تصادفي به دو دسته آموزشي يا واسنجي (70%) و دسته آزمايشي يا پيش‌بيني (30%) تقسيم شدند. در گام دوم نقشه‌هاي 23 عامل مؤثر تهيه و آماده‌سازي شد. در گام سوم آزمون هم‌خطي چندگانه به‌منظور بررسي هم‌پوشاني اطلاعاتي 

img0 

شکل 1. موقعيت جغرافيايي منطقه مورد مطالعه و موقعيت خندق‌ها در حوزه آبخيز

 

img0 

img0 

شکل 2. تصاوير فرسايش خندقي در حوزه آبخيز مورد مطالعه

 

 

عوامل مؤثر و بررسي اهميت عوامل انجام شد. در گام چهارم مدل‌هاي حداکثر آنتروپي، دمپسترشفر و وزن شاهد اجرا د و نقشه پهنه‌بندي حساسيت نسبت به رخداد فرسايش خندقي و طبقه‌بندي آن به پنج رده خيلي‌کم، کم، متوسط، زياد و خيلي‌زياد (Shirani., 2017؛ Yousefi Mobarhan and Shirani., 2023) انجام شد. در گام پنجم ارزيابي دقت طبقه‌بندي و اعتبارسنجي نقشه پهنه‌بندي و پيش‌بيني حساسيت نسبت به رخداد فرسايش‌ خندقي انجام شد. گام ششم: آستانه‌ها و اهميت عامل‌هاي موثر بر اساس بهترين مدل تعيين شد. در گام هفتم نقشه پهنه‌بندي و پيش‌بيني حساسيت به رخداد فرسايش خندقي تهيه شد.

نقشه پراکنش خندق

در اين پژوهش به­منظور استفاده از روش‌هاي احتمالاتي دومتغيره و مدل‌سازي در پهنه‌بندي حساسيت به رخداد خندق از داده‌هاي مکاني و نقشه پراکنش فرسايش خندقي به‌عنوان متغير وابسته استفاده شد. در راستاي تهيه اين نقشه با استفاده از مشاهدات ميداني، ثبت مکاني خندق‌ها به کمک دستگاه موقعيت‌ياب جهاني10، تصاوير گوگل­ارث11 به منظور ترسيم و تدقيق، تعداد 487 خندق شناسايي شد (شکل 2). داده‌هاي مکاني پراکنش خندق‌ها در قالب دو دسته آموزشي و آزمايشي به‌ترتيب به نسبت 70 درصد (341 خندق) به منظور اجرا و توسعه و 30 درصد (146 خندق) به منظور اعتبارسنجي مدل‌ها بصورت کاملاً تصادفي با استفاده از ابزارهاي Random Points Create، Subset Featurs در محيط 10.7 ArcGIS تهيه شدند (Shirani et al., 2018؛ Saberchenari et al., 2016). 

  

جمع‌آوري و آماده سازي داده‌هاي مکاني عوامل مؤثر بر رخداد خندقي

به‌منظور جمع‌آوري و آماده‌سازي داده‌هاي مکاني مورد نياز جهت پهنه‌بندي و پيش‌بيني حساسيت نسبت به رخداد فرسايش خندقي، نقشه زمين‌شناسي 1:100000 سازمان زمين‌شناسي کشور، کاربري اراضي و اقليمي منطقه مورد مطالعه مورد بررسي و پردازش قرار گرفت.

مدل رقومي ارتفاعي با دقت 5/12متر مربوط به ماهواره ALOS ژاپن از جمله داده‌هاي مکاني است که نقش مؤثري در تهيه و آماده‌سازي عوامل ژئومورفومتريک تاثيرگذار بر ناپايداري و خندق ايفاء مي‌کند. لذا به‌منظور تهيه 17 عامل از بين 23 عامل مؤثر انتخابي شامل شاخص‌هاي انحناهاي کلي، دامنه، نيمرخ، تحدب، طبقه­بندي انحناء، شاخص فاصله عمودي از شبکه آبراهه، مساحت حوزه آبخيز، شاخص توآن آبراهه، فاکتور طول-شيب آبراهه، شاخص رطوبت توپوگرافي، ارتفاع، شيب، وجه يا جهت شيب، تراکم آبراهه، فاصله از آبراهه، شاخص آناليز سايه و روشن و بافت سطح زمين از مدل رقومي ارتفاعي پال‌سار12 ماهواره آلوس ژاپن و نرم افزار 7.7.1 SAGA GIS استفاده شد. شش عامل ديگر شامل عوامل ذاتي سنگ‌شناسي، نوع خاك، کاربري اراضي، شاخص پوشش گياهي13NDVI ، اقليم و بارش متوسط با استفاده از نقشه‌هاي موجود و تدقيق آنها به شرحي که در ادامه آمده است، تهيه شد. نقشه سنگ‌شناسي با استفاده از نقشه‌هاي زمين‌شناسي تهيه گرديد. نقشه کاربري اراضي منطقه مورد مطالعه با استفاده از اطلاعات و نقشه‌هاي کاربري اراضي مرکز تحقيقات و آموزش کشاورزي و منابع طبيعي استان سمنان و همچنين تدقيق آن‌ها با استفاده از تصاوير رقومي ماهواره لندست 8 سال 2021 تهيه گرديد. براي تهيه نقشه هم‌بارش ساليانه از آمار بارش متوسط ساليانه ايستگاه‌هاي هواشناسي اداره هواشناسي و وزارت نيرو منطقه مورد مطالعه استفاده شد. 

کليه نقشه‌هاي عوامل مؤثر و پراکنش رخداد خندقي در محيط 10.7 ArcGIS در قالب فرمت سلولي (رستري) با اندازه سلولي 25*25 متر مربع بصورت يکسان و مشابه براي تمامي عوامل طبقه‌بندي مجدد به روش شکست طبيعي و فاصله هندسي منحني فراواني پيکسل‌ها، مديريت و پردازش شدند. هم‌چنين به منظور آماده‌سازي، ورود، برازش و مدل‌سازي از نرم‌افزارهاي بانک اطلاعاتي Excel 2016 استفاده شد. نهايتاً 20 عامل مؤثر بر رخداد خندقي بر اساس سابقه پژوهش، ويژگي‌هاي محيطي منطقه، و آزمون هم‌خطـي چندگانـه، در محيط 7.7.1 SAGA GIS، ArcGIS 10.7 و SPSS 22 تهيه و طبقه‌بندي شدند (Saberi Chenari et al., 2016؛ Shirani., 2021) (شکل 3).

 

آزمون هم‌خطي چندگانه به‌منظور بررسي هم‌پوشاني اطلاعاتي عوامل مؤثر

قبل از به‌کارگيري عوامل مؤثر و تلفيـق آن‌هـا بـر اسـاس مـدل مورد استفاده در تهيـه نقشـه حساسـيت نسـبت بـه فرسـايش خندقي، لازم است آزمون هم‌خطي چندگانه بين داده‌هاي مورد استفاده آزمون يا بررسـي شـود. درصـورتي کـه داده‌هـا فاقـد هم‌بستگي يا داراي استقلال باشند از آن‌ها در مدل مورد نظر مي‌توان استفاده کرد. بدين منظور آزمون‌هاي آمـاري مختلفـي بـراي تحليل هم‌بستگي بين فاکتورهاي مـؤثر بـر رخـداد خنـدق بـه خدمت گرفته مي‌شـوند. تحليـل مؤلفـه‌هـاي اصـلي، مقايسه زوجي يا جفتي، و رگرسيون لجستيک از جمله اين آزمون‌ها هستند (Rahmati et al., 2107؛ Shirani et al. 2015). تحليل هم‌خطي چندگانه (Multicollinearity) هم‌بستگي ميــان متغيرهاي مستقل را برآورد مي‌کند (Dormann et al., 2013؛  Tien Bui et al., 2015). بدين منظور از دو شاخص ضريب تحمل (TOL) و فاکتور تورم واريانس (Variance inflation factor) يا VIF براي تحليـل و تعيـين هـم‌پوشـاني اطلاعاتي عوامل مـؤثر اسـتفاده گرديد. (Tsangaratos et al., 2017؛ Valentin et al., 2005). ايـن دو شاخص در حين اجراي مـدل‌هـاي خطـي تعمـيم‌‌يافتـه بـراي تحليل ارتباط ميـان متغيرهـاي مسـتقل يـا آزمـون هـم‌خطـي چندگانه به‌کار گرفته شد (Milaghardan et al., 2016؛ Tsangaratos et al., 2017). اگرچه تاکنون هـيچ قـانون مشخصي براي تعيين آسـتانه‌هـاي دو مقـدار VIFو TOL در تحليل و تخمين هم‌خطي چندگانـه عوامـل مـؤثر بـر رخـداد خندق وجود ندارد (Tsangaratos et al., 2017؛ Valentin et al., 2005). اما بر اساس سابقه تحقيقي که در اين زمينه انجام شده است، اگر عدد VIF کم‌تر از 5 يـا 10و TOL بزرگ‌تر از 1/0 يـا 2/0 باشـد در آن‌صـورت هم‌پوشاني بين عوامل مؤثر وجود ندارد. به‌عبـارت ديگـر بـين داده‌ها يـا متغيرهـاي مسـتقل هـيچ هم‌بسـتگي وجود نخواهد داشت (Tsangaratos et al., 2017).

 

اجراي مدل

مدل حداکثر آنتروپي

مدل حداکثر آنتروپي يکي از فن‌آوري‌هاي ماشين يادگيري است که قابليت پيش‌بيني مکاني بالايي در زمينه‌هاي مختلف علوم محيطي دارد (Phillips et al., 2006؛ Park., 2015). يکي از مزيت‌هاي استفاده از اين مدل، بالابردن قطعيت در پيش‌بيني مناطق مستعد فرسايش خندقي است، زيرا فرآيند مدل‌سازي براساس وقوع خندق‌هاي ثبت شده انجام مي‌گيرد و اين امر موجب، کاهش عدم‌قطعيت مدل‌سازي مي‌شود. برخلاف مدل‌هاي آماري که قبل از مدل‌سازي تعدادي فرضيات آماري تعريف مي‌کنند، مدل حداکثر آنتروپي از ابتدا سعي در يافتن روابط بين متغيرهاي مستقل و وابسته دارد تا براساس آن پيش‌بيني مکاني مبتني بر واقعيت را ارائه دهد (Phillips et al., 2006).

به‌منظور استفاده از مدل حداکثر آنتروپي براي تعيين مناطق مستعد فرسايش خندقي، ابتدا متغيرهاي مستقل (عوامل مؤثر بر وقوع فرسايش خندقي) و متغير وابسته (وقايع فرسايش خندقي) به‌ترتيب به فرمت متني ascii و csv فايل تبديل شده و به نرم‌افزار مکسنت14 معرفي شدند. مدل حداکثر آنتروپي هم با داده‌هاي مکاني پيوسته کمي و هم طبقه‌بندي شده کيفي و يا هر دو بصورت هم‌زمان قابل اجرا مي‌باشد. اما از آنجايي‌که نقطه قوت مدل حداکثر آنتروپي در استفاده از متغيرهاي مستقل بصورت داده‌هاي مکاني کمي پيوسته يا بدون طبقه‌بندي به‌منظور کاهش عدم قطعيت‌ها در اجراي مدل مي‌باشد. لذا متغيرها يا عوامل مؤثر کاربري اراضي، نوع خاک، زمين‌شناسي و نوع اقليم که ذاتاً داراي ويژگي داده مکاني توصيفي طبقه‌بندي شده کيفي هستند يا داده‌هاي مکاني کمي که براي استفاده عملي طبقه‌بندي شده‌اند مانند طبقات انحناءکلي و جهت شيب و مابقي عوامل شامل ارتفاع، شاخص سايه روشن، گراديان شيب، تراکم و فاصله از آبراهه، شاخص انحناي نيم‌رخ، انحناي دامنه، شاخص هم‌گرايي، شاخص فاصله قائم از آبراهه، بافت سطحي زمين، مساحت حوزه آبخيز، شاخص رطوبت توپوگرافي، بارش متوسط سالانه و شاخص پوشش‌گياهي بصورت پيوسته کمي در مدل‌سازي مورد استفاده قرار گرفتند. هم‌چنين لازم به‌ذکر است که در اين مرحله تنها از داده‌هاي خندق دسته آموزشي که در مراحل قبلي تهيه شده است، براي واسنجي مدل استفاده شد. مدل حداکثر آنتروپي براساس "اصل بي‌نظمي" شبکه ارتباطات بين متغيرهاي مستقل و وابسته را تعيين کرده که براساس نقش هر متغير مستقل و وزن تأثير و منحني پاسخ آن به دست مي‌آيد. اين مدل قادر است توزيع احتمالاتي داده‌هاي هريک از لايه رستري مربوط به عوامل مؤثر بر وقوع فرسايش خندقي را استخراج نمايد. بي‌نظمي‌اي توزيع‌ها براساس رابطه زير قابل محاسبه است (Phillips et al., 2006).

(1)

که در آن،  مقدار بي‌نظمي توزيع احتمالاتي متغير مورد نظر، ln لگاريتم طبيعي، x مقدار ارزش هر سال و X مجموع‌هايي از داده‌هاي يک لايه رستري است. توزيع احتمالاتي Gibbs براي هر يک از متغيرهاي مستقل مطابق رابطه زير به‌دست مي‌آيد (Elith et al., 2010).

(2)

که در آن، qλ(x) تابع توزيعGibbs ، λ وزن متغير موردنظر،Zλ ثابت نرمال کننده تابع Gibbs هستند. به‌منظور تعيين رابطه وقايع فرسايش خندقي و هريک از عوامل مؤثر بر وقوع آن، بايد بسط "اصل بي‌نظمي" و استخراج منحني‌هاي پاسخ يادگيري ماشيني انجام گيرد (Yousefi Mobarhan and Shirani., 2023؛ Jafarzadeh et al., 2021؛ Graham et al., 2008).

 در اين پژوهش مدل حداکثر آنتروپي با استفاده از نرم‌افزار مکسنت اجرا شد. سپس روابط بين متغيرهاي مستقل (20 عامل مؤثر) و وابسته (پراکنش رخداد خندق‌ها) مورد تجزيه و تحليل قرار گرفت.

 

مدل احتمالاتي وزن شاهد

مدل احتمالاتي وزن شاهد بر اساس تئوري بيزين استوار بوده که به­منظور تهيه نقشه حساسيت‌پذيري بلاياي طبيعي و انساني نظير زمين لغزش، سيل­گيري و فرسايش خندقي (پورقاسمي و همکاران، 2013) مورد استفاده قرار گرفته است. شبکه­هاي بيزين به­نام شبکه­هاي تصميم15، شبکه­هاي تصادفي16 و نمودارهاي تأثير17 نيز شناخته مي­شود (Silakhori et al., 2022) به طور کلي تئوري بيزين را مي­توان به­صوت رابطه زير نوشت (Silakhori et al., 2022)

 (3)

که در آن P(D) احتمال وقوع پيش­آمد، (P(C احتمال وقوع پيش­آمد C، P(C|D) احتمال وقوع پيش­آمد C به شرطي که پيش­آمد a اتفاق افتاده باشد و (P(D|C احتمال وقوع پيش­آمد D، به شرطي که پيشآمد C اتفاق افتاده باشد. سپس بر مبناي محاسبات احتمالات وابسته (تئوري بيزين) و رابطه­هاي (5) و (6) وزن­هاي محتمل هر عامل محاسبه مي­شود (Shirani., 2017). وزن نهايي مدل به منظور تهيه نقشه حساسيت فرسايش خندقي با استفاده از روايط زير و جدول شماره 1 محاسبه شد.

 (4)

 (5)

که در آن Npix1 تعداد پيکسل هاي خندقي در يک کلاس، Npix2 ( تعداد کل پيکسل هاي خندقي در يک نقشه) – (تعداد پيکسل هاي خندقي در يک کلاس)، Npix3 ( تعداد پيکسل هاي يک کلاس) – ( تعداد پيکسل هاي خندقي در يک کلاس)، Npix4 ( تعداد کل پيکسل هاي يک نقشه) – (تعداد کل پيکسل هاي خندقي يک نقشه) – ( تعداد پيکسل هاي يک کلاس) + ( تعداد پيکسل هاي خندقي در يک کلاس).

 (6)

 (7)

که در آن،C  تفاضل وزن­هاي مثبت و منفي، Wfin وزن نهايي استاندارد شده و Sc انحراف از استاندارد اس(Shirani., 2017).

 

جدول 1. چهار حالت پتانسيل ايجاد فرسايش خندقي 

عوامل ايجاد فرسايش خندقي

عدم حضور

حضور

فرسايش خندقي

Npix2

Npix1

حضور

Npix4

Npix3

عدم حضور

 

مدل دمپسترشفر

تئوري دمپستر-شفر به عنوان تئوري تابع اعتقادات شناخته مي­شود که خود تعميمي از تئوري بيزين که مبتني بر احتمالات مي­باشد. اين تئوري در سال 1967 توسط دمپستر به کار برده شد و در ادامه ساختار رياضي آن توسط شفر در سال 1976 تشريح گرديد (Dempster., 1967). تئوري مذکور براساس دو ايده اصلي بنيان­گذاري گرديده است: 1. تعيين درجات اعتقاد براي يک سوال مبتني بر احتمالات ذهني؛ 2. تعيين قوانين دمپستر به منظور ترکيب درجات اعتقاد براي بخش­هاي مستقل يک واقعه. نظريه وقوع دمپسترشفر در واقع يک چهار چوب رياضي براي توصيف داده­هاي ناقص تهيه مي­کند(Saber chenari et al., 2016; Yousefi Mobarhan and Zanifar., 2023)

اگر فرض شود l چندين لايه متعدد از داده­هاي مکاني موجود در منطقه بوده که حساس به فرسايش خندقي است. هر لايه­اي از داده­هاي مکاني به صورت (i=1,2,…..,l) Ei براي تابع هدف  در نظر گرفته مي­شود. به اين ترتيب  بدست مي­آيد که در آن j ويژگي کلاس يا طبقه­اي از  و داراي توزيع فراواني از موقعيت ها يا ويژگي­هاي مثبت و منفي در بروز خندق هاست. نرخ مثبت با علامت  نشان داده مي شود که به صورت رابطه زير تعريف مي­شود.

(8)                                

نرخ يا نمره منفي با علامت  نشان داده مي­شود که به صورت رابطه زير تعريف مي­شود:

 (9)                                                                                       

که در آن : وضعيت هدف که دراينجا مربوط به عوامل مؤثر در ايجاد فرسايش خندقي است، : مربوط به عواملي است که بر روي فرسايش خندقي تاثيري ندارند، : مساحت خندق در هر طبقه، : مساحت کل خندق­هاي منطقه، : مساحت فاقد فرسايش خندق در هر طبقه، : مساحت فاقد خندق­ منطقه مورد مطالعه مي‌باشد.

به طور کلي مقدار نرخ­­هاي بدست آمده از روابط فوقدر محدوده صفر تا بي­نهايت متغير است. از اين رو يک مرحله ديگري براي استانداردسازي محدوده مورد نظر مورد نياز مي‌باشد که به صورت روابط زير تعريف مي‌شوند:

  (10)                                 

  (11)                        

    (12)

در اين روابط  نرخ مثبت استاندارد شده (ميزان اعتقاد به وقوع فرسايش خندقي)،  نرخ منفي استاندارد شده (ميزان اعتقاد به عدم وقوع فرسايش خندقي) و  ميزان نرخ نهايي مي­باشد. 

در ادامه بر اساس توابع احتمالاتي به‌دست آمده از مدل­هاي فوق، نقشه پيش‌ بيني احتمال وقوع فرسايش خندقي تهيه و با استفاده از روش شکستگي هاي طبيعي18 در پنج کلاس حساسيت خيلي کم، کم، متوسط، زياد و خيلي زياد طبقه بندي گرديد (Saberchenari et al., 2018).

 

اعتبارسنجي نقشه مناطق مستعد فرسايش خندقي

به‌منظور اعتبارسنجي نقشه نهايي مناطق مستعد فرسايش خندقي حوزه آبخيز سمنان، از داده‌هاي موقعيت خندق‌هاي مرحله اعتبارسنجي استفاده شد. دقت پيش‌بيني نقشه نهايي از روش منحني تشخيص عملکرد نسبي19 که رايج‌ترين روش کمي صحت‌سنجي در مدل­سازي‌هاي مکاني و پيش‌بيني پديده‌هاي طبيعي است، استفاده شد (Dube et al.,2014؛ Pourghasemi., 2013). پس از کمي نمودن متغيرها يا عوامل مؤثر، آموزش مدل‌هاي حداکثر آنتروپي با استفاده از 20 عامل مؤثر بر رخداد خندق و نقشه پراکنش فرسايش خندقي (70%) به عنوان داده‌هاي ورودي مدل‌ها اجرا و نقشه پهنه‌بندي حساسيت نسبت به رخداد فرسايش خندقي تهيه شد. درنهايت ارزيابي دقت طبقه‌بندي از 30 درصد مابقي داده‌هاي پراکنش خندق، مقدار سطح زير منحني20 منحني مشخصه عملکرد نسبي محاسبه و اقدام به اعتبارسنجي و مقايسه مدل‌ها شد (Shirani., 2021؛ Yousefi Mobarhan and Karimi Sangchini., 2023). مساحت زير منحني ميزان دقت نقشه حساسيت فرسايش خندقي را به‌صورت کمي نشان مي‌دهد. مقدار سطح زير منحني بين 5/0 تا 6/0 نماينده اتفاقي بودن نتايج، بين 7/0 تا 8/0 نماينده اعتبار خوب، بين 8/0 تا 9/0 معرف نتايج داراي اعتبار بسيارخوب و در صورتي‌که سطح زير منحني بيش‌تر از 9/0 باشد، اعتبار نتايج به‌دست آمده در سطح عالي قرار دارد (Davoudi Moghaddam et al., 2020).

 

 

 

جدول 2. آزمون هم‌خطي چندگانه بين پارامترها

پارامتر

آزمون

پارامتر

آزمون

TOL

VIF

TOL

VIF

انحناي

07/0

3/15

شاخص انحناي نيمرخ

783/0

27/1

فاکتور طول-شيب آبراهه

08/0

5/17

انحناي دامنه

622/0

61/1

شاخص توآن­آبراهه

06/0

6/15

شاخص فاصله قائم از آبراهه

36/0

77/2

اقليم

269/0

71/3

شاخص هم‌گرايي

87/0

14/1

کاربري اراضي

694/0

44/1

شاخص پوشش گياهي

79/0

26/2

تراکم آبراهه

388/0

57/2

شاخص رطوبت توپوگرافي

63/0

57/1

نوع خاک‌

705/0

42/1

جهت شيب

76/0

30/1

ارتفاع

106/0

44/9

مساحت حوزه ابخيز

91/0

09/1

فاصله از آبراهه

426/0

34/2

شاخص سايه روشن

67/0

47/1

بارش متوسط

105/0

5/9

سنگ‌شناسي

54/0

82/1

شيب

342/0

92/2

بافت سطح زمين

31/0

17/3

طبقه‌بندي انحناي

35/0

75/2

 

 

 

 

 

 

نتايج و بحث

نتايج آزمون هم‌خطي چندگانه

در ايـن پـژوهش قبـل از اجـراي روش حداکثر آنتروپي تحليل هم‌خطي چندگانه بـه منظـور اجتنـاب از هـم‌پوشـاني اطلاعاتي بين عوامل مؤثر انجام و شاخص‌هاي ضريب تحمل (TOL) و فـاکتور تورم واريانس (VIF) مورد اسـتفاده قـرار گرفـت.

نتـايج حاصـل از آزمـون هـم‌خطـي چندگانـه بـين پارامترها در جدول (2) ارائه شده است. همان‌طور کـه قـبلاً بيان شد پارامترهايي که ضريب تحمل کم‌تر از 1/0 و فاکتور افزونگي انحراف بيش‌تر از 10 داشتند به‌دليل وجود هم‌پوشـاني بين پارامترها از فرايند مدل‌سازي کنار گذاشته شـدند (Rahmati et al., 2017؛ Shrestha and Kang., 2019). طبق نتايج حاصله، از بين 23 پارامتر اوليـه، پارامترهـاي شاخص طول شيب آبراهه، انحناي کلي و شاخص توان آبراهه داراي هم‌خطي يا هم‌پوشـاني اطلاعـاتي بـوده و در نتيجـه از فرآيند مدل‌سازي حذف و مدل‌سـازي بـا 20 متغير مستقل يا عامل مؤثر انجـام گرفت که با نتايج عسگري و همکاران (2025) همخواني دارد.

 

نتايج حاصل از اجراي مدل­ها

نقشه 20 عامل ورودي مؤثر بر فرسايش خندقي شامل اقليم، کاربري اراضي، تراکم آبراهه، نوع خاک‌، ارتفاع، فاصله از آبراهه، بارش متوسط سالانه، شيب، شاخص انحناي نيم‌رخ، انحناي دامنه، شاخص فاصله قائم از آبراهه، شاخص هم‌گرايي، شاخص پوشش گياهي، شاخص رطوبت توپوگرافي، جهت شيب، مساحت حوزه آبخيز، شاخص سايه روشن، سنگ‌شناسي، بافت سطح زمين و شاخص طبقه‌بندي انحناي در شکل 3 ارائه شده است. همانطور که قبلاً نيز اشاره شد صرفاً به‌منظور سهولت بحث در مورد نتايج هريک از عوامل مؤثر که داراي مقادير کمي هستند و همچنين بيان وضعيت گستره‌هاي مربوط به آن‌ها، کليه عوامل مؤثر به‌صورت طبقه‌بندي شده بحث و ارائه شده‌اند (شکل 3)، اما در هنگام مدل‌سازي و ورود به مدل حداکثر آنتروپي عواملي که داراي مقادير کمي پيوسته بودند از آن‌ها بصورت داده‎‌هاي مکاني پيوسته در مدل‌سازي استفاده شد. طبقات نقشه اقليم نشان داد حدود 75 درصد از حوزه در محدوده خشک و نيمه‌خشک واقع شده است(شکل 3-الف). بر اساس نقشه مساحت حوزه آبخيز، 91 درصد از منطقه مورد مطالعه داراي مساحت‌ حوزه‎هاي آبخيز کم‌تر از 24 هکتار مي‌باشد(شکل 3-ب). تجزيه و تحليل جهات شيب زمين نشان داد که در منطقه مورد مطالعه تمام جهات نه گانه شيب، خندق وجود دارد هم‌چنين بخش صاف با 35 درصد و بخش شمال‌شرقي با حدود 2 درصد، به‌ترتيب داراي بيش‌ترين و کم‌ترين پهنه‌هاي جهات شيب منطقه هستند (شکل 3-پ). نقشه‌ي ارتفاع منطقه نشان داد که مناطق شمال‌شرقي به سمت جنوب‌غربي روند کاهشي منظمي داشته و خروجي حوزه داراي کم‌ترين ارتفاع و مناطق ورودي داراي بيش‌ترين ارتفاع هستند (شکل 3-ت) به‌همين دليل اغلب جريان‌هاي سطحي در نقاط خروجي قرار گرفته‌اند. براساس نقشه شاخص طبقه‌بندي انحناي، مي‌توان اظهار کرد که کلاس اول، هشتم و ششم، به‌ترتيب 29، 28 و 15 درصد از منطقه مورد مطالعه را به‌خود اختصاص داده‌اند (شکل 3-ث). نقشه شاخص سايه روشن منطقه بين 03/0- تا 8/1 متغير است و 63 درصد از بخش‌هاي مرکزي و جنوبي منطقه مورد مطالعه‌ي در کلاس 7/0 – 1 قرار گرفته است (شکل 3-چ). نقشه تراکم آبراهه نشان داد که مقدار تراکم زه‌کشي منطقه مورد مطالعه بين صفر تا 82/3 کيلومتر بر کيلومتر مربع متغير بوده که بخش‌هاي مرکزي منطقه داراي بيش‌ترين مقدار تراکم زه‌کشي است (شکل 3-ح). بر اساس نقشه فاصله از آبراهه، بخش‌هاي زيادي از منطقه مورد مطالعه و مخصوصاً بخش مياني آن در مجاورت جريان‌هاي سطحي قرار دارند در حالي‌که بخش‌هاي حاشيه‌ايي منطقه فاصله‌ي بيش‌تري با جريان‌هاي سطحي دارند (شکل 3-خ). نقشه شاخص انحناي دامنه منطقه نشان داد 67 درصد، 21 درصد و 12 درصد از دامنه حوزه آبخيز به‌ترتيب داراي انحناي صاف، محدب و مقعر مي‌باشد (شکل 3-د). نقشه‌ي شاخص پوشش گياهي منطقه نشان داد، 65 درصد از منطقه با شاخص کم‌تر از 06/0 و فقط 1 درصد از منطقه با شاخص بيش‌تر 21/0 مي‌باشد (شکل 3-ذ) بر اساس نقشه کاربري اراضي مي‌توان اظهار کرد که کاربري مراتع بيش‌ترين مساحت (52 درصد) را به‌خود اختصاص داده است (شکل 3-ر). بر اساس نقشه شيب زمين، 36 درصد از منطقه مورد مطالعه از شيب 5-0 درصد و 4 درصد از منطقه شيب بالاتر از 40 درصد برخوردارند (شکل 3-ز).

 

 

 

پ

img0 

ب

img0 

الف

img0 

 

img0

ج

 
img0

ث

 

ت

پ

img0 
img0

خ

 
img0

ح

 

چ

img0 
img0

ر

 
img0

ذ

 

د

img0 

 

img0

ش

 
img0

س

 

ز

img0 
img0

و

 
img0

ن

 

م

img0 
img0

ی

 

ه

img0 

 

شکل 3. نقشه عوامل مؤثر بر وقوع فرسايش خندقي

 

نقشه‌ي بارش متوسط سالانه منطقه نشان داد 34 درصد از حوزه مورد مطالعه با بارش کم‌تر از 128 ميلي‌متر و 16 درصد از حوزه بيش‌تر از 253 ميلي‌متر بارش را به‌خود اختصاص داده است (شکل 3-س) لازم به ذکر است که کمينه و بيشينه بارش متوسط سالانه در حوزه آبخيز سمنان به‌ترتيب 120 و 325 ميلي‌متر مي‌باشد. بر اساس نقشه شاخص انحناي نيمرخ مي‌توان گفت که اکثر بخش‌هاي شمالي منطقه داراي انحناي محدب بوده (33 درصد) در حالي‌که بخش‌هاي مرکزي داراي انحناي کم هستند و با 57 درصد از منطقه کاملاً حالت تخت يا صاف دارند (شکل 2-ش). شاخص رطوبت توپوگرافي منطقه بين 5/7- تا 5/16 متغير است که بخش‌هاي شمالي و شرقي منطقه مورد مطالعه‌ي شاخص رطوبت توپوگرافي بيش‌تري را به خود اختصاص داده‌اند (شکل 3-م). نقشه بافت سطح زمين نشان داد که 57 درصد منطقه مورد مطالعه داراي بافت کم‌تر از 5 بوده و بخش‌هاي مرکزي منطقه داراي کم‌ترين مقدار بافت سطحي است (شکل3-ن). نتايج نقشه نوع خاک‌ نشان داد که منطقه مورد مطالعه در 5 طبقه قرار گرفته است که بيش‌ترين سطح در حوزه مورد مطالعه را رخنمون سنگي و خاک اندي‌سولز (62%) و کم‌ترين سطح را خاک اينسپتي‌سولز (1%) به خود اختصاص داده است(شکل 3- و). با توجه به تنوع سازندهاي زمين‌شناسي(شکل 3- ه) در حوزه آبخيز سمنان، واخدهاي سنگي به 6 طبقه يا گروه سنگ‌شناسي به‌شرحي که در ادامه آمده است, تقسيم شدند. گروه اول شامل پهنه‌هاي رسي کواترنر، گروه دوم شامل نهشته‌هاي مارني، تبخيري تراس‌هاي جوان و مخروط‌افکنه‌ها، گروه سوم شامل آهک و ماسه‌سنگ به همراه شيل و مارن، گروه چهارم شامل توف آتشفشاني، شيل آهکي، آهک و دولوميت و کنگلومرا، گروه پنجم شامل آهک‌هاي توده‌ايي و توف‌هاي داسيتي و نهايتاً گروه ششم سنگ‌هاي آتشفشاني آندزيت و ديوريت مي‌باشند (شکل 3- ه). لازم به ذکر است حساسيت نسبت فرسايش گروه‌هاي اول تا ششم سنگ‌شناسي به‌ترتيب کاسته مي‌شود.

 

 

a

img0 

b

img0 

c

img0 

شکل 4. استعداد وقوع فرسايش خندقي بر اساس مدل حداکثر آنتروپي (a)، دمپسفر-شفر (b) و وزن شاهد (c)

 

 

جدول 3. مقادير شاخص نسبت فراواني و سطح سلول هسته در هر طبقه از نقشه پهنه­بندي حساسيت به فرسايش خندقي

مدل

طبقه

نام طبقه

پيکسل خندقي

درصد خندق

پيکسل طبقه

درصد مساحت طبقه

نسب فراواني

سطح سلول هسته

حداکثرآنتروپي

1

خيلي کم

0

0

277392

7/16

0

0

2

کم

1875

7/0

371021

4/22

03/0

34

3

متوسط

24375

7/8

490220

6/29

29/0

45/3

4

زياد

70000

6/24

405562

5/24

1

1

5

خيلي زياد

188125

1/66

111451

7/6

8/9

1/0

دمپسترشفر

1

خيلي کم

2500

88/0

341171

6/20

04/0

4/23

2

کم

13750

8/4

354786

4/21

23/0

4/4

3

متوسط

10625

7/3

228538

8/13

27/0

7/3

4

زياد

88750

2/31

485186

3/29

06/1

9/0

5

خيلي زياد

168750

3/59

245489

8/14

4

25/0

وزن شاهد

1

خيلي کم

2500

9/0

261188

8/15

06/0

9/17

2

کم

13750

8/4

412752

9/24

19/0

2/5

3

متوسط

29375

3/10

480472

03/29

36/0

8/2

4

زياد

68750

2/24

361042

8/21

1/1

9/0

5

خيلي زياد

170000

8/59

139716

4/8

08/7

14/0

 

 

تهيه نقشه پيش­بيني مناطق حساس به فرسايش خندقي

 پس از انجام مدل­سازي مکاني پيش­بيني مناطق داراي پتانسيل خندقي نتايج بدست آمده از سه مدل حداکثر آنترويي، دمپسفرشفر و وزن شاهد در نرم افزار ArcGIS 10.7 طبقه‌بندي شد که در شکل 4 نشان داده شده است. براساس نتايج بدست آمده بخش­هاي انتهايي و جنوبي حوزه آبخيز سمنان پتانسيل بالايي در وقوع فرسايش خندقي دارد. همانگونه که در نقشه‌هاي ورودي مدل حداکثر آنتروپي مشاهده مي‌شود بخش‌هاي مستعد فرسايش خندقي، مرتفع با واحدهاي سنگي حساس به فرسايش آبي شامل پهنه‌هاي رسي، نهشته‌هاي کواترنري، مارن و رسوبات تبخيري، تراس‌ها و مخروط‌افکنه‌ها، بارش متوسط سالانه، نوع خاک اريدسول و اقليم خشک و فراخشک بوده و بيش‌تر، در طبقات تراکم زه‌کشي بالا، شيب کم، اراضي پست و بدون جهت جغرافيايي، شاخص رطوبت جريان بالا، کاربري اراضي مرتعي، و بافت­هاي کم سطح زمين مشاهده مي‌شوند.

همانطور که جدول 3 نشان مي دهد، در منطقه مورد مطالعه کلاس­ فرسايش خيلي‌زياد در مدل حداکثرآنتروپي با 1/6 درصد، دمسپفرشفر با 8/14 درصد و وزن شاهد با 4/8 درصد از سطح منطقه به ترتيب داراي 293، 270 و 272 تعداد خندق را به خود اختصاص مي­دهند. همچنين حدود 2/31 درصد مساحت پهنه‌هاي با حساسيت زياد و خيلي‌زياد توسط مدل حداکثرآنتروپي، بيش از 90 درصد خندق‌ها منطقه را در بر مي‌گيرند. شايان ذکر است که اين پهنه­بندي تنها از جنبه نوع فرسايش خندقي مي­باشد و لذا ممکن است انواع فرسايش آبي از جمله فرسايش شياري، بين شياري و همچنين فرسايش توده اي در نواحي شيب دار حوزه مورد مطالعه نيز مشاهده گردد.

 

اعتبارسنجي نقشه­هاي پيش‌بيني مناطق حساس به فرسايش خندقي

از آنجايي که در مرحله اعتبارسنجي مدل‌ها، نمي‌توان از همان خندق‌هايي که در مدل‌سازي يا واسنجي نقشه پهنه‌بندي حساسيت فرسايش خندقي به‌کار گرفته شده‌اند، استفاده نمود. لذا پهنه‌هاي خندقي در منطقـه مطالعـاتي به‌طور تصادفي به دو دسته آموزشي (70 درصد) و آزمايشي (30 درصد) به‌ترتيب براي مدل‌سازي و اعتبارسنجي تقسيم شدند (Azareh et al., 2019؛ Saberchenari et al., 2018؛ Pourghasemi et al., 2017). سطح زير منحني مشخصه عملکرد نسبي در مرحله مدل‌سازي و اعتبارسنجي هر سه مدل به‌دست آمد (شکل 5). ابتدا داده­هاي به­دست­امده از نقشه­هاي پهنه­بندي فرسايش خندقي با استفاده از هر سه مدل حداکثر آنتروپي، وزن شاهد و دمپستر شفر به نقاط مربوط به 684 خندق و 292 خندق به صورت مجزا برازش داده شد و پس از انتقال داده­ها به فايل اکسل داده­ها در نرم­افزار SPSS مورد تحليل و بررسي قرار گرفتند. طبق جدول 4 و شکل 5 که از نقاط واسنجي (70%) و اعتبار­سنجي (30%) به­دست آمده است، هر سه مدل داراي درصد قابل قبولي از مساحت زير منحني بودند که اين مسئله نشان­دهنده عملکرد بالاي هر سه مدل در منطقه است. مدل آنتروپي 5/87 درصد مساحت زير نمودار داراي بهترين عملکرد براي پهنه­بندي حساسيت فرسايش خندقي مي­باشد (شيراني، 1395؛ عسگري و شيراني، 1403).

بنابراين مدل حداکثر آنتروپي در مراحل مدل‌سازي يا واسنجي و اعتبارسنجي يا پيش‌بيني به‌ترتيب داراي دقت 1/87 و 5/87 درصد است. هم‌چنين بر اساس منابع علمي در زمينه کيفيت تحليل روش سطح زير منحني و اعتبارسنجي مدل‌هاي پيش‌بيني مکاني مي‌توان بيان کرد مدل پيشينه بي‌نظمي در هر دو مرحله توسعه و پيش‌ييني، کارايي بسيار خوبي نسبت به دو مدل ديگر براي پهنه‌بندي حساسيت مناطق مستعد فرسايش خندقي دارا مي‌باشد.

درصد مساحت رخداد خندق و رده‌هاي حساسيت فرسايش خندقي در شکل 6 نشان داده شده است. بر اسـاس شـکل 6، در روش حداکثرآنتروپي از کل مساحت خندق­ها، 1/66 درصد در طبقه حساسيت خيلي‌زياد، و 6/24 درصد در طبقه حساسيت زياد قرار گرفته است و در مقابل 0 درصد در طبقه حساسيت خيلي‌کم و 66/0 درصد در طبقه حساسيت کـم قرار گرفته است، به­عبارت ديگـر 8/90 درصـد از مساحت خندق­هاي در طبقه حساسيت زياد و خيلي‌زياد قرار گرفته است. بـراي روش نظريـه شـواهد دمپسترشـفر و رگرسيون چندمتغيره به­ترتيب 8/59 و 3/59 درصد اسـت. لازم به ذکر است با توجه به اينکه مدل حداکثر آنتروپي هم در مرحله واسنجي و هم در مرحله پيش بيني با دقت کارآمدي بهتر نسبت به دو مدل ديگر ارزيابي گرديد، لذا براي بررسي اهميت و تعيين مشارکت و همچنين تعيين آستانه هاي عوامل مؤثر در رخداد فرسايش خندقي از نتايج منحني پاسخ و آزمون جک‌نايف که در بسته نرم افزاري مدل حداکثر آنتروپي فراهم شده است استفاده گرديد.

 

 

جدول 4. نتايج ارزيابي عملکرد مدل­ها در دو مرحله پيش­بيني و تست

مدل

سطح زير منحني ROC

انحراف معيار

سطح معني داري

دامنه اطمينان 95± درصد

 

حد پايين

حد بالا

پيش­بيني

حداکثر آنتروپي

871/0

021/0

0

831/0

912/0

وزن شاهد

837/0

023/0

0

792/0

883/0

دمپسترشفر

81/0

025/0

0

76/0

86/0

آزمون

حداکثر آنتروپي

875/0

013/0

0

848/0

901/0

وزن شاهد

846/0

015/0

0

816/0

875/0

دمپسترشفر

8/0

017/0

0

767/0

833/0

 

b

img0 

a

img0 

 

شکل 5. سطح زير منحني مشخصه عملکرد سه مدل حداکثرآنتروپي، دمپسترشفر و وزن شاهد در مرحله پيش‌بيني(a) و تست (b)

با استفاده از  70% و 30% پراکنش رخداد خندق‌ها 

 

 

img0 

شکل 6. درصد مساحت رخداد خندق و رده‌هاي حساسيت فرسايش خندقي

 

 

نتايج آناليز حساسيت و اهميت متغيرها (آزمون جک‌نايف حاصل از مدل حداکثر آنتروپي)

با بهره­گيري از آزمون جک‌نايف هر يک از شاخص­هاي مورد مطالعه بر اساس اهميت نسبي و ميزان تاثير يا سهم مشارکت در ايجاد فرسايش خندقي اولويت‏بندي شده و به‏صورت نمودار ارايه شده است (شکل 7). شکل 7 نتايج منحني آزمون جک‌نايف است که اين آزمون ميانگين پاسخ را نسبت به متغيرهاي محيطي بعد از 500 مرتبه تکرار در تعيين عوامل مؤثر بر وقوع فرسايش خندقي نشان مي‌دهد که به‌ازاي تعداد عوامل تاثيرگذار منحني پاسخ وجود دارد. در اين شکل نمودار رنگ قرمز حالت بهينه، رنگ آبي نوسانات پيرامون آن، محور x ارزش هر متغير و محور y هر متغير محيطي يا عامل مؤثر را نشان مي‌دهد. نتايج به‌د‌ست آمده از اين آزمون، بيانگر آن است که ارتفاع 84 درصد، سنگ‌شناسي 83 درصد، بارش متوسط سالانه 78 درصد، نوع خاک‌ 74 درصد و اقليم 73 درصد جزء عوامل مهم در رخداد فرسايش خندقي در حوزه آبخيز سمنان به شمار مي‌آيند. همچنين اين نتايج نشان‌دهنده آن است تمامي عوامل بر حساسيت فرسايش خندقي تاثيرگذار مي‌باشند که با نتايج تحقيق شيراني و نادري ساماني (54) هم­خواني دارد. نکته قابل توجه آن است که نمودار آزمون جک‌نايف تاثير هر يک از شاخص‏ها را بصورت مستقل در پهنه بندي فرسايش خندقي نشان مي دهد. يعني نرم افزار به طور مستقل مدل را تنها با در نظر گرفتن شاخص مورد نظر به تنهايي اجرا مي‏نمايد. جدول 5 سهم مشارکت عوامل با استفاده مدل حداکثرآنتروپي که بيانگر اهميت هر يک از شاخص­ها نيز مي باشد، به­عنوان متغيرهاي مستقل در ايجاد فرسايش خندقي مورد ارزيابي قرار گرفته است. لازم به يادآوري است که تحليل مدل يادشده بدون حضور آزمون جک‌نايف است. بر اين اساس، نتايج بيان‌گر مشارکت زياد و اهميت فراوان متغيرهاي شاخص سنگ‌شناسي، کاربري اراضي، ارتفاع و فاصله از آبراهه بود. نتايج اين پژوهش، نتايج رحمتي و همکاران (2018)، انتظاري و همکاران (1393)، فيض‌نيا و همکاران (1386)، جاويدان و همکاران (2021) و عسگري و شيراني (1403) را تاييد مي‌کند. به‌عبارت ديگر براساس نتايج به‌دست آمده از پژوهش‌ رحمتي و همکاران (2018) بافت خاک، تراکم زه‌کشي، سنگ‌شناسي و فاصله از جريان مهم‌ترين عوامل مؤثر در وقوع فرسايش خندقي و هم‌چنين پژوهش انتظاري و همکاران (1393) وقوع فرسايش خندقي را نيازمند وجود شرايط بحراني هم‌زمان بين چندين متغير محيطي از جمله سنگ‌شناسي، کاربري اراضي و فاصله از آبراهه مي‌دانند. لذا بر اين اساس پژوهش حاضر از اين نظر با پژوهش‌هاي مذکور داراي وجه اشتراک مي‌باشد. هم‌چنين اين پژوهش مويد نتايج فيض‌نيا و همکاران (1386) مي‌باشد. آن‌ها معتقدند فرآيند فرسايش خندقي با ساير اشکال فرسايشي متفاوت بوده و معمولاً در اراضي کم‌شيب مشاهده مي‌شود. لازم به توضيح است دليل اين امر را مي‌توان فرصت نفوذ بيش‌تر جريان‌هاي سطحي در اراضي کم‌شيب بيان کرد که در صورت حساس بودن خاک منطقه (وجود املاح) احتمال ايجاد حفره افزايش مي‌يابد که پس از فرسايش لانه روباهي فرسايش خندقي به وقوع مي‌پيوندد.

 

 

 

img0 

img0img0 

شکل 7. نتايج اهميت عوامل مؤثر در مرحله آموزش (واسنجي)، آزمايش (پيش‌بيني) و دقت (ROC ) به‌کارگيري آن‌ها با استفاده از آزمون جک‌نايف و اجراي مدل حداکثر آنتروپي

 

جدول 5. درصد مشارکت و اهميت جايگزيني عوامل در حساسيت فرسايش خندقي با استفاده از مدل حداکثر آنتروپي

اهميت جايگزيني

درصد مشارکت

متغير

7/17

2/58

سنگ‌شناسي

9/5

9/14

کاربري اراضي

5/52

2/11

 ارتفاع

6/2

1/5

فاصله از آبراهه

9/3

9/1

اقليم

2

9/1

بافت سطح زمين

3/2

5/1

تراکم آبراهه

1

1

جهت شيب

9/1

1

شاخص پوشش گياهي

4/5

8/0

بارش متوسط سالانه

1/0

8/0

شاخص آناليز سايه روشن

4/0

6/0

شاخص طبقه‌بندي انحناء

4/1

4/0

شيب

7/0

3/0

مساحت حوزه آبخيز

2/0

1/0

شاخص تحدب

2/0

1/0

شاخص فاصله عمودي از شبکه آبراهه

4/0

1/0

شاخص رطوبت توپوگرافي

8/0

1/0

نوع خاک‌

5/0

0

شاخص انحناي نيمرخ

2/0

0

انحناي دامنه

 

نتيجه‌گيري

در اين پژوهش، کارايي مدل­سازي حساسيت­پذيري فرسايش خندقي با سه مدل حداکثرآنتروپي، دمپسترشـفر و وزن شاهد براي شناسايي مناطق مستعد فرسايش خندقي در حوزه آبخيز سمنان بر اساس مطالعات ميداني و ثبت 487 مورد از خندق‌هاي موجود در منطقه بررسي شد. با انجام آزمون هم­راستايي از بين 23 پارامتر مؤثر در رخداد فرسايش خنـدقي، 20 پـارامتر براي مدل­سازي مناسـب تشـخيص داده شدند. بنابراين پارامترهاي شاخص توان آبراهه، فاکتور طول-شيب آبراهه، انحناي به­دليل هـم پوشـاني اطلاعـاتي و اثرات غيرمستقيم روي متغير وابسته رخداد فرسايش خندقي از فرايند مدل­سـازي حـذف شـدند. نتـايج حاصـل از درصد مشارکت و اهميت جايگزيني عوامل در حساسيت فرسايش خندقي با استفاده از مدل حداکثرآنتروپي نشـان داد کـه پارامترهاي شاخص سنگ‌شناسي، کاربري اراضي، ارتفاع و فاصله از آبراهه بيشـترين تأثير را در ايجاد فرسايش خندقي داشته­اند و توجه به آنها در مديريت و حفاظت خاک منطقه حائز اهميت است. رخنمـون واحـد سنگي رسي و مارني کواترنري در مناطق جنوبي حوضـه مـورد مطالعه بيشترين اثرگذاري را در ايجاد فرسايش خندقي از خـود نشان داده است. علت اين امر را مي­تـوان در حساسـيت بسـيار بالاي اين سازند و اين نوع واحـد سـنگي بـه فراينـد فرسـايش خاك بخصوص فرسايش انحلالي دانست. بر اساس نقشه کاربري اراضي مي‌توان اظهار کرد که کاربري مراتع بيش‌ترين مساحت (52 درصد) را به‌خود اختصاص داده است فلذا بيشترين اثرگذاري را در ايجاد فرسايش خندقي از خـود نشان داده است. فرم کلـي شـيب منطقـه بـه گونـه‌اي اسـت کـه بيشترين شيب، مربوط به مناطق بالادست حوضه است و هرچـه به­سمت خروجي حوضه حرکت کنيم شيب کاهش مي­يابد. ايـن تغييرات شيب، خود يک عامل براي افزايش سرعت روانـاب در بالادست و پايين آمدن زمـان تمرکـز اسـت. تراکم آبراهه بـا کـاهش شـيب کـاهش يافتـه و باعـث متمرکز شدن رواناب و تجمع جريـان در اراضـي پسـت و کـم‌شيب مي­شود. چون اين اراضـي بيش­تر از جـنس مـارن و رس هستند، لـذا انحـلال يافتـه و باعـث تشـديد فرسـايش خنـدقي مي­شود. نقشه‌ي ارتفاع منطقه نشان داد که مناطق شمال‌شرقي به سمت جنوب‌غربي روند کاهشي منظمي داشته و خروجي حوزه داراي کم‌ترين ارتفاع هستند به‌همين دليل اغلب جريان‌هاي سطحي و تمرکز خندق­ها در نقاط خروجي قرار حوزه گرفته‌اند. اعتبارسنجي نقشه­هاي حساسـيت حاصـل از مدل­هـاي حداکثرآنتروپي، دمپسترشـفر و وزن شاهد بـا شاخص‌هاي سطح زيرمنحني مشخصه عملکرد نسبي و سطح سلول هسته نشــان داد کــه مدل حداکثرآنتروپي با مقدار 91/0 در حالت توسعه مدل و مقدار 89/0 در حالت اعتبارسنجي همچنين با منحني سطح سلول هسته نزولي با شيب زياد و نسبت فراواني صعودي منظم از رده­هاي حساسيت خيلي‌کم تا خيلي­زياد مي‌توانند در پهنه‌بندي و پيش‌بيني رخداد فرسايش خندقي کارآمد باشد فلذا مدل حداکثرآنتروپي با سرعت و دقت خوب در ارزيابي عوامل مؤثر و اعتبارسنجي پهنه­بندي حساسيت نسبت به فرسايش خندقي مي­تواند به­کار گرفته شود. لازم به ذکر است حدود 31 درصد مساحت پهنه‌هاي با حساسيت زياد و خيلي‌زياد توسط مدل حداکثرآنتروپي، بيش از 85 درصد خندق‌ها منطقه را در بر مي‌گيرند. پهنه­بندي نقشه حساسيت بـه فرسـايش خنـدقي در منطقـه مـورد مطالعه نشان داد بيشتر مناطق با حساسيت زياد و خيلي‌زيـاد در مناطق مرکـزي و جنوب­شرقي منطقـه مـورد مطالعـه متمرکـز بـوده، درحالي که مناطق با حساسيت فرسايش خندقي کـم در منـاطق پرشيب و مرتفع شـمالي گسـترش دارنـد. بنابراين توجه به اين نکات کليدي در خصوص وضعيت پتانسيل وقوع فرسايش خندقي در برنامه‌ها و اقدامات حفاظت خاک مي‌تواند راه‌گشا باشد. همچنين با توجه به تاثير شکل سطح زمين در رخداد فرسايش خندقي استفاده و بکارگيري ساير شاخص‌ها و پارامترهاي تاثيرگذار توپوگرافيک نظير شاخص موقيعت زمين21، شاخص پستي و بلندي نسبي22 و شاخص هيپسومتريک به همراه شاخص‌هاي مورد استفاده در اين تحقيق براي مدل‌سازي توصيه مي‌شود. در نهايت با توجه کارآمدي مدل حداکثر آنتروپي نسبت به مدل‌هاي دمپسترشفر و وزن شاهد، بکارگيري مدل حداکثر آنتروپي براي شناسايي و اولويت‌بندي مناطق مستعد فرسايش‌ خندقي براي تمرکز هر چه بهتر پروژه‌هاي اجرايي آبخيزداري در مناطق حساس به فرسايش خندقي پيشنهاد مي‌گردد.

 

تشکر و قدرداني

اين پژوهش بخشي از نتايج پروژه ملي تحقيقاتي "تعيين آسـتانه‌هـاي مهم‌ترين عوامل مؤثر و ارزيابي مـدل‌سـازي حساسـيت‌پـذيري فرســايش خنــدقي در حوزه‌هاي منتخب کشور، منطقه مطالعاتي حوزه آبخيــز سمنان)" با کد ملي 990586-025-29-38-0 است. نويسـندگان مراتب تشکر و قدرداني خود را از بخـش تحقيقات حفاظت خاك و آبخيزداري مرکز تحقيقات و آموزش کشاورزي و منابع طبيعي سمنان و همچنـين پژوهشـکده حفاظت خاك و آبخيزداري کشور به‌خاطر فـراهم آوردن زمينـه اين پژوهش ابراز مي‌نمايند.

 

Reference:

Asgari S, Shirani K. Evaluation of the effective factors in gully erosion sensitivity using Dempster-Shafer. 2024. Journal of Spatial Analysis Environmental Hazards: 11 (2): 137-159 (In persion).

Asgari S, Shirani K. and Soleimani, F. 2025. Evaluation of gully erosion using weight of evidence (WofE) and Dempster-Schiffer (DSH) models in Ilam watershed. Watershed Management Research, 37(4), 71-98 (In persion).

Azareh, A., Rahmati, O., Rafiei-Sardooi, E. Sankey, J. B., Lee, S., Shahabi, H., bin, B. Ahmad, B. 2019. Modelling gully-erosion susceptibility in a semi-arid region, Iran: Investigation of applicability of certainty factor and maximum entropy models. Science of the Total Environment 655: 684-696

 Baboli moakher, H., Shirani, K., and Taghian. A.R. 2018. Performance of chaos theory on natural systems in landslide hazard zonation in Fahlian River Basin. Journal of Geoscience, 28 (109): 187-200 (In Persian).

Ballabio, C., & Sterlacchini, S. 2012. Support vector machines for landslide susceptibility mapping: the Staffora River Basin case study, Italy. Mathematical geosciences, 44(1): 47-70.

Bernini, A., Bosino, A., Botha, G., & Mearker, M., 2021. Elevation of gully erosion suscepceptibility using a maximum entropy model in the upper Mkhomazi River Basin in South Africa. Geo Information,10 (11),1-20.

Boos, D.D. and C. Brownie. 2004. Comparing variances and other measures of dispersion. Statistical Science, 19(4): 571-578.

Castillo, C., E.V. Taguas, P. Zarco-Tejada, M.R. James and J.A. Gómez. 2014. The normalized topographic method: an automated procedure for gully mapping using GIS. Earth Surface Processes and Landforms, 39(15): 2002–2015.

Chaplot, V., Giboire, G., Marchand, P., Valentin, C. 2005. Dynamic modelling for linear erosion initiation and development under climate and land-use changes in northern Laos. Catena, 63(2-3): 318-328.

Conoscenti, C., Agnesi, V., Angileri, S., Cappadonia, C., Rotigliano, E., Märker, M. 2013. A GIS-based approach for gully erosion susceptibility modelling: a test in Sicily, Italy. Environ Earth Sci, 70: 1179- 1195.

Conforti, M., Aucelli, P. P., Robustelli, G., & Scarciglia, F., 2011. Geomorphology and GIS analysis for mapping gully erosion susceptibility in the Turbolo stream catchment (Northern Calabria, Italy). Natural hazards, 56(3): 881-898.

Davoudi Moghaddam, D., & Haghizadeh, A. 2020. Detection of Susceptible Areas to Flooding and its Most Important Contributing Factors Using the Maximum Entropy Model in the Tashan Watershed, Khuzestan. Watershed Management Research Journal, 33(4): 94-109.

Dempster, A.P. 1967. Upper and lower probabilities induced by a multi valued mapping. Ann Math Stat, 38 (2): 325–339.

Dormann, C. F., J. Elith, S. Bacher, C. Buchmann, G. Carl, G. Carré, J. R. G. Marquéz, B. Gruber, B. Lafourcade, P.J. Leitão, T. Münkemüller, C. Mc Clean, P. E. Osborne, B. Reineking, B. Schröder, A. K. Skidmore, D. Zurell and S. Lautenbach. 2013. Collinearity: a review of methods to deal with it and a simulation study evaluating their performance. Ecography 36: 27-46.

 Dube, F., Nhapi, I., Murwira, A., Gumindoga, W., Goldin, J., Mashauri, D.A. 2014. Potential of weight of evidence modelling for gully erosion hazard assessment in Mbire District-Zimbabwe. Physics and Chemistry of the Earth, Parts A/B/C, 67: 145–152.

 Elith, J., S. Phillips, T. Hastie, M. Dudík, Y. Chee, and C. Yates. 2010. A statistical explanation of MaxEnt for ecologists. Diversity and Distributions, 17(1): 43–57.

Entezari, M., M. Amjad, Kh. Moradi and S. Olfati. 2014. Zoning of gully erosion in catchment of Dyreh by Analytical Hierarchy Process (AHP). The Journal of Spatial Planning, 17: 63-86 (in Persian).

 Erfani, M., Jahanishakib, F., & Enayat, A. 2021. Modeling the habitat distribution of Black Francolin (Francolinus francolinus) using MaxEnt algorithm in Sistan region. Journal of Animal Environment, 13(1): 139-146.

 Farajzadeh, M., A. Afzali, Y. Khalili and E. Gholichi. 2012. Gully erosion susceptibility assessment using multivariate regression model, case study: Kiasar, Southern Mazandaran Province. Environmental Erosion Research Journal, 2: 42-57 (in Persian).

Gearman M, Blinnikov, Ms. 2019. Mapping the potential distribution of Oak Wilt (Bretziella fagacearum) in east central southeast the Minnesota using the Maxent. Journal of forestry. 117(6): 579-591.

 Geissen, V., Kampichler, C., López-de Llergo-Juárez, J.J., GalindoAcántara, A. 2007. Superficial and subterranean soil erosion in Tabasco, tropical Mexico: Development of a decision tree modeling approach. Geoderma 139(3-4): 277–287.

 Gómez Gutiérrez, Á., Schnabel, S., Lavado Contador, J.F. 2009. Using and comparing two nonparametric methods (CART and MARS) to model the potential distribution of gullies. Ecological Modelling 220 (24): 3630-3637.

Graham, C.H., J. Elith, R.J. Hijmans, A. Guisan, A.T. Peterson, B.A. Loiselle. 2008. The NCEAS predicting species distributions working group. The influence of spatial errors in species occurrence data used in distribution models. Journal of Applied Ecology, 45: 239–247.

orhan İNİK, Mustaf UTLU. Erosion Susceptibility Analysis in Bingöl (Türkiye) using Logistic Regression, Frequency Ratio, Weight of Evidence and Shannon’s Entropy methods. 2024. PREPRINT (Version 1) available at Research Square [https://doi.org/10.21203/rs.3.rs-4402292/v1].

Jafarzadeh, M. S., Tahmasebipoor, N., Haghizadeh, A., Pourghasemi, H., & Rouhani, H. 2021. Prediction of susceptible areas for groundwater recharge based on maximum entropy model. Advanced Applied Geology, 11(4): 723-739.

Javidan, N.; Kavian, A.; Pourghasemi, H.R.; Conoscenti, C.; Jafarian, Z. Data Mining Technique (Maximum Entropy Model) for Mapping Gully Erosion Susceptibility in the Gorganrood Watershed, Iran. 2020. In Gully Erosion Studies from India and Surrounding Regions; Shit, P.K., Pourghasemi, H.R., Bhunia, G.S., Eds.; Advances in Science, Technology & Innovation; Springer International Publishing: Cham, Switzerland, pp. 427–448

Jiao, Y., Zhao, D., Ding, Y., Liu, Y., Xu, Q., Qiu, Y., Liu, C., Liu, Z., and Zha, Z., Li, R. 2019. Performance evaluation for four GIS-based models purposed to predict and map landslide susceptibility: A case study at a World Heritage site in Southwest China. Catena, 183: 104221.

Kariminejad N, Hosseinalizadeh M, Pourghasemi HR, Bernatek-Jakiel A, Campetella G, Ownegh M. 2019. Evaluation of factors affecting gully headcut location using summary statistics and the maximum entropy model: Golestan Province, NE Iran. Science Total Enviroment, 677: 281-298.

Karimi Sangchini, E. and M. Ownegh. 2015. Evaluation of gully erosion hazard by statistical models in Naghan Inter basin, Chaharmahal Va Bakhtiari province. Journal of Water and Soil Conservation, 22(5): 315-319 (In Persian).

Kuhnert, P. M., A. K. Henderson, R. Bartley and A. Herr. 2010. Incorporating uncertainty in gully erosion calculations using the random forests modelling approach. Environmetrics 21: 493-509.

Lal, R., 2003. Offsetting global CO2 emissions by restoration of degraded soils and intensification of world agriculture and forestry. Land Degradation & Development, vol. 14(3): 309-322.

Li, Heyang, Jizhong Jin, Feiyang Dong, Jingyao Zhang, Lei Li, and Yucheng Zhang. 2024. Gully Erosion Susceptibility Prediction Using High-Resolution Data: Evaluation, Comparison, and Improvement of Multiple Machine Learning Models. Remote Sensing 16, no. 24: 4742.

Lombardo, L., Cama, M., Conoscenti, C., Märker, M., & Rotigliano, E. 2015. Binary logistic regression versus stochastic gradient boosted decision trees in assessing landslide susceptibility for multiple occurring landslide events: application to the 2009 storm event in Messina (Sicily, southern Italy). Natural Hazards, 79(3): 1621-1648.

Lucà, F., Conforti, M., Robustelli, G., 2011. Comparison of GIS-based gullying susceptibility mapping using bivariate and multivariate statistics: Northern Calabria, South Italy. Geomorphology, 134: 297–308.

Madadi, A., Asgharisaraskanroud, S., Negahban, S., Marhamat, M. (2022). Evaluation
of gully erosion sensitivity using Maximum Entropy model in Shoor River watershed (Mohr Township). Journal of Geography and Environmental Hazards. 11(2): 123-145

Magliulo, P. 2010. Soil erosion susceptibility maps of the Janare Torrent Basin (Southern Italy). J. Maps, 6: 435–447.

Magliulo, P. 2012. Assessing the susceptibility to water-induced soil erosion using a geomorphological, bivariate statistics-based approach. Enviroment earth Science, 67: 1801–1820.

Märker, M., Pelacani, S., Schröder, B. 2011. A functional entity approach to predict soil erosion processes in a small Plio-Pleistocene Mediterranean catchment in Northern Chianti, Italy. Geomorphology 125(4): 530-540.

Milaghardan, A. H., M. Delavar and A. Chehreghan. 2016. Uncertainty in landslide occurrence prediction using Dempster–Shafer theory. Modelling of Earth System Environments 2: 188, 1-10.

Mohammady, M., Dustmohammadian, A. H., Amiri, M., & Kianian, M. K. 2020. Investigating Quantitative Changes of Groundwater in the Semnan Plain. Water Resources Engineering, 13(47), 61-70.

Phillips, S.J., Dudík, M., and Schapire, R.E. 2004. A maximum entropy approach to species distribution modeling. Proceedings of the Twenty-First International Conference on Machine Learning Banff, Alberta, Canada, 83p. 

Phillips, S.J., Anderson, R.P., and Schapire, R.E. 2006. Maximum entropy modeling of species geographic distributions. Ecological Modelling, 190 (3/4): 231-259.

Park, N.W. 2015. Using maximum entropy modeling for landslide susceptibility mapping with multiple geo environmental data sets. Environmental Earth Science, 73: 937–949.

Pourghasemi, H.R., B. Pradhan, C. Gokceoglu, M. Mohammadi and H.R. Moradi. 2013. Application of weights-of-evidence and certainty factor models and their comparison in landslide susceptibility mapping at Haraz watershed, Iran. Arabian Journal of Geosciences, 6: 2351–2365.

Pourghasemi, H. R., Yousefi, S., Kornejady, A. and Cerdà, A. 2017. Performance assessment of individual and ensemble data-mining techniques for gully erosion modeling. Science of the Total Environment, 609:764- 775.

Rahmati, O., Tahmasebipour, N., Haghizadeh, A., Pourghasemi, H.R., Feizizadeh, B. 2017. Evaluating the influence of geo-environmental factors on gully erosion in a semi-arid region of Iran: An integrated framework. Science of the Total Environment. 579: 913-927.

Rahmati, O., Tahmasebipour, N., Haghizadeh, A., Pourghasemi, H., & Feizizadeh, B. 2018. Assessing the effectiveness of the maximum entropy model to gully erosion susceptibility prediction in the Kashkan-Poldokhtar Watershed. Watershed Engineering and Management, 10(4): 727-738.

saberchenari K, salmani H, mirabedini M. Landslide Hazard Mapping Using Dempster-Shafer Theory- A Case Study: Ziarat Watershed, Golestan Province, Iran. 2018. Journal of Engineering Geology, 11 (4) :385-404(In Persian).

Saberi Chenari, K., A. Bahremand, V. Berdi Sheikh and C. Biram Komaki. 2016. Gully erosion hazard zoning using of Dempster-Shafer model in the Gharnaveh watershed, Golestan province. EcoHydrology 3(2): 219-231 (In Persian).

Shirani, K., 2017. Modelling and Assessment of Landslide Susceptibility Zonation using Shannon’s Entropy Index and Bayesian Weight of Evidence (Case Study: Sarkhoon Basin, Karoon), J. Water and Soil Sci (Sci. & Technol. Agric. & Natur. Resour.), 21(1), 11.

Shirani, K., and Arabameri, A.R. 2015. Landslide hazard zonation using logistic regression method (Case study: Dez-e-Oulia basin). Journal of Science and Technology of Agriculture and Natural Resources, 19 (72): 321-335.

Shirani, K., Pasandi, M., and Arabameri, A.R. 2018. Landslide susceptibility assessment by Dempster– Shafer and Index of Entropy models, Sarkhoun basin, Southwestern Iran, Natural Hazards, 93 (3): 1379- 1418.

Shirani K. 2021. Gully Erosion Mapping and Susceptibility Assessment Using Statistical and Probabilistic Methods. JWSS - Isfahan University of Technology; 25 (2): 151-174(In Persian).

Shirani, K., & Naderi Samani, R. 2022. Prioritization of effective parameters, landslide susceptibility zonation using maximum entropy, and dempster shafer in Doab Samsami, Chaharmahal Bakhtiyari. Journal of Range and Watershed Managment, 75(1): 51-72 (In Persian).

Shrestha S, Kang TS. 2019. Assessment of seismically- induced landslide susceptibility after the 2015 Gorkha earthquake, Nepal. Bulletin of Engineering Geology and the Environment. 78(3): 1829-1842/

Silakhori, Z., VahabzadeKebriya, GH, and Pourghasemi, H.R. 2022. Landslide Susceptibility Mapping using Bayesian Model: A Case Study of some Regions of Talar Watershed, Mazandaran Province. Quarterly journal of Environmental Erosion Research. 2(50): 122-140.

Tahmassebipoor, N., Rahmati, O., Noormohamadi, F., Lee, S. 2016. Spatial analysis of groundwater potential using weights-of-evidence and evidential belief function models and remote sensing. Arabian Journal of Geosciences, 9(1): 79.

Teimouri, M., & Asadi Nalivan, O. 2021. Determination of Groundwater Spring Potential Using Maximum Entropy, GIS and RS Emphasizing HAND Topographic-Hydrologic New Index (Case Study: Urmia Lake Basin). Iranian Journal of Remote Sensing & GIS, 13(2): 119-138.

Tien Bui, D., B. Pradhan, I. Revhaug, D. B. Nguyen, H. V. Pham and Q. N. Bui. 2015. A novel hybrid evidential belief function-based fuzzy logic model in spatial prediction of rainfall-induced shallow landslides in the Lang Son city area (Vietnam) Geomatics. Natural Hazards Risk 6: 243-271.

Tsangaratos, P., I Ilia, H. Hong, W. Chen and C. Xu. 2017. Applying information theory and GIS-based quantitative methods to produce landslide susceptibility maps in Nancheng County, China. Landslides 14: 1091-1111.

Valentin, C., J. Poesen and Y. Li. 2005. Gully erosion: Impacts, factors and control. Catena, 63: 132- 153.

Yousefi Mobarhan, E., Karimi Sangchini, E., 2021. Continuous Rainfall-Runoff Modeling Using HMS-SMA with Emphasis on the Different Calibration Scale. Journal of Chinese Soil and Water Conservation, 52 (2): 112-119.

Yousefi Mobarhan, E and K. Shirani. 2023. Assessment of Maximum Entropy (ME) to identify Effective Factors on Gully Erosion and Determination of Sensitive Areas in Alaa Semnan Watershed. Journal of Watershed Management Research, 14(28): 37-52 (In Persian).

Yousefi Mobarhan, E., & Zandifar, S. (2023). Zoning of changes in the decreasing groundwater table and temporal monitoring of drought in the Ghorove-Dehgolan plain. Iranian Journal of Rainwater Catchment Systems, 11(1), 17-35 (In Persian).

Zakerinejad, R., Märker, M., 2014. Prediction of Gully erosion susceptibilities using detailed terrain analysis and maximum entropy modeling: a case study in the Mazayejan Plain, Southwest Iran. Geografia Fisica e Dinamicca Quaternaria, 37(1): 67-76.

Zabihi, M., F. Mirchooli, A. Motevalli, A. K. Darvishan, H. R. Pourghasemi, M. A. Zakeri and F. Sadighi. 2018. Spatial modelling of gully erosion in Mazandaran Province, northern Iran. Catena 161: 1-13.

 

يادداشت‌ها23

 

[1]  Valentin

[2]  Dempster-Shafer

[3]  Maximum Entropy

[4]  Machine learning model

[5]  Jiao

[6]  Bernini

[7]   İNİK and UTLU 

[8]   Li 

[9]  Jackknife

[10]  Global Positioning System

[11]  Google Earth

[12]  PALSAR

[13]  Normalized Difference Vegetation Index

[14]  Maxent

[15]  Belief networks

[16]  Casual networks

[17]  Influence diagrams

[18]  Natural Breaks

[19]  Receiver operating characteristic

[20]  Area Uder Curve 

[21]  Topographic Position Index

[22]  Relative Topographic Index

[23]  


Sanad

Sanad is a platform for managing Azad University publications

Links

Related Centers

Technical Support

Official pages

The rights to this website are owned by the Raimag Press Management System.
Copyright © 2021-2025

Home| Login| About Us| Contact Us|
[فارسی] [العربية] [fa] [ar]