ارزیابی پایداری برآوردهای مدل بیشینه آنتروپی برای مدل‌سازی فرسایش شیاری

لازمه مدیریت فرسایش خاک، ارائه راهکارهای مناسبی می‌باشد که با شناخت از وضعیت فرسایش خاک حاصل می‌شود. هدف از مطالعه حاضر، مدل‌سازی پتانسیل فرسایش شیاری با استفاده از مدل بیشینه آنتروپی و بررسی پایداری مدل بهمنظور آگاهی از حساسیت‌پذیری این فرسایش در حوضه آبخیز گل‌گل استان ایلام است. بدین منظور، فاکتورهای زمین محیطی برای استفاده در فرایند مدل‌سازی انتخاب شد. افزون بر این، موقعیت 157 واقعه فرسایش شیاری با استفاده از سیستم موقعیت‌یاب جغرافیایی (gps) ثبت شد. این وقایع در قالب دو گروه آموزش و اعتبارسنجی با نسبت 70 به 30 کلاس‌بندی شد. به‌منظور ارزیابی پایداری مدل، کلاس‌بندی‌های مذکور سه بار تکرار شد و بنابراین، سه نمونه مجموعه داده (d1، d2 و d3) آماده شد. ارزیابی کارایی مدل با استفاده از سطح زیر منحنی roc صورت پذیرفت. با توجه به نتایج پایداری، تمامی مجموعه داده‌ها مقادیر سطح زیر منحنی خوبی را کسب نمودند و ازنظر کارایی برازش (1.3 = rauc) و پیش‌بینی (3.1 = rauc) پایدار می‌باشند. به‌بیان‌دیگر، نتایج ثابت نمود زمانی که داده‌های کالیبراسیون و اعتبارسنجی تغییر پیدا نمود مدل کاملاً پایدار باقی ماند. علاوه بر این، مشخص شد که مدل حداکثر آنتروپی (maxent) قادر به تولید نقشه حساسیت‌پذیری فرسایش شیاری است. از سوی دیگر، برمبنای آنالیز حساسیت، مشخص شد که مهم‌ترین اجزا در مدلسازی حساسیت‌پذیری فرسایش شیاری سنگ‌شناسی و فاصله از آبراهه می‌باشد. روش‌شناسی تطبیق‌یافته به‌عنوان یک رویکرد موثر برای برنامه‌ریزی کاربری اراضی و مدیریت ریسک فرسایش سودمند می‌باشد.

Assessing the stability of maximum entropy prediction for rill erosion modelling

Soil erosion management requires providing appropriate solutions that can be achieved with knowing soil erosion situation. The aim of this study, modeling rill erosion potentially by using maximum entropy (MaxEnt) and investigation of its robustness to knowing about rill erosion susceptibility in the Golgol watershed, Ilam province. To this purpose, different geoenvironmental factors were selected to be employed in the modeling process. In addition, 157 rill erosion events were recorded by a global positioning system (GPS). These events were then classified into two classes of training and validation with a ratio of 70:30. To evaluate model robustness, these classifications were repeated three times, and therefore, three sample datasets (D1, D2, and D3), were prepared. The area under receiver operating characteristics (AUC) curve was used for evaluating the performance of the model. Regarding the robustness results, all of the datasets obtained good AUC values and all of them were robust for both the goodnessoffit (RAUC =1.3) and prediction performance (RAUC =3.1). In other words, the results demonstrated that the model remained quite stable when the calibration and validation data were changed. In addition, we found that the MaxEnt model is capable to produce rill erosion susceptibility map. Furthermore, based on the sensitivity analysis, it found that the most important components in rill erosion susceptibility modeling are lithology and distance from stream. The adopted methodology can be useful as an efficient approach for land use planning and erosion risk management.