مدلسازی هدررفت خاک ناشی از فرسایش خندقی در مناطق فاقد آمار

فرسایش خندقی به‌عنوان یکی از مخرب‌ترین شکل تخریب زمین و هدررفت خاک در سطح جهانی مطرح می‌باشد. باتوجه به زمان‌بر و هزینه‌بر بودن پایش میدانی، این پژوهش به دنبال مدلسازی و برآورد حجم خاک از دست رفته به‌وسیله آن در حوزه آبخیز چوپانلو در استان آذربایجان غربی بود. به این منظور، ابتدا پایش میدانی جهت شناسایی خندق‌ها انجام شد و سپس به منظور خوشه‌بندی خندق‌ها و تعیین خندق‌های منتخب، لایه‌های رقومی عوامل تاثیرگذار بر گسترش خندق‌ها از جمله عوامل توپوگرافی (ارتفاع، شیب، جهت، انحنای سطح و شاخص موقعیت شیب نسبی)، پوشش گیاهی، کاربری اراضی، سنگ‌شناسی و هیدرواقلیم (فاصله از جریان، تراکم زهکشی، شاخص رطوبت توپوگرافی، بارش سالیانه و فراوانی بارش‌‌های سنگین) تهیه شدند. سپس حجم خاک از دست رفته ناشی از فرسایش خندقی در طی سه سال 1400-1402 برای خندق‌های منتخب به عنوان متغیر وابسته در عرصه اندازه‌گیری شد. مدلسازی در این پژوهش با استفاده از سه مدل جنگل تصادفی، ماشین بردار پشتیبان و شبکه عصبی مصنوعی و با رویکرد اعتبارسنجی متقاطع صورت پذیرفت. نتایج فرمول کوکران نشان داد که از بین 67 مورد خندق شناسایی شده در عرصه تعداد 58 مورد حداقل نمونه لازم می‌باشند که این تعداد خندق منتخب پس از خوشه‌بندی از بین سه خوشه شناسایی شده انتخاب شدند. مقدار فرسایش خالص سالانه خاک ناشی از خندق‌های منتخب (58 مورد) به‌ترتیب برابر با 172، 196 و 208 تن در طی سال‌های 1400، 1401 و 1402 می‌باشد. نتایج نشان داد که مدل جنگل تصادفی عملکرد خوب، مدل ماشین بردار پشتیبان عملکرد متوسط و مدل شبکه عصبی عملکرد ضعیفی در مدلسازی داشتند.

modeling soil loss due to gully erosion in the data-scarce regions

gully erosion is recognized as a detrimental form of land degradation and soil loss worldwide. considering the time-consuming and costly nature of field monitoring, this research aimed to develop models for estimating the volume of soil lost due to gully erosion in the choopanlu watershed, located in west azerbaijan province, iran. the study commenced with field monitoring to identify gullies in the area. following this, digital layers of factors influencing gully erosion were prepared to facilitate gully clustering and selection. these factors included topographical characteristics (elevation, slope, aspect, surface curvature, and relative slope position index), vegetation, land use, soil, lithology, and hydroclimate indicators (distance from stream, drainage density, topographic wetness index, annual precipitation, and frequency of heavy rainfall events). subsequently, the volume of soil lost due to gully erosion during the three-year period (2021-2023) was measured as the dependent variable for the selected gullies through field observations. in this study, three machine learning models including random forest (rf), support vector machine (svm), and artificial neural network (ann) were employed using a cross-validation approach. cochran’s formula results indicated that among the 67 identified gullies in the field, a minimum sample size of 58 gullies was required. following clustering, this number of selected gullies was chosen from the three identified clusters. the annual soil erosion caused by the selected gullies (i.e., 58 gullies) was estimated to be 172 tons in 2021, 196 tons in 2022, and 208 tons in 2023. according to the modeling results, it can be inferred that the rf model demonstrated the best performance, followed by the svm model with moderate performance, and the ann model exhibiting the poorest performance in modeling soil loss due to gully erosion.