| مروری بر کاربرد یادگیری ماشین و مدلهای دادهمحور در پیشبینی فرسایش خاک و رسوب حوزههای آبخیز خشک و نیمهخشک با تأکید بر تجارب ملی و بینالمللی |
| کد مقاله : 1065-SCWMSUP (R1) |
| نویسندگان |
|
عبدالرسول شفیعی دستجردی *1، بهرام چوبین1، محمد دریابر1، الهه میرزاعلیان دستجردی2 1مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان اصفهان 2Education Department of Isfahan Province |
| چکیده مقاله |
| فرسایش خاک یکی از جدیترین چالشهای زیستمحیطی در حوزههای آبخیز خشک و نیمهخشک جهان از جمله ایران است. پیشبینی دقیق فرسایش و تولید رسوب برای مدیریت پایدار منابع آب و خاک ضروری میباشد. در سالهای اخیر، رویکردهای یادگیری ماشین (Machine Learning) و مدلهای دادهمحور به دلیل توانایی در شناسایی الگوهای پیچیده و غیرخطی، توجه گستردهای را به خود جلب کردهاند. این مقاله با رویکرد مروری نظاممند (Systematic Review) و با بهرهگیری از تحلیل اسنادی، به بررسی کاربرد الگوریتمهای مختلف یادگیری ماشین در پیشبینی فرسایش خاک و رسوب میپردازد. مطالعات نشان میدهد که الگوریتمهای جنگل تصادفی (Random Forest)، ماشین بردار پشتیبان (SVM)، شبکههای عصبی عمیق و مدلهای ترکیبی (Ensemble) عملکرد برجستهای در پهنهبندی حساسیت به فرسایش و پیشبینی غلظت رسوب داشتهاند. در مطالعهای در منطقه گناباد ایران، مدل جنگل تصادفی با دقت کلی (OA) بین ۰.۸۶۶ تا ۰.۹۹۴ و ضریب کاپا بین ۰.۷۲۳ تا ۰.۹۸۸ بهترین عملکرد را در پیشبینی اشکال مختلف فرسایش آبی نشان داد. در مقیاس قارهای، مدلهای ترکیبی (Ensemble) توانستند سطح زیر منحنی (AUC) معادل ۰.۹۹ و صحت ۹۳.۵٪ را در پهنهبندی فرسایش خندقی ارائه دهند. تلفیق مدلهای فیزیکبنیان مانند RUSLE با الگوریتمهای یادگیری ماشین، دقت پیشبینی را در مناطق نیمهخشک به طور قابل توجهی افزایش داده است. رویکردهای یادگیری ماشین به ویژه در شرایط کمداده و مناطق خشک که فرآیندهای فرسایش دارای رفتار غیرخطی و ناپایدار هستند، کارآمدی بالایی دارند. مدلهای ترکیبی (Ensemble) و رویکردهای فیزیک-داده (Physics-Informed) به عنوان امیدوارکنندهترین مسیرهای آتی معرفی شدهاند. |
| کلیدواژه ها |
| یادگیری ماشین، فرسایش خاک، رسوب، حوزههای آبخیز خشک و نیمهخشک، مدلهای ترکیبی |
| وضعیت: پذیرفته شده |