نگار ارجمند؛ علیرضا سپهوند؛ امید رحمتی
چکیده
مقدمهامروزه مطالعه فرسایش خندقی بهدلیل تولید رسوب و خسارات متعدد در نتیجه فعالیتهای انسانی از اهمیت بالایی برخوردار است. در مطالعات انجام شده عوامل طبیعی زیادی بهعنوان عوامل کنترل کننده فرسایش آبکندی گزارش شدهاند که ازجمله میتوان به عوامل زمین-محیطی که شرایط بحرانی برای وقوع و توسعه فرسایش آبکندی را کنترل میکنند و ...
بیشتر
مقدمهامروزه مطالعه فرسایش خندقی بهدلیل تولید رسوب و خسارات متعدد در نتیجه فعالیتهای انسانی از اهمیت بالایی برخوردار است. در مطالعات انجام شده عوامل طبیعی زیادی بهعنوان عوامل کنترل کننده فرسایش آبکندی گزارش شدهاند که ازجمله میتوان به عوامل زمین-محیطی که شرایط بحرانی برای وقوع و توسعه فرسایش آبکندی را کنترل میکنند و در درجه اول با توپوگرافی، سنگشناسی، بارندگی، خاک و کاربری اراضی مرتبط هستند اشاره کرد. شناسایی عوامل مؤثر در وقوع فرسایش آبکندی و پهنهبندی آن یکی از ابزارهای اساسی و مهم برای کنترل و مدیریت این پدیده است. فرسایش آبکندی یک خطر مهم برای وضعیت اکوسیستمها در سراسر جهان است، در نتیجه توسعه نقشههای حساسیت فرسایش آبکندی ضروری است. بنابراین این پژوهش بهمنظور پهنهبندی حساسیت وقوع فرسایش آبکندی با استفاده از مدلهای هوش مصنوعی از نوع شبکه عصبی مصنوعی (MLP)، حداکثرآنتروپی (MaxEnt)، تحلیل تفکیککنندهانعطافپذیر (FDA)، در شهرستان الشتر انجام شد. مواد و روشهامنطقه مورد مطالعه از نظر ژئومورفولوژیکی در بخش مرکزی رشتهکوه زاگرس در استان لرستان قرار دارد که خود بخشی از زیرحوضه کرخه است. شهرستان الشتر با مساحت 1523.55 کیلومتر مربع بین طولهای جغرافیایی”38 ΄03 ْ48 تا ”52 ΄30 48 شرقی و عرضهای ”37 ΄44 33 تا ”21΄01 34 شمالی قرار دارد. میانگین بارندگی حوضه حدود 570 میلیمتر و دارای اقلیم نیمهخشک و سرد است. برای پهنهبندی حساسیت به وقوع فرسایش خندقی با استفاده از مدلهای هوش مصنوعی و تعیین بهترین مدل، از مدلهای شبکه عصبی مصنوعی (MLP) حداکثرآنتروپی (MaxEnt)، تحلیل تفکیککنندهانعطافپذیر (FDA)، استفاده شد. در این تحقیق از 12 عامل شیب، جهت شیب، بارش، فاصله از جاده، فاصله از رودخانه، فاصله از گسل، خاک، کاربری اراضی، سازند زمینشناسی، شاخص رطوبت توپوگرافی (TWI)، شاخص موقعیت توپوگرافی TPI و شاخص پوشش گیاهی NDVI به عنوان پارامترهای ورودی و نقاط خندقی و غیرخندقی بهعنوان پارامترهای خروجی برای مدلسازی و پهنهبندی حساسیت به وقوع خندق استفاده شد. سپس از مجموع 151 نقطه وقوع و عدم وقوع خندق (89 خندق و 62 غیر خندق)، 70 درصد بهعنوان دادههای آموزش و 30 درصد برای مرحله اعتبارسنجی استفاده شد. بهمنظور ارزیابی مدلها، از منحنی تشخیص عملکرد نسبی (ROC) برای قدرت پیشبینی مدلها استفاده شد. نتایج و بحثنتایج نشان داد که مدل MLP با مقادیر AUC برابر با 0.98 در مرحله آموزش و 0.92 در مرحله اعتبارسنجی، بهترین عملکرد را در پیشبینی حساسیت وقوع فرسایش آبکندی دارد. پس از آن بهترتیب مدلهای ( 0.87=AUC) FDA و (0.5=AUC) MaxEnt قرار دارند. تحلیل عوامل مؤثر نشان داد که بیشترین آبکندها در طبقات بارشی ۷۰۰-۶۰۰ میلیمتر، فواصل بیش از ۳۰۰ متر از گسل، جاده و رودخانه، شیبهای ۰-۵ و ۵-۱۵ درصد، جهتهای شمالی، کاربری کشاورزی دیم و سازندهای آبرفت قدیم و مارنها واقع شدهاند. همچنین بین شاخصهای TWI و NDVI بهترتیب رابطه مستقیم و معکوس با وقوع آبکند مشاهده شد. در نهایت، نقشه نهایی پهنهبندی حساسیت فرسایش آبکندی با استفاده از مدل برتر MLP تهیه شد. نتیجهگیریبا توجه به اینکه فرسایش آبکندی یکی از شکلهای پیشرفته فرسایش آبی است، شناسایی عوامل مؤثر و پهنهبندی آن برای کنترل و مدیریت این پدیده حائز اهمیت است. این مطالعه با هدف شناسایی عوامل مهم و تأثیرگذار در فرسایش آبکندی و ایجاد مدلهای یادگیری ماشین برای پهنهبندی حساسیت وقوع به فرسایش آبکندی در شهرستان الشتر انجام شد. نتایج نشان داد که مدل شبکه عصبی مصنوعی (MLP) بهترین عملکرد را با توجه به معیار ارزیابی مدل (0.92=AUC) کسب کرده است و پس از آن بهترتیب مدلهای ( 0.87=AUC) FDA و ( 0.5=AUC) MaxEnt قرار دارند. نتایج بهدستآمده از این پژوهش، دیدگاه مناسبی را در مورد تأثیر عوامل مؤثر در ایجاد فرسایش خندقی در اختیار برنامهریزان و محققان قرار میدهد. در نتیجه با انجام تحقیقات بیشتر میتوان استفاده از سایر تکنیکهای یادگیری ماشین را بررسی نمود و دیگر عوامل مؤثر را برای بهبود دقت مدلهای پیشبینی فرسایش خندقی در نظر گرفت.
