میز خدمت الکترونیک
دوره ویراستاری

  اخبار و اعلانات

 آمار

تعداد نشریات127
تعداد شماره‌ها7,120
تعداد مقالات76,524
تعداد مشاهده مقاله152,949,009
تعداد دریافت فایل اصل مقاله115,102,771
غبیشاوی, یاسمین, ذاکری نژاد, رضا, میری, زینب. (1405). ارزیابی و مقایسة الگوریتم‌های مختلف داده‌کاوی جهت تهیه نقشه خطر فرسایش آبکندی در حوضه آبخیز میان‌آب شوشتر. , 58(1), 1-18. doi: 10.22059/jphgr.2025.387445.1007862
یاسمین غبیشاوی; رضا ذاکری نژاد; زینب میری. "ارزیابی و مقایسة الگوریتم‌های مختلف داده‌کاوی جهت تهیه نقشه خطر فرسایش آبکندی در حوضه آبخیز میان‌آب شوشتر". , 58, 1, 1405, 1-18. doi: 10.22059/jphgr.2025.387445.1007862
غبیشاوی, یاسمین, ذاکری نژاد, رضا, میری, زینب. (1405). 'ارزیابی و مقایسة الگوریتم‌های مختلف داده‌کاوی جهت تهیه نقشه خطر فرسایش آبکندی در حوضه آبخیز میان‌آب شوشتر', , 58(1), pp. 1-18. doi: 10.22059/jphgr.2025.387445.1007862
غبیشاوی, یاسمین, ذاکری نژاد, رضا, میری, زینب. ارزیابی و مقایسة الگوریتم‌های مختلف داده‌کاوی جهت تهیه نقشه خطر فرسایش آبکندی در حوضه آبخیز میان‌آب شوشتر. , 1405; 58(1): 1-18. doi: 10.22059/jphgr.2025.387445.1007862

ارزیابی و مقایسة الگوریتم‌های مختلف داده‌کاوی جهت تهیه نقشه خطر فرسایش آبکندی در حوضه آبخیز میان‌آب شوشتر

پژوهش های جغرافیای طبیعی
دوره 58، شماره 1، فروردین 1405، صفحه 1-18    اصل مقاله (1.67 M)
نوع مقاله: مقاله کامل
شناسه دیجیتال (DOI): 10.22059/jphgr.2025.387445.1007862
نویسندگان
یاسمین غبیشاوی؛ رضا ذاکری نژاد* ؛ زینب میری
گروه جغرافیای طبیعی، دانشکده علوم جغرافیایی و برنامه‌ریزی، دانشگاه اصفهان، اصفهان، ایران
چکیده
فرسایش آبکندی در واقع تشکیل و گسترش کانال‌های فرسایشی در خاک در نتیجه جریان متمرکز آب است. به‌طورکلی وقتی آبراهه‌های فرسایش‌یافته موجود در سطح زمین به‌اندازه‌ای بزرگ باشند که نتوان آن‌ها را به‌وسیله عملیات کشت‌وزرع معمولی تسطیح کرد آبکند نامیده می‌شوند. هدف این پژوهش مقایسه مدل‌های CART و SVM جهت شناسایی مناطق پرخطر فرسایش آبکندی و همچنین تعیین مهم‌ترین پارامترهای تأثیرگذار در وقوع فرسایش آبکندی در حوضه میان آب شوشتر در استان خوزستان است. ابتدا موقعیت آبکند‌های موجود با استفاده از تصاویر ماهواره‌ای، نرم‌افزار گوگل ارث و سیستم تعیین موقعیت جهانی (GPS)  ثبت شدند. سپس شاخص‌های مستقل تأثیرگذار در فرسایش آبکندی تهیه و پس از تخصیص مقادیر مربوط به شاخص‌های مستقل، مدل‌سازی جهت پهنه‌بندی یا پیش‌بینی مناطق مستعد فرسایش آبکندی در محیط نرم‌افزار R انجام شد. در مجموع 3000 داده مربوط به فرسایش آبکندی جمع‌آوری شدند که 70 درصد برای آموزش و 30 درصد جهت آزمون مدل‌ها به کار گرفته شدند. طبق نتایج مدل SVM  با ثبت مقدار 846/0 برای شاخص R2  از دقت بالاتری نسبت به مدل CART برخوردار بوده است. همچنین بر اساس نقشه­های پهنه‌بندی، طبقه با خطر خیلی کم، بیشترین مساحت حوضه  (حدود 59 درصد) را به خود اختصاص داده و بعد از آن کلاس‌های خطر کم، خطر متوسط، خطر زیاد و خطر خیلی زیاد به ترتیب 27/12، 29/10، 23/9 و 49/8 درصد  مساحت حوضه را در برگرفته­اند. طبق نتایج، شاخص‌های کاربری اراضی، پوشش گیاهی و بافت خاک بیشترین نقش را در وقوع و گسترش فرسایش آبکندی داشته‌اند.
کلیدواژه‌ها
حوضه میان‌آب؛ فرسایش آبکندی؛ نرم‌افزار R؛ CART؛ SVM
مراجع
  1. اسدی نلیوان، امید؛ رابط، علیرضا؛ وکیلی تجره، فرزانه؛ رمضانی، مرضیه؛ مومنی، محمد و حیدری، کهزاد. (1402). پهنه‌بندی حساسیت فرسایش خندقی با استفاده از مدل‌های CART, ANN و RF. مهندسی و مدیریت آبخیز، 15 (2)، 171-155. .  https://doi.org/10.22092/ijwmse.2022.356379.1920
  2. بشارتی، بشیر؛ عابدینی، موسی و اصغری، صیاد. (1397). بررسی و تجزیه و تحلیل عوامل موثر بر ایجاد و توسعه فرسایش خندقی در حوضه آبخیز شور چای. فصل‌نامه تحقیقات جغرافیایی، ۳۳ (۲)،۲۰۶-۲۲۲. doi:10.29252/geores.33.2.206.
  3. تیموریان، تیمور؛ نظری سامانی، علی اکبر؛ فیض نیا، سادات؛ احمدآلی، خالد و سلیمان پور، سید مسعود. (1401). شناخت توزیع مکانی احتمال رخ داد فرسایش خندقی با مدل بیشینه­ی آنتروپی. نشریه پژوهش­های آبخیزداری، (135)35، 2-15. doi:10.22092/wmrj.2021.354647.1415.
  4. خلیل آباد، هادی و مومنی دمنه، جواد. (1403). ارزیابی کارآیی مدل‌های مختلف یادگیری ماشین در تهیه نقشه اشکال فرسایش حوضه‌های آبخیز مناطق خشک مطالعه موردی: حوضه آبخیز دشت مختاران، خراسان جنوبی. پژوهش های فرسایش محیطی، 14 (4)، 145-119.   doi:10.61186/jeer.14.4.119
  5. ذاکری­نژاد، رضا. (1399). ارزیابی مدل­ های رقومی ارتفاع جهت تهیه نقشه پتانسیل فرسایش آبکندی با استفاده از مدل مکسنت و سامانه اطلاعات جغرافیایی(مطالعه موردی: حوضه آبخیز سمیرم، جنوب استان اصفهان). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 11، (3)،106-122. doi:10.30495/girs.2020.674955
  6. ذاکری نژاد، رضا. (1402). تهیه نقشه میزان فرسایش و رسوب حوضه آبخیز خسویه با استفده از مدل USPED و سامانه اطلاعات جغرافیایی (GIS) و مقایسه آن با رخساره های فرسایش آبی. پژوهش های فرسایش محیطی، 13 (3)، 256-239. doi:20.1001.1.22517812.1402.13.3.12.8 
  7. ذاکری‌نژاد،رضا و معاوی، مهشید.(۱403). بررسی اثرات تغییرات کاربری اراضی در پوشش گیاهی (مطالعه موردی: حوضه میانآب شوشتر در بازه زمانی (2020-2000). مطالعات جغرافیایی مناطق خشک، (55)،۱4۷-۱3۲. doi:10.22034/jargs.2023.407397.1049.
  8. رفاهی، حسینقلی. (1385). فرسایش آبی و کنترل آن. چاپ پنجم، تهران: انتشارات دانشگاه تهران،
  9. سعیدیان، حمزه؛ شیرانی، کوروش؛ سلاجقه، افشین و احمدی، رامین. (1402). بررسی عملکرد مدل بیشینه آنتروپی در تعیین اهمیت عوامل موثر محیطی در ایجاد فرسایش خندقی در مناطق نیمه­خشک. نشریه رویکردهای نوین در مهندسی آب و محیط زیست،2(1)،144-129.
  10. شهبازی، علی؛ وکیلی تجره، فرزانه؛ الوندی احسان؛ بیات، اصغر و اسدی نلیوان امید. (1400). ارزیابی مدل‌های شبکه عصبی مصنوعی و حداکثر آنتروپی در پهنه‌بندی حساسیت فرسایش آبکندی حوزه آبخیز سد گلستان. مجله علوم ومهندسی آبخیزداری ایران، ۱۵ (۵۲)،۱۲-۲۳. doi:20.1001.1.20089554.1400.15.52.4.6
  11. طهماسبی‌پور، ناصر.، رحمتی، امید و قربانی‌نژاد، سمیرا. (1395). پیشبینی حساسیت به فرسایش آبکندی منطقه­ی سیمره بر اساس مدل عامل قطعیت و تعیین اهمیت عوال مؤثر بر آن. اکوهیدرولیوژی، 3 (1)، 93-83. doi:10.22059/ije.2016.59192.
  12. کردوانی، پرویز. (1381). کتاب حفاظت خاک. تهران: انتشارات دانشگاه تهران.
  13. یوسفی مبرهن، ابراهیم و شیرانی، کورش. (۱۴۰۲). ارزیابی کارایی مدل بیشینه‌ بی‌نظمی در شناسایی عوامل مؤثر بر فرسایش خندقی و تعیین پهنه‌‎های حساس در حوزه آبخیز علاء سمنان. پ‍‍ژوهشنامه مدیریت حوزه آبخیز، 14 (28)، 54-37.
  14. . doi:10.61186/jwmr.14.28.37
  15. وثوقی، شیما؛ ذاکری نژاد، رضا و انتظاری، مژگان. (1403). پیش بینی فرسایش خندقی و شناسایی عوامل موثر بر آن با استفاده از مدل حداکثرآنتروپی و مدل­های تغییر اقلیمی BCC-CSM2-MR برای سال­های 2020-2040 (مطالعه موردی:حوضه آبخیز علامرودشت). جغرافیا و برنامه‌ریزی،28 (90 )، 191-143.  doi: 10.22034/gp.2023.57572.3169.
  16. Aboutaib, F., Krimissa, S., Pradhan, B., Elaloui, A., Ismaili, M., Abdelrahman, K., & Namous, M. (2023). Evaluating the effectiveness and robustness of machine learning models with varied geo-environmental factors for determining vulnerability to water flow-induced gully erosion. Frontiers in Environmental Science, 11, Article 1207027. https://doi.org/10.3389/fenvs.2023.1207027
  17. Al-Abru, D. J. K., & Al-Moardah, P. D. H. J. U. (2024). The role of artificial intelligence data in estimating the extent of gully erosion the basin is Wadi Khashm Al-Mujadar. South Eastern European Journal of Public Health, 695–708. https://doi.org/10.70135/seejph.vi.1278
  18. Asadi Nalivan, O., Rabet, A., Vakili tajareh, F., Ramezani, M., Momeni, M., & Heydari, K. (2023). Zoning gully erosion susceptibility using ANN, CART and RF models. Watershed Engineering and Management, 15(2), 155-171. https://doi.org/10.22092/ijwmse.2022.356379.1920 [In Persian]
  19. Besharati, B., Abedini, M., & Asghari, S. (2018). Analyzing and investigating effective factors on creating and promoting gully erosions in Shorchay watershed. GeoRes, 33(2), 206-222. https://doi.org/10.29252/geores.33.2.206 [In Persian]
  20. Burrough, P. A., McDonnell, R. A., & Lloyd, C. D. (2015). Principles of geographical information systems. Oxford University Press.
  21. Castillo, C., & Gómez, J. A. (2016). A century of gully erosion research: Urgency, complexity and study approaches. Earth Science Reviews, 160, 300–319. https://doi.org/10.1016/j.earscirev.2016.07.009
  22. Chaplot, V. (2013). Impact of terrain attributes, parent material and soil types on gully erosion. Geomorphology, 186, 1–11. https://doi.org/10.1016/j.geomorph.2012.10.031
  23. Filho, J. D. P. M., Guerra, A. J. T., Cruz, C. B. M., Jorge, M. D. C. O., & Booth, C. A. (2024). Machine learning models for the spatial prediction of gully erosion susceptibility in the Piraí Drainage Basin, Paraíba Do Sul Middle Valley, Southeast Brazil. Land, 13(10), Article 1665. https://doi.org/10.3390/land13101665
  24. Gayen, A., & Haque, S. M. (2024). Gully erosion susceptibility using advanced machine learning method in Pathro River Basin, India. In R. Sarkar, S. Saha, B. R. Adhikari, & R. Shaw (Eds.), Geomorphic risk reduction using geospatial methods and tools (pp. xx-xx). Springer. https://doi.org/10.1007/978-981-99-7707-9_2
  25. Gayen, A., Pourghasemi, H. R., Saha, S., Keesstra, S., & Bai, S. (2019). Gully erosion susceptibility assessment and management of hazard-prone areas in India using different machine learning algorithms. Science of the Total Environment, 668, 124-138. https://doi.org/10.1016/j.scitotenv.2019.02.436
  26. Gelete, T. B., Pasala, P., Abay, N. G., Woldemariam, G. W., Yasin, K. H., Kebede, E., & Aliyi, I. (2024). Integrated machine learning and geospatial analysis enhanced gully erosion susceptibility modeling in the Erer watershed in Eastern Ethiopia. Frontiers in Environmental Science, 12, Article 1410741. https://doi.org/10.3389/fenvs.2024.1410741
  27. Hasanuzzaman, M., & Shit, P. (2024). Assessment of gully erosion susceptibility using four data-driven models AHP, FR, RF and XGBoosting machine learning algorithms. Natural Hazards Research. Advance online publication. https://doi.org/10.1016/j.nhres.2024.05.001
  28. Hitouri, S., Meriame, M., Ajim, A. S., Pacheco, Q. R., Nguyen-Huy, T., Bao, P. Q., & Varasano, A. (2024). Gully erosion mapping susceptibility in a Mediterranean environment: A hybrid decision-making model. International Soil and Water Conservation Research, 12(2), 279-297. https://doi.org/10.1016/j.iswcr.2023.09.008
  29. Hosseinalizadeh, M., Alinejad, M., Mohammadian Behbahani, A., Khormali, F., Kariminejad, N., & Pourghasemi, H. R. (2020). A review on the gully erosion and land degradation in Iran. In P. Shit, H. R. Pourghasemi, & G. S. Bhunia (Eds.), Gully erosion studies from India and surrounding regions (pp. 393-403). Springer. https://doi.org/10.1007/978-3-030-23243-6_26
  30. Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3), 295-309. https://doi.org/10.1016/0034-4257(88)90106-X
  31. Kordavani, P. (2002). Soil conservation (7th ed.). Tehran University Press [In Persian]
  32. Liu, G., Zheng, F., Jia, L., Jia, Y., Chang, X., Zhang, Hu, F., & Zhang, J. (2019). Interactive effects of raindrop impact and groundwater seepage on soil erosion. Journal of Hydrology, 578, Article 124066. https://doi.org/10.1016/j.jhydrol.2019.124066
  33. Masoudi, M., & Zakerinejad, R. (2011). A new model for assessment of erosion using desertification model of IMDPA in Mazayjan plain, Fars province, Iran. Ecology, Environment and Conservation, 17(3), 489–594.
  34. Mohebzadeh, H., Biswas, A., & DeVries, B. (2024). Transferability of predictive models to map susceptibility of ephemeral gullies at large scale. Natural Hazards, 120, 4527–4561. https://doi.org/10.1007/s11069-023-06377-0
  35. Nnah, S. I., Esechie, S., & Ikwueze, U. H. (2024). Impact of urbanization on gully erosion in Benin City, Edo State using remote sensing and GIS. International Journal of Innovative Environmental Studies Research, 12(2), 33-44.
  36. Oraegbu, A., & Jolaiya, E. (2024). Mapping soil erosion classes using remote sensing data and ensemble models. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 48(4/W12), 135-142. https://doi.org/10.5194/isprs-archives-XLVIII-4-W12-2024-135-2024
  37. Phinzi, K., & Szabo, S. (2024). Predictive machine learning for gully susceptibility modeling with geo-environmental covariates: Main drivers, model performance, and computational efficiency. Natural Hazards. Advance online publication. https://doi.org/10.1007/s11069-024-06481-9
  38. Poesen, J., Nachtergaele, J., Verstraeten, G., & Valentin, C. (2003). Gully erosion and environmental change: Importance and research needs. Catena, 50(2–4), 91–133. https://doi.org/10.1016/S0341-8162(02)00143-1
  39. Pourghasemi, H. R., Sadhasivam, N., Kariminejad, N., & Collins, A. L. (2020). Gully erosion spatial modelling: Role of machine learning algorithms in selection of the best controlling factors and modelling process. Geoscience Frontiers, 11(6), 2207-2219. https://doi.org/10.1016/j.gsf.2020.03.005
  40. Refahi, H. (2006). Water erosion and its control (5th ed.). Tehran University Press [In Persian]
  41. Saeediyan, H., Shirani, K., Salajegheh, A., & Ahmadi, R. (2023). Investigating the performance of the entropy maximum model in determining the importance of effective environmental factors in creating gully erosion in semi-arid areas. Journal of New Approaches in Water Engineering and Environment, 2(1), 129-144. https://doi.org/10.22034/nawee.2023.407297.1047 [In Persian]
  42. Sarkar, R., Saha, S., Adhikari, B. R., & Shaw, R. (Eds.). (2024). Geomorphic risk reduction using geospatial methods and tools. Springer.
  43. Shahbazi, A., Vakili tajareh, F., Alvandi, E., Bayat, A., & Asadi nalivan, O. (2021). Assessment of artificial neural network models and maximum entropy in zoning of gully erosion sensitivity of Golestan Dam basin. jwmseir, 15(52), 12-23. http://doi.org/20.1001.1.20089554.1400.15.52.4.6 [In Persian]
  44. Tahmasebipoor, N., Rahmati, O., & Ghorbani Nejad, S. (2016). Prediction of gully erosion susceptibility in Seimare region using certainty factor model and importance analysis of conditioning factors. Iranian Journal of Eco Hydrology, 3(1), 83-93. https://doi.org/10.22059/ije.2016.59192 [In Persian]
  45. Teimurian, T., Nazari Samani, A., Feiznia, S., Ahmadaali, K., & Soleimanpour, S. M. (2022). Determining the spatial distribution of gully erosion probability using the MaxEnt model. Watershed Management Research, 35(2), 2-15. https://doi.org/10.22092/wmrj.2021.354647.1415 [In Persian]
  46. Tucker, C. J. (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8(2), 127-150. https://doi.org/10.1016/0034-4257(79)90013-0
  47. Valentin, C., Poesen, J., & Li, Y. (2005). Gully erosion: Impacts, factors and control. Catena, 63(2-3), 132-153. https://doi.org/10.1016/j.catena.2005.06.001
  48. Vosoghi, S., Zakerinejad, R., & Entezari, M. (2025). Prediction of gully erosion and identifying factors affecting it using the maximum entropy model and BCC-CSM2-MR climate change models for the years 2020-2040 (case study: Alamarvdasht watershed). Journal of Geography and Planning, 28(90), 141-163. https://doi.org/10.22034/gp.2023.57572.3169 [In Persian]
  49. Wilson, J. P., & Gallant, J. C. (2000). Terrain analysis: Principles and applications. Wiley.
  50. Wischmeier, W. H., & Smith, D. D. (1978). Predicting rainfall erosion losses: A guide to conservation planning (Agriculture Handbook No. 537). U.S. Department of Agriculture.
  51. Xia, J., Cai, C., Wei, Y., & Wu, X. (2019). Granite residual soil properties in collapsing gullies of south China: Spatial variations and effects on collapsing gully erosion. Catena, 174, 469-477. https://doi.org/10.1016/J.CATENA.2018.11.015
  52. Yamaguchi, S., & Izumi, N. (1999). Effects of vegetation on gully formation. Doboku Gakkai Ronbunshuu B, 43, 605-610. https://doi.org/10.2208/PROHE.43.605
  53. Yousefi Mobarhan, E., & Shirani, K. (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), 37-54. https://doi.org/10.61186/jwmr.14.28.37 [In Persian]
  54. Zakerinejad, R. (2020). Evaluation of DEMs to the modeling of the potential of gully erosion using Maxent model (Case study: Semirom catchment in the south of Isfahan Province, Iran). Journal of RS and GIS for Natural Resources, 11(3), 106-122. https://doi.org/10.30495/girs.2020.674955 [In Persian]
  55. Zakerinejad, R., Christian, S., Volker, H., & Michael, M. (2021). Spatial distribution of water erosion using stochastic modeling in the southern Isfahan Province, Iran. Geografia Fisica e Dinamica Quaternaria, 44(2), 203–216. https://doi.org/10.4461/GFDQ.2021.44.14
  56. Zakerinejad, R., & Moavi, M. (2023). Investigating the effects of land use changes on vegetation (Case study: Mian-Ab watershed in the period 2000-2020). Arid Regions Geographic Studies, 15, 132-147. https://doi.org/10.22034/jargs.2023.407397.1049 [In Persian]
  57. Zakerinejad, R., Omran, A., Hochschild, V., & Maerker, M. (2018). Assessment of gully erosion in relation to lithology in the Southwestern Zagros Mountains, Iran using ASTER data, GIS and stochastic modeling. Geografia Fisica e Dinamica Quaternaria, 41(2), 95-104. https://doi.org/10.4461/GFDQ.2018.41.15
  58. Zakerinejad, R., Hochschild, V., Rahimi, M., & Maerker, M. (2016). Morphotectonic analysis of the Zagros Mountains using high resolution DEM to assess gully erosion processes: A case study in the Fars province, Southwest of Iran. International Geoinformatics Research and Development Journal, 7(1), 1-17.
  59. Zakerinejad, R., & Maerker, 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 Dinamica Quaternaria, 37(1), 67–76. https://doi.org/10.4461/GFDQ.2014.37.7
آمار
تعداد مشاهده مقاله: 385
تعداد دریافت فایل اصل مقاله: 56





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب