کاربرد ماشین بردار پشتیبان (SVM) و درخت رگرسیون تقویتشده (BRT) جهت مدلسازی حساسیت فرسایش خندقی درحوضه آبخیز رودخانه شور (شهرستان مُهر) | ||
| پژوهش های جغرافیای طبیعی | ||
| مقاله 5، دوره 55، شماره 4، زمستان 1402، صفحه 83-101 اصل مقاله (2.14 M) | ||
| نوع مقاله: مقاله کامل | ||
| شناسه دیجیتال (DOI): 10.22059/jphgr.2023.360424.1007775 | ||
| نویسندگان | ||
| عقیل مددی* 1؛ صیاد اصغری سراسکانرود1؛ سعید نگهبان2؛ مهری مرحمت1 | ||
| 1گروه جغرافیای طبیعی، دانشکدة علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
| 2گروه جغرافیا، دانشکده اقتصاد، مدیریت و علوم اجتماعی، دانشگاه شیراز، ایران | ||
| چکیده | ||
| هدف از این مطالعه توسعه مدلهای حساس فرسایش خندقی با اجرای الگوریتم یادگیری ماشینی (ماشین بردار پشتیبان و درخت رگرسیون تقویتشده) در حوضه مُهر است. ابتدا، مناطق خندقی شناسایی و پس از آن 13 متغیر مستعد کننده فرسایش خندقی (شیب، جهت شیب، شاخص رطوبت توپوگرافی، شاخص قدرت جریان، شاخص زبری سطح، فاصله از آبراهه، تراکم زهکشی، فاصله از جاده، کاربری اراضی، پوشش گیاهی، متوسط بارندگی سالانه، زمینشناسی و بافت خاک) انتخاب شد. ضریب تورم واریانس برای ارزیابی چندخطی بین متغیرها استفاده شد. در نهایت نقشه حساسیت فرسایش خندقی در محیط (R) تهیه شد. همچنین تأثیر ویژگیهای فیزیکی و شیمیایی خاک بر فرسایش خندقی با استفاده از رگرسیون چند متغیره بررسی شد. از نظر اهمیت متغییرها، در مدل SVM کاربری اراضی و در مدل BRT زمین شناسی بیشترین تأثیر را بر فرسایش خندقی دارد. نقشه حساسیت پیشبینیشده با کمک منحنی مشخصه عملکرد گیرنده (ROC) اعتبارسنجی شد. نتایج نشان داد که مساحت زیر منحنی (AUC) در مدلهای ماشین بردار پشتیبان و درخت رگرسیون تقویتشده به ترتیب 92/0 و 94/0 محاسبه شد که منجر به پیشبینی دقیقی شد. همچنین نتایج نشان داد متغیر ماسه (299/9)، نسبت جذب سدیم (967/7) و مواد خنثی شونده (185/6) بیشترین تأثیر را بر فرسایش خندقی دارد | ||
| کلیدواژهها | ||
| درخت رگرسیون تقویتشده؛ فرسایش خندقی؛ ماشین بردار پشتیبان؛ ویژگیهای فیزیکی و شیمیایی؛ R | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,082 تعداد دریافت فایل اصل مقاله: 769 |
||