اخبار و اعلانات

 آمار

تعداد نشریات285
تعداد نشریات سازمان83
تعداد شماره‌ها3,094
تعداد مقالات34,531
تعداد مشاهده مقاله49,376,365
تعداد دریافت فایل اصل مقاله79,824,847
سلیمان پور, سید مسعود, رحمتی, امید, شادفر, صمد, عنایتی, مریم. (1404). ارزیابی کارایی مدل های ماشین بردار پشتیبان و شبکۀ عصبی مصنوعی در مدل سازی هدررفت خاک ناشی از فرسایش خندقی. سامانه مدیریت نشریات علمی, 38(3), 78-99. doi: 10.22092/wmrj.2025.368669.1616
سید مسعود سلیمان پور; امید رحمتی; صمد شادفر; مریم عنایتی. "ارزیابی کارایی مدل های ماشین بردار پشتیبان و شبکۀ عصبی مصنوعی در مدل سازی هدررفت خاک ناشی از فرسایش خندقی". سامانه مدیریت نشریات علمی, 38, 3, 1404, 78-99. doi: 10.22092/wmrj.2025.368669.1616
سلیمان پور, سید مسعود, رحمتی, امید, شادفر, صمد, عنایتی, مریم. (1404). 'ارزیابی کارایی مدل های ماشین بردار پشتیبان و شبکۀ عصبی مصنوعی در مدل سازی هدررفت خاک ناشی از فرسایش خندقی', سامانه مدیریت نشریات علمی, 38(3), pp. 78-99. doi: 10.22092/wmrj.2025.368669.1616
سلیمان پور, سید مسعود, رحمتی, امید, شادفر, صمد, عنایتی, مریم. ارزیابی کارایی مدل های ماشین بردار پشتیبان و شبکۀ عصبی مصنوعی در مدل سازی هدررفت خاک ناشی از فرسایش خندقی. سامانه مدیریت نشریات علمی, 1404; 38(3): 78-99. doi: 10.22092/wmrj.2025.368669.1616

ارزیابی کارایی مدل های ماشین بردار پشتیبان و شبکۀ عصبی مصنوعی در مدل سازی هدررفت خاک ناشی از فرسایش خندقی

پژوهش های آبخیزداری
مقاله 6، دوره 38، شماره 3 - شماره پیاپی 148، مهر 1404، صفحه 78-99    اصل مقاله (1.71 M)
نوع مقاله: پژوهشی
شناسه دیجیتال (DOI): 10.22092/wmrj.2025.368669.1616
نویسندگان
سید مسعود سلیمان پور* 1؛ امید رحمتی2؛ صمد شادفر3؛ مریم عنایتی4
1دانشیار بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران
2استادیار بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کردستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، سنندج، ایران
3دانشیار پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران ایران
4کارشناس ارشد بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران
چکیده
مقدمه و هدف
فرسایش آبی، یکی از مهم­ترین عامل‌های ویرانی زمین است. در میان انواع متفاوت فرسایش آبی، فرسایش خندقی یک نوع بسیار آشکار و شاخص از فرسایش خاک است و از مهم­ترین چالش ­های تهدیدکنندۀ تهیۀ غذا، سلامت انسان­ ها و زیست ­بوم است. از آنجایی ­که اندازة هدررفت خاک ناشی از فرسایش خندقی، ارتباط مستقیمی با عامل‌های محیطی دارد؛ ازاین‌رو می­ توان براساس شرایط محیطی، اندازه هدررفت خاک ناشی از خندق­ ها را مدل­ سازی کرد. از سوی دیگر، اندازه ­گیری میدانی اندازه هدررفت خاک ناشی از فرسایش­ خندقی، بسیار زمان ­بر و هزینه ­بر است و اندازه­ گیری مستقیم فرسایش خندقی در سطوح گسترده امکان­ پذیر نیست. در این راستا، این پژوهش، با هدف ارزیابی کارایی مدل­ های ماشین­ بردار پشتیبان (SVM) و شبکۀ عصبی مصنوعی (ANN) در مدل­ سازی هدررفت خاک ناشی از فرسایش خندقی در آبخیز ماهورمیلاتی در جنوب ­غرب استان فارس انجام شد.
مواد و روش‌ها
در بازدیدهای میدانی، موقعیت جغرافیایی تمام خندق ­های موجود در آبخیز ماهورمیلاتی، با استفاده از دستگاه GPS ثبت شد و پس از تطبیق با تصویرهای ماهواره ­ای گوگل­ ارث، این نقاط به محیط GIS منتقل و نقشۀ پراکنش خندق­ ها رسم شد. سنجه‌های ابعادی 70 خندق، در چهار سال (1402-1399)، شامل: طول خندق، عرض بالا، عرض پایین، و ژرفای خندق اندازه­ گیری میدانی شدند و حجم و وزن خاک هدررفته ناشی از فرسایش خندقی نیز محاسبه شد. به­ منظور فرآیند مدل­ سازی 15 عامل محیطی، به­ عنوان متغیرهای مستقل (متغیرهای پیش ­بینی کننده) انتخاب شدند. در فرآیند مدل­ سازی، عامل‌های محیطی به ­عنوان متغیرهای مستقل، و اندازة هدررفت خاک خندق ­ها به­ عنوان متغیر وابسته در نظر گرفته شدند. خندق­ ها به‌شکل تصادفی به دو گروه آموزش (70%) و اعتبارسنجی (30%) تقسیم شدند. مدل­ سازی به‌وسیلة دو مدل ماشین ­بردار پشتیبان و شبکۀ عصبی مصنوعی، با رویکرد اعتبارسنجی متقاطع انجام شد. دقت مدل­ ها با استفاده از معیارهای کمی خطای جذر میانگین مربعات (RMSE)، شاخص تبیین (R2)، شاخص خطای RSR و شاخص تطابق (d) بررسی شد.
نتایج و بحث
یافته ­های ارزیابی دقت پیش‌بینی مدل‌ها نشان داد کمترین اندازه خطا از نظر معیار جذر میانگین مربعات خطا (RMSE)، مربوط به مدل ماشین ­بردار پشتیبان بود و بعد از آن مدل شبکۀ عصبی مصنوعی در جایگاه دوم بود. بر اساس معیار ارزیابی ضریب تبیین (R2)، مدل ماشین ­بردار پشتیبان (0/59-0/41=R2) در جایگاه اول و مدل شبکۀ عصبی مصنوعی (0/34-0/21=R2) در جایگاه دوم بود. از نظر معیار ارزیابی شاخص خطای RSR، مدل شبکۀ عصبی مصنوعی در جایگاه اول و مدل ماشین ­بردار پشتیبان در جایگاه دوم بود. بیشترین اندازة تطابق در میان داده‌های مشاهده‌ای و پیش‌بینی از نظر شاخص ارزیابی تطابق (d) مربوط به مدل ماشین ­بردار پشتیبان (0/81) بود و مدل شبکۀ عصبی مصنوعی با اندازه شاخص تطابق 0/63 در جایگاه دوم عملکرد بود. ازاین‌رو، بر پایة نتایج این پژوهش، عملکرد مدل ماشین ­بردار پشتیبان از نظر معیارهای ارزیابی جذر میانگین مربعات خطا (RMSE)، شاخص تبیین و شاخص تطابق، در مقایسه با مدل شبکۀ عصبی مصنوعی، بهتر بود و به­ عنوان مدل برتر برای پیش‌بینی اندازه هدررفت خاک ناشی از فرسایش خندقی در آبخیز ماهورمیلاتی استان فارس معرفی شد.
نتیجه‌گیری و پیشنهادها
در ارزیابی عملکرد یک مدل برای شبیه‌سازی یک پدیده متغیرهای پرشماری نقش دارند که باید به آن ها توجه کرد. ازاین‌رو، در این پژوهش، از 15 متغیر محیطی برای پیش‌بینی هدررفت خاک ناشی از فرسایش خندقی استفاده شد. افزون بر این، با استفاده از متغیرها اطلاعات بسیار مهمی از نظر تغییرات مکانی و زمانی و ویژگی‌های آبخیز، برای مدل فراهم شد. همچنین، در این پژوهش، دورۀ پایش، بلندمدت نبود؛ اما عملکرد دو مدل استفاده‌شده برای پیش‌بینی هدررفت خاک ناشی از فرسایش خندقی مناسب بود. از مزیت ­های مهم این پژوهش آن بود که دو مدل استفاده‌شده از میان کارآمدترین مدل‌های هوش مصنوعی انتخاب شدند و با در نظر گرفتن ویژگی‌های تغییرپذیر در زمان، شرایط پیش‌بینی در آینده فراهم شد و ازاین‌رو در سال­ های آتی، نیازی به اندازه­ گیری میدانی دوباره نیست. در حقیقت، می‌توان از مدل در سال­ های بعد بر اساس یادگیری­ های کسب ­شده در مرحلۀ آموزش و با در نظر گرفتن اطلاعات بارندگی و پوشش ­گیاهی جدید، مقدار هدررفت خاک ناشی از خندق­ ها را پیش ­بینی کرد. این یافته مهمترین وجه تمایز این پژوهش بود و بیانگر آن است که با مدل­ سازی می ­توان در وقت و هزینه صرفه جویی کرد و خدمات ارزنده ­ای به مدیریت حفاظت آب و خاک کشور ارائه داد. در این راستا، پیشنهاد می­ شود از مدل­ های مبتنی بر هوش مصنوعی و ساختار یادگیری ماشینی در پژوهش ­های آینده استفاده شود.
کلیدواژه‌ها
پیش بینی؛ هوش مصنوعی؛ یادگیری ماشینی؛ ماهورمیلاتی
عنوان مقاله [English]
Evaluation of the Efficiency of Support Vector Machine and Artificial Neural Network Models in Modeling Soil Loss Due to Gully Erosion
نویسندگان [English]
Seyed Masoud Soleimanpour1؛ Omid Rahmati2؛ Samad Shadfar3؛ Maryam Enayati4
1Associate Professor, Soil Conservation and Watershed Management Research Department, Fars Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Shiraz, Iran
2Assistant Professor, Soil Conservation and Watershed Management Research Department, Kurdistan Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Sanandaj, Iran
3Associate Professor, Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran
4M.Sc., Soil Conservation and Watershed Management Research Department, Fars Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Shiraz, Iran
چکیده [English]
Introduction and Goal
Water erosion is one of the most important factors in land degradation. Among the different types of water erosion, gully erosion is a very obvious and prominent type of soil erosion and is one of the most important challenges threatening food production, human health, and the ecosystem. Since the amount of soil loss due to gully erosion is directly related to environmental factors, it is possible to model the amount of soil loss due to gullies based on environmental conditions. On the other hand, field measurement of the amount of soil loss due to gully erosion is very time-consuming and costly, and direct measurement of gully erosion on a large scale is not possible. In this regard, this study aimed to evaluate the effectiveness of support vector machine (SVM) and artificial neural network (ANN) models in modeling soil loss due to gully erosion in the Mahurmilati watershed located in the southwest of Fars province.
Materials and Methods
In field visits, the geographical location of all gullies located in this watershed was recorded using a GPS device, and after matching with Google Earth satellite images, these points were transferred to the GIS and a gully distribution map was drawn. Field measurements of the dimensional parameters of 70 gullies were carried out over four years (2021-2024), including: gully length, upper width, lower width, and gully depth, and the volume and weight of soil lost due to gully erosion were also calculated. For the modeling process, 15 environmental factors were selected as independent variables (predictor variables). In the modeling process, environmental factors were considered as independent variables, and the rate of soil loss in gullies was considered as a dependent variable. The gullies were randomly divided into two groups: training (70%) and validation (30%). Modeling was performed using two models: support vector machine and artificial neural network, with a cross-validation approach. The accuracy of the models was evaluated using quantitative criteria such as root mean square error (RMSE), determination coefficient (R2), RSR error index, and goodness of fit (d).
Results and Discussion
The results of the assessment of the prediction accuracy of the models showed that the smallest error size in terms of the root mean square error (RMSE) criterion was related to the support vector machine model, followed by the artificial neural network model in second place. Based on the evaluation criterion of the coefficient of determination (R2), the support vector machine model (R2=0.41-0.59) was in first place and the artificial neural network model (R2=0.21-0.34) was in second place. In terms of the evaluation criterion of the RSR error index, the artificial neural network model was in first place and the support vector machine model was in second place. The highest degree of agreement between observational and forecast data in terms of agreement evaluation index (d) was for the support vector machine model (0.81), and the artificial neural network model with an agreement index size of 0.63 was in second place in performance. Therefore, based on the results of this study, the performance of the support vector machine model was better in terms of evaluation criteria of root mean square error (RMSE), explanation index, and agreement index, compared to the artificial neural network model, and it was introduced as the superior model for predicting the amount of soil loss due to gully erosion in the Mahurmilati watershed of Fars province.
Conclusion and Suggestions
In evaluating the performance of a model for simulating a phenomenon, several factors play a role in this issue that must be considered. Therefore, in this study, 15 environmental variables were used to predict soil loss due to gully erosion. In addition, using variables provided the model with very important information in terms of spatial and temporal changes and watershed characteristics. Also, in this study, the monitoring period was not long-term; but the performance of the two models used for predicting soil loss due to gully erosion was appropriate. One of the important advantages of this research was that the two models used were selected from among the most efficient artificial intelligence models, and by considering time-varying characteristics, future forecasting conditions were provided, and therefore, there is no need for repeated field measurements in the coming years. In fact, the model can predict the amount of soil loss caused by gullies in subsequent years based on the learnings gained during the training phase and by considering new rainfall and vegetation cover information. This finding was the most important distinguishing feature of this research and indicates that modeling can save time and money and provide valuable services to the country's water and soil conservation management. In this regard, it is suggested that models based on artificial intelligence and machine learning structures be used in future research.
کلیدواژه‌ها [English]
Artificial intelligence, Forecasting, Machine learning, Mahurmilati
مراجع

Arabkhedri M. 2021. Water erosion and sediment Production Status in Iran: Statistical and Comparative Analyses. Journal of Strategic Research in Agricultural Sciences and Natural Resources. 6(2): 139-156. (In Persian). https://doi.org/10.22047/SRJASNR.2021.14054

Arabkhedri M, Shadfar S, Jafari-Ardakani A, Bayat R, Khajavi E, Mahdian MH. 2018. Improving water erosion estimates for Iran. Journal of Watershed Management Research. 31(3):13-27. (In Persian). https://doi.org/10.22092/WMEJ.2018.121424.1106

Bammou Y, Benzougagh B, Abdessalam O, Brahim I, Kader Sh, Spalevic V, Sestras P, Ercişli S. 2024. Machine learning models for gully erosion susceptibility assessment in the Tensift Catchment, Haouz Plain, Morocco for sustainable development. Journal of African Earth Sciences, 213, 105229. https://doi.org/10.1016/j.jafrearsci.2024.105229

Casali J, Loizu J, Campo MA, De Santisteban LM, Alvarez-Mozos J. 2006. Accuracy of methods for field assessment of rill and ephemeral gully erosion. Catena. 67(2): 128-138. https://doi.org/10.1016/j.catena.2006.03.005

Fars Province Meteorological Department Website. 2024. Reporting meteorological statistics of Fars Province cities. (In Persian). https://www.farsmet.ir/ReportAmar.aspx

Garosi Y, Sheklabadi M, Pourghasemi HR, Besalatpour AA, Conoscenti C, Van Oost K. 2018. Comparison of differences in resolution and sources of controlling factors for gully erosion susceptibility mapping. Geoderma. 330: 65-78. https://doi.org/10.1016/j.geoderma.2018.05.027

Gelete TB, Pasala P, Abay NG, Woldemariam GW, Yasin KH, Kebede E, Aliyi I. 2024. Integrated machine learning and geospatial analysis enhanced gully erosion susceptibility modeling in the Erer watershed in Eastern Ethiopia. Sec. Environmental Informatics and Remote Sensing. 12, 1410741. https://doi.org/10.3389/fenvs.2024.1410741

Han J, Guzman JA, Chu ML. 2023. Gully erosion susceptibility mapping using the stacking ensemble machine learning method. American Society of Agricultural and Biological Engineers Annual International Meeting, ASABE 2023, Omaha, Nebraska, United States, July 9-12, 2023. Published by the American Society of Agricultural and Biological Engineers, St. Joseph, Michigan, Annual International Meeting. https://doi.org/10.13031/aim.202300154

Hein L. 2007. Assessing the costs of land degradation: A case study for the Puentescatchment, southeast Spain. Land Degradation & Development. 18(6): 631-642. https://doi.org/10.1002/ldr.802

Igwe PU, Chinedu OC, Nlem EU, Nwezi CC, Ezekwu JC. 2018. A Review of Landscape Design as a Means of Controlling Gully Erosion. International Journal of Environment Agriculture and Biotechnology. 3(1): 103-111. https://doi.org/10.22161/ijeab/3.1.13

Liu G, Arabameri A, Santosh M, Asadi Nalivan O. 2023. Optimizing machine learning algorithms for spatial prediction of gully erosion susceptibility with four training scenarios. Environmental Science and Pollution Research. 30(16): 46979-46996. https://doi.org/10.1007/s11356-022-25090-2

Madadi A, Asgharisaraskanroud SA, Neghahban S, Marhamat M. 2024. Application of support vector machine (SVM) and Boosted Regression Tree (BRT) to Model the Sensitivity of Gully Erosion in the Watershed of Shour River Mohr City. Journal of Physical Geography Research. 55(4):83-101 (In Persian). https://doi.org/10.22059/JPHGR.2023.360424.1007775

Motielangroodi SH. 2012. Geography of the Iranian Economy (Agriculture, Industry and Services). Mashhad Jihad Daneshgahi Publications, First Edition. 384 p. (In Persian).

Pourghasemi HR, Yousefi S, Kornejady A, Cerdà A. 2017. Performance assessment of individual and ensemble data-mining techniques for gully erosion modeling. Science of the Total Environment. 609: 764-775. https://doi.org/10.1016/j.scitotenv.2017.07.198

Rahmati O, Tahmasebipour N, Haghizadeh A, Pourghasemi HR, Feizizadeh B. 2017. Evaluation of different machine learning models for predicting and mapping the susceptibility of gully erosion. Geomorphology. 298: 118-137. https://doi.org/10.1016/j.geomorph.2017.09.006

Refahi H Gh. 2017. Water Erosion and Its Control. Tehran University Press, 7th edition, 672 p. (In Persian).

Roy P, Chakrabortty R, Chowdhuri I, Malik S, Das B, Pal SC. 2020. Development of different machine learning ensemble classifier for gully erosion susceptibility in Gandheswari Watershed of West Bengal, India. In book: Machine Learning for Intelligent Decision Science. pp. 1-26.

https://doi.org/10.1007/978-981-15-3689-2_1

Soufi M. 2004. Investigation of morphoclimatic characteristics of gullies in Fars province. Final report of the research project, Soil Conservation and Watershed Management Research Institute Publications. 130 p. (In Persian).

Svoray T, Markovitch H. 2009. Catchment scale analysis of the effect of topography, tillage direction and unpaved roads on ephemeral gully incision. Earth Surface Processes and Landforms. 34: 1970-1984. https://doi.org/10.1002/esp.1873

Tebebu T, Abiy A, Dahlke H, Easton Z, Tilahun S, Collick A, Kidnau S, Moges S, Dadgari F. 2010. Surface and subsurface flow effect on permanent gully formation and upland erosion near Lake Tana in the northern highlands of Ethiopia. Hydrology and Earth System Sciences Discussions. 7(4): 2207-2217. https://doi.org/10.5194/hessd-7-5235-2010

Valipour M, Mohseni N, Hosseinzadeh SR. 2021. Modeling the occurrence of gully erosion in the Gorganrood watershed. Proceedings of the 8th National Conference of the Iranian Society of Geomorphology, Faculty of Geography, University of Tehran, Tehran, Iran. (In Persian).

آمار
تعداد مشاهده مقاله: 433
تعداد دریافت فایل اصل مقاله: 99


counter
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب