| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,219 |
| تعداد مقالات | 35,690 |
| تعداد مشاهده مقاله | 53,561,300 |
| تعداد دریافت فایل اصل مقاله | 92,841,557 |
کاربرد الگوریتمهای یادگیری ماشین در تحلیل اثر آتشسوزی بر آبگریزی خاک در آبخیز توشن استان گلستان | ||
| پژوهش های آبخیزداری | ||
| مقاله 3، دوره 39، شماره 2 - شماره پیاپی 151، تیر 1405، صفحه 20-43 اصل مقاله (1.38 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2025.370992.1637 | ||
| نویسندگان | ||
| کهزاد حیدری* 1؛ علی نجفی نژاد2؛ علی محمدیان بهبهانی3؛ مجید اونق4؛ لوئیز دبلیو دیکر5 | ||
| 1استادیار پژوهشی بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات، آموزش کشاورزی و منابع طبیعی خوزستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، اهواز، ایران | ||
| 2استاد گروه آبخیزداری، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، گلستان، ایران | ||
| 3دانشیار گروه مدیریت مناطق بیابانی، دانشکدة مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گلستان، ایران | ||
| 4استاد گروه مدیریت مناطق بیابانی، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران | ||
| 5استاد گروه فیزیک خاک و مدیریت زمین، بخش علوم محیط زیست، دانشگاه و پژوهشکده واخنینگن، واخنینگن، هلند | ||
| چکیده | ||
| مقدمه و هدف در دهههای گذشته آتشسوزیهای جنگلی بهعنوان یکی از مهمترین تهدیدهای زیستمحیطی در بومسازگانهای جنگلی و مرتعی شناخته شدهاند. این پدیده افزون بر نابودی تخریب پوشش گیاهی و زیستگاهها، بهشدت سبب تغییر ویژگیهای فیزیکی و شیمیایی خاک میشود که از جمله مهمترین آنها بروز پدیده آبگریزی خاک است. آبگریزی خاک میتواند منجر به افزایش رواناب سطحی، کاهش نفوذپذیری، تشدید فرسایش و در نهایت کاهش پایداری بومسازگان شود. در سالهای گذشته، رخداد آتشسوزیهای پیاپی و گسترده در جنگلهای هیرکانی شمال ایران، بهویژه در استان گلستان، در زمینه مدیریت منابعطبیعی سبب نگرانیهای جدی شده است. با وجود پژوهشهای پرشمار در سطح جهانی، پژوهشهای داخلی در زمینه بررسی اثر آتشسوزی بر آبگریزی خاک و بهویژه استفاده از رویکردهای نوین مدلسازی همچون الگوریتمهای یادگیری ماشین هنوز محدود است. از سوی دیگر، روشهای سنتی مانند آزمون زمان نفوذ قطره آب (WDPT) یا آزمون اتانول، اگرچه برای شناسایی اولیه مفیدند، اما نمیتوان روابط پیچیده و غیرخطی میان ویژگیهای خاک و شدت آبگریزی را مدلسازی کرد. ازاینرو، این پژوهش با هدف بررسی تغییرات زمانی آبگریزی خاک پس از آتشسوزی و ارزیابی توان الگوریتمهای یادگیری ماشین در پیشبینی شاخص WDPT در آبخیز توشن استان گلستان انجام شد. افزون بر این، در این پژوهش ضمن برطرف کردن محدودیتهای علمی موجود، ابزاری کاربردی برای مدیریت خطرهای ناشی از آتشسوزی و برنامهریزی احیای پس از آن ارائه شد. مواد و روشها این پژوهش در آبخیز توشن در استان گلستان، بخشی از جنگلهای هیرکانی ثبتشده در فهرست میراث جهانی یونسکو، انجام شد. اقلیم منطقه نیمهمرطوب تا مرطوب و میانگین سالانه بارندگی 620 میلیمتر و میانگین دما ۱6 درجه سانتیگراد است. خاکهای منطقه عمدتاً لسی با بافت لوم سیلتی با مواد آلی زیاد هستند که شرایطی مستعد برای شکلگیری آبگریزی پس از آتش فراهم میآورند. طرح آزمایش فاکتوریل بود و در قالب طرح کاملاً تصادفی با دو عامل اصلی شامل نوع کاربری زمین و تیمار آتشسوزی (شاهد و سوخته) طراحی شد. نمونهبرداری خاک در سه بازه زمانی (یک روز، یک هفته و یک ماه پس از آتشسوزی) و در دو ژرفا (5–0 و 10–5 سانتیمتر) انجام شد و در مجموع ۹۶ نمونه برداشت شد. ویژگیهای فیزیکی و شیمیایی خاک شامل بافت، اسیدیته، هدایت الکتریکی، کربن آلی، ماده آلی، پایداری خاکدانه و جرممخصوصظاهری اندازهگیری شدند. شدت آبگریزی با شاخص WDPT سنجیده شد. دادهها پس از ورود به محیط پایتون پیشپردازش شدند؛ دادههای پرت با روش IQR شناسایی اما حذف نشدند، بهنجارسازی با Z-score انجام شد و همخطی متغیرها با VIF بررسی شد. سپس، دادهها به دو بخش آموزش (%۷۰) و آزمون (%۳۰) تقسیم شدند. برای مدلسازی از ۱۲ الگوریتم یادگیری ماشین شامل مدلهای پایه، مبتنی بر همسایگی، تجمیعی و ترکیبی استفاده شد. بهینهسازی ابرسنجهها با روش جستجوی بیزی و اعتبارسنجی متقاطع پنجتایی انجام شد. عملکرد مدلها با شاخصهای R²، RMSE، MAE، NSE و CCC ارزیابی شد. افزون بر این، تحلیل حساسیت با روشهای PFI و SHAP و تحلیل نبودن قطعیت با بوتاسترپ و شبیهسازی مونتکارلو انجام شد. نتایج و بحث نتایج نشان داد اثر آتشسوزی بر آبگریزی خاک، شدید اما کوتاهمدت بود. میانگین WDPT یک روز پس از آتشسوزی 5/2 دقیقه بود که نشاندهنده افزایش قابلتوجه آبگریزی است. در هفته اول این اندازه به کمتر از یک دقیقه کاهش یافت و پس از یک ماه تقریباً صفر شد. این یافته بیانگر ماهیت گذرای اثر آتش بر آبگریزی سطحی خاک است. تحلیلهای آماری (ANOVA) نشان داد اثر تیمار آتشسوزی و برهمکنش آن با زمان و کاربری زمین بر WDPT معنیدار بود. در میان الگوریتمهای یادگیری ماشین، بهترین عملکرد مربوط به درخت تصمیم (0/44=R2) و شیب بوستینگ (0/43=R2) بود، در حالی که دقت مدلهایی مانند SVM و وایازی بیزین کمتر بود. نتایج تحلیل حساسیت نشان داد سیلت، هدایت الکتریکی و ماده آلی مهمترین متغیرها در پیشبینی WDPT بودند. نتایج SHAP نیز نشان داد افزایش سیلت و ماده آلی موجب افزایش آبگریزی شد، در حالی که اثر افزایش EC کاهنده بود. تحلیل نبودن قطعیت نشان داد پایداری مدلهای سادهتر مانند درخت تصمیم در برابر دادههای پرت بیشتر بود، در حالی که نبودن قطعیت مدلهای پیچیدهتر در اندازههای حدی WDPT افزایش یافت. بر پایة این یافتهها میتوان با استفاده از مدلهای ساده یا مبتنی بر بوستینگ، آبگریزی خاک پس از آتشسوزی را دقیقتر و پایدارتر پیشبینی کرد. نتیجهگیری و پیشنهادها این پژوهش نشان داد اثر آتشسوزی بر آبگریزی خاک در آبخیز توشن شدید اما کوتاهمدت بود و در مدت یک ماه این اثر بهطور کامل از بین رفت. با بهرهگیری از الگوریتمهای یادگیری ماشین، بهویژه درخت تصمیم و شیب بوستینگ، میتوان روابط پیچیده میان ویژگیهای خاک و شدت آبگریزی را با دقت قابلقبولی مدلسازی کرد. نتایج تحلیل حساسیت و نبودن قطعیت نشان داد در شکلگیری آبگریزی، نقش متغیرهایی مانند سیلت، هدایت الکتریکی و ماده آلی مهم بود. بر اساس یافتههای این پژوهش پیشنهاد میشود برای مدیریت پس از آتشسوزی آبگریزی خاک بهشکل کوتاهمدت پایش شود و از مدلهای ساده و پایدار برای پیشبینی تغییرات آن، بهرهگیری شود. افزون بر این، با ترکیب دادههای میدانی و دادههای سنجش از دور و توسعه مدلهای منطقهای میتوان سبب بهبود مدیریت خطرهای ناشی از آتشسوزی شد. در نتیجه، پیشنهاد میشود در پژوهشهای آینده اثرات بلندمدت آتشسوزی بر دیگر ویژگیهای خاک و کارکردهای بومسازگان بررسی شود و از الگوریتمهای یادگیری عمیق برای افزایش دقت پیشبینیها بهرهگیری شود. | ||
| کلیدواژهها | ||
| آبگریزی خاک؛ آتشسوزی جنگل؛ الگوریتمهای یادگیری ماشین؛ تحلیل حساسیت؛ نبودن قطعیت | ||
| عنوان مقاله [English] | ||
| Application of Machine Learning Algorithms in Analyzing the Effect of Fire on Soil Water Repellency in Tushan Watershed, Golestan Province | ||
| نویسندگان [English] | ||
| Kohzad Heidary1؛ Ali Najafinejad2؛ Ali Mohammadian Behbahani3؛ Majid Ownegh4؛ Louis W. Dekker5 | ||
| 1Research Assistant Professor, Soil Conservation and Watershed Management Research Department, Khuzestan Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Ahvaz, Iran | ||
| 2Professor, Department of Watershed Management, Faculty of Rangeland and Watershed Management, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Golestan, Iran | ||
| 3Associate Professor, Department of Desert Area Management, Faculty of Rangeland and Watershed Management, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Golestan, Iran | ||
| 4Professor, Department of Desert Areas Management, Faculty of Rangeland and Watershed Management, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran | ||
| 5Professor, Environmental Sciences Department, Soil Physics and Land management Group, Wageningen University and research, Wageningen, Netherlands | ||
| چکیده [English] | ||
| Introduction and Goal In recent decades, forest fires have been recognized as one of the most important environmental threats to forest and rangeland ecosystems. In addition to destroying vegetation and habitats, this phenomenon also severely changes the physical and chemical properties of the soil, the most important of which is the occurrence of the phenomenon of soil water repellency. Soil water repellency can lead to increased surface runoff, reduced permeability, increased erosion, and ultimately reduced ecosystem stability. In recent years, the occurrence of successive and widespread fires in the Hyrcanian forests of northern Iran, particularly in Golestan Province, has caused serious concerns in the field of natural resource management. Despite numerous studies worldwide, domestic research on the effect of fire on soil water repellency, especially the use of new modeling approaches such as machine learning algorithms, is still limited. On the other hand, traditional approaches such as the Water Drop Penetration Time (WDPT) test or ethanol test, although useful for initial identification, cannot model the complex and nonlinear relationships between soil properties and water repellency intensity. Therefore, this study aimed to investigate the temporal changes in soil water repellency after fire and evaluate the power of Machine learning (ML) algorithms in predicting the WDPT index in the Tushan watershed of Golestan Province. In addition, this research, while addressing existing scientific limitations, provided a practical tool for managing fire risks and planning post-fire recovery. Materials and Methods The study was conducted in the Tushan watershed in Golestan Province, part of the Hyrcanian Forests registered on the UNESCO World Heritage List. The climate of the region is semi-humid to humid, with an average annual rainfall of 620 mm and mean temperature of 16 °C. The soils in the region are mainly loess with silty loam texture and high organic matter content, which provide conditions susceptible to the formation of soil water repellency after fire. The experimental design was factorial and was designed in a completely randomized design with two main factors including land-use type and fire treatment (burned vs. control). Soil samples was conducted at three time intervals (one day, one week, and one month after the fire) and at two depths (0–5 and 5–10 cm), and total of 96 samples were collected. Physical and chemical properties of the soil, including texture, pH, EC, OC, OM, aggregate stability, bulk density, were measured. The soil water repellency intensity was measured by the WDPT test. After entering the data into the Python environment, they were preprocessed; outliers were identified using the IQR method but not removed, normalization was performed using Z-score, and the collinearity of variables was checked using VIF. Then, the data was divided into two parts: training (70%) and testing (30%). Twelve ML algorithms were implemented for modeling, including basic, neighborhood-based, aggregate, and hybrid models. Optimization of the hyperparameters was performed using Bayesian search and five-way cross-validation. The performance of the model was evaluated with R², RMSE, MAE, NSE, and CCC indices. In addition, sensitivity analysis was performed using PFI and SHAP methods, and uncertainty analysis was performed using bootstrap and Monte Carlo simulations. Results and Discussion The results show that the effect of fire on soil water repellency was sever but short-lived. The average WDPT one day after the fire was 2.5 minutes, indicating a significant increase in water repellency. In the first week, this decreased to less than a minute and after a month, it was almost zero. This finding indicates the transient nature of the effect of fire on soil surface water repellency. Statistical analyses ANOVA showed that the effects of fire treatment and its interaction with time and land-use on WDPT was significant. Among ML models, the best performance was for Decision Tree (R²=0.44) and Gradient Boosting (R²=0.43), while models such as SVM and Bayesian inference were less accurate. The results of sensitivity analysis showed that silt, EC, and OM were the most important variables in predicting WDPT. SHAP results also showed that increasing silt and OM increased water repellency, while increasing EC had a decreasing effect. The uncertainty analysis indicated that simpler models such as Decision Tree were more robust to outliers, while the uncertainty of more complex models increased at extreme WDPT values. Based on these findings, soil water repellency after fire can be predicted more accurately and stably using simple or boosting-based models. Conclusion and Suggestions This study demonstrated that the effect of fire on soil water repellency in the Tushan watershed was severe but short-lived, and this effect completely disappeared within one month. By using machine learning algorithms, especially Decision Tree and Gradient Boosting, complex relationships between soil properties and water repellency intensity can be modeled with acceptable accuracy. The results of sensitivity and uncertainty analysis showed that variables such as silt, EC, and OM played an important role in the formation of water repellency. Based on the findings of this study, it is suggested that for post-fire management, soil water repellency should be monitored in the short-term and simple and stable models should be used to predict its changes. In addition, by combining field data and remote sensing data and developing regional models, it is possible to improve fire risk management. As a result, it is suggested that future research should examine the long-term effects of fire on other soil properties and ecosystem functions, and that deep learning algorithms be used to increase the accuracy of predictions. | ||
| کلیدواژهها [English] | ||
| Forest fire, machine learning algorithms, sensitivity analysis, soil water repellency, uncertainty | ||
| مراجع | ||
|
Almajmaie A, Hardie M, Acuna T, Birch C. 2017. Evaluation of methods for determining soil aggregate stability. Soil and Tillage Research. 167:39–45. https://doi.org/10.1016/J.STILL.2016.11.003 Alzubaidi L, Zhang J, Humaidi AJ, Al-Dujaili A, Duan Y, Al-Shamma O, Santamaría J, Fadhel MA, Al-Amidie M, Farhan L. 2021. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. Journal of Big Data. 8(1):1–74. https://doi.org/10.1186/S40537-021-00444-8 Arunrat N, Kongsurakan P, Solomon LW, Sereenonchai S. 2024. Fire Impacts on Soil Properties and Implications for Sustainability in Rotational Shifting Cultivation: A Review. Agriculture. 14(9):1660-1675. https://doi.org/10.3390/agriculture14091660 Atanassova I, Doerr SH. 2011. Changes in soil organic compound composition associated with heat-induced increases in soil water repellency. European Journal of Soil Science. 62(4):516–532. https://doi.org/10.1111/j.1365-2389.2011.01350.x Bento-Gonçalves A, Vieira A, Úbeda X, Martin D. 2012. Fire and soils: Key concepts and recent advances. Geoderma. 191:3–13. https://doi.org/10.1016/J.GEODERMA.2012.01.004 Beretta AN, Silbermann AV, Paladino L, Torres D, Bassahun D, Musselli R, García-Lamohte A. 2014. Análisis de textura del suelo con hidrómetro: Modificaciones al método de Bouyoucus. Ciencia e Investigación Agraria. 41(2):263–271. https://doi.org/10.4067/S0718-16202014000200013 Bhardwaj AP. 2025. Modeling the Long-Term Effectiveness of Prescribed Burns in Reducing Wildfire Risk (Master’s thesis, State University of New York at Buffalo]. ProQuest Dissertations and Theses Global). Bodí MB, Muñoz-Santa I, Armero C, Doerr SH, Mataix-Solera J, Cerdà A. 2013. Spatial and temporal variations of water repellency and probability of its occurrence in calcareous Mediterranean rangeland soils affected by fires. Catena. 108:14–25. https://doi.org/10.1016/j.catena.2012.04.002 Bonanomi G, Motti R, Abd-ElGawad AM, Idbella M. 2024. Soil water repellency along elevation gradients: The role of climate, land use and soil chemistry. Geoderma. 443:116847. https://doi.org/10.1016/j.geoderma.2024.116847 Breiman, L. (2001). Random forests. Machine Learning, 45(1): 5–32. https://doi.org/10.1023/A:1010933404324 Certini G. 2005. Effects of fire on properties of forest soils: A review. Oecologia. 143(1):1–10. https://doi.org/10.1007/s00442-004-1788-8 Chen L, Ren C, Li L, Wang Y, Zhang B, Wang Z, Li L. 2019. A comparative assessment of geostatistical, machine learning, and hybrid approaches for mapping topsoil organic carbon content. ISPRS International Journal of Geo-Information. 8(4): 174-180. Cover TM, Hart PE. 1967. Nearest Neighbor Pattern Classification. IEEE Transactions on Information Theory. 13(1):21–27. https://doi.org/10.1109/TIT.1967.1053964 Debano LF. 2000. Water repellency in soils: A historical overview. Journal of Hydrology. 231–232:4–32. https://doi.org/10.1016/S0022-1694(00)00180-3 Doerr SH, Santín C. 2016. Global trends in wildfire and its impacts: perceptions versus realities in a changing world. Philosophical Transactions of the Royal Society B: Biological Sciences. 371(1696):1-12. https://doi.org/10.1098/RSTB.2015.0345 Doerr SH, Shakesby RA. 2011. Handbook of Soil Sciences Properties and Processes, second edition. In: Handbook of Soil Sciences Properties and Processes, second edition. CRC press, Taylor and Francis group. pp. 515–525. https://doi.org/10.1016/B978-0-444-51269-7.50023-0 Doerr SH, Shakesby RA, MacDonald LH. 2009. Soil water repellency: a key factor in post-fire erosion. In: Cerdà A, Robichaud PR, Editors. Fire Effects on Soils and Restoration Strategies. Science Publishers, New Hampshire, Enfield, NH. pp. 197–223. https://doi.org/10.1201/9781439843338 Doerr SH, Shakesby RA, Walsh RPD. 2000. Soil water repellency: Its causes, characteristics and hydro-geomorphological significance. Earth-Science Reviews. 51(1–4): 33–65. https://doi.org/10.1016/S0012-8252(00)00011-8 Doerr SH, Thomas AD. 2000. The role of soil moisture in controlling water repellency: new evidence from forest soils in Portugal. Journal of Hydrology. 231–232:134–147. https://doi.org/10.1016/S0022-1694(00)00190-6 Enang RK, Yerima BPK, Kome GK, Van Ranst E. 2018. Assessing the Effectiveness of the Walkley-Black Method for Soil Organic Carbon Determination in Tephra Soils of Cameroon. Communications in Soil Science and Plant Analysis. 49(19):2379–2386. https://doi.org/10.1080/00103624.2018.1510948 Fernández-García V, Miesel J, Baeza MJ, Marcos E, Calvo L. 2019. Wildfire effects on soil properties in fire-prone pine ecosystems: Indicators of burn severity legacy over the medium term after fire. Applied Soil Ecology. 135:147–156. https://doi.org/10.1016/J.APSOIL.2018.12.002 Flannigan MD, Krawchuk MA, De Groot WJ, Wotton BM, Gowman LM. 2009. Implications of changing climate for global wildland fire. International Journal of Wildland Fire. 18(5):483–507. https://doi.org/10.1071/WF08187 Frank E, Hall MA, Witten IH. 2011. Data mining: Practical machine learning tools and techniques. 3rd ed. Elsevier (Morgan Kaufmann), Burlington, MA, USA. pp. 1–664. https://doi.org/10.1016/C2009-0-19715-5 Friedman JH. 2001. Greedy function approximation: A gradient boosting machine. The Annals of Statistics. 29(5):1189–1232. https://doi.org/10.1214/AOS/1013203451 González-Pelayo O, Prats SA, van den Elsen E, Malvar MC, Ritsema C, Bautista S, Keizer JJ. 2024. The effects of wildfire frequency on post-fire soil surface water dynamics. European Journal of Forest Research. 143(2):493–508. https://doi.org/10.1007/S10342-023-01635-Z/METRICS Gu C, Zhou Q, Cusick RD, Margenot AJ. 2021. Evaluating agronomic soil phosphorus tests for soils amended with struvite. Geoderma. 399:115093. https://doi.org/10.1016/J.GEODERMA.2021.115093 Hastie T, Tibshirani R, Friedman J. 2009. The Elements of Statistical Learning. 2nd ed. Springer, New York, USA. pp. 1–745. https://doi.org/10.1007/978-0-387-84858-7 Heidary K, Najafinejad A, Mohammadian Behbahani A, Ownegh M. 2018. Assessment of soil water repellency intensity and its temporal variability after prescribed fire in forest areas of toshen watershed, Golestan Province. Journal of Water and Soil Conservation. 25(4):27–47. (In Persian). https://doi.org/10.22069/jwsc.2018.14663.2960 Jordán A, Zavala L, Mataix-Solera J, Doerr S. 2013. Soil water repellency: origin, assessment and geomorphological consequences. Catena. 108:1–5. http://www.sciencedirect.com/science/article/pii/S0341816213001057 Kargas G, Londra P, Sgoubopoulou A. 2020. Comparison of soil EC values from methods based on 1:1 and 1:5 soil to water ratios and ECe from saturated paste extract based method. Water. 12(4):1010. https://doi.org/10.3390/W12041010 Kuhn M. 2008. Building predictive models in R using the caret package. Journal of Statistical Software. 28(5):1–26. https://doi.org/10.18637/jss.v028.i05 Lamichhane M, Mehan S, Mankin KR. 2025a. Soil moisture prediction using remote sensing and machine learning algorithms: A Review on Progress, Challenges, and Opportunities. Remote Sensing. 17(14):2397. https://doi.org/10.3390/RS17142397/S1 Lundberg SM, Lee SI. 2017. A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems. 2017-December: pp. 4765–4774. https://arxiv.org/pdf/1705.07874 Lusito S, Pugnana A, Guidotti R. 2024. Solving imbalanced learning with outlier detection and features reduction. Machine Learning. 113(8):5273–5330. https://doi.org/10.1007/S10994-023-06448-0/TABLES/24 Mahmoudzadeh H, Matinfar HR, Taghizadeh-Mehrjardi R, Kerry R. 2020. Spatial prediction of soil organic carbon using machine learning techniques in western Iran. Geoderma Regional. 21:e00260. https://doi.org/10.1016/J.GEODRS.2020.E00260 Marcotte AL, Limpens J, Stoof CR, Stoorvogel JJ. 2022. Can ash from smoldering fires increase peatland soil pH? International Journal of Wildland Fire. 31(6):607–620. https://doi.org/10.1071/WF21150 Moghaddam DD, Rahmati O, Haghizadeh A, Kalantari Z. 2020. A Modeling Comparison of Groundwater Potential Mapping in a Mountain Bedrock Aquifer: QUEST, GARP, and RF Models. Water. 12(3):679. https://doi.org/10.3390/W12030679 Molnar C. 2020. Interpretable Machine Learning. 1st ed. Lulu.com, Morrisville, NC, USA. pp. 1–318. https://christophm.github.io/interpretable-ml-book Nelson DW, Sommers LE. 1982. Total carbon, organic carbon, and organic matter. In: Page AL, Editor. Methods of Soil Analysis: Part 2 Chemical and Microbiological Properties. American Society of Agronomy, Soil Science Society of America. pp. 539–579. https://doi.org/10.2134/AGRONMONOGR9.2.2ED.C29 Padarian J, Minasny B, McBratney AB. 2020. Machine learning and soil sciences: A review aided by machine learning tools. Soil. 6(1): 35-52. Panyavaraporn J, Horkaew P, Arjwech R, Eua-apiwatch S. 2025. Machine learning approaches for soil moisture prediction using ground penetrating radar: A Comparative Study of Tree-Based Algorithms. Earth. 6(3):98. https://doi.org/10.3390/EARTH6030098 Qi L, Li X, Pan Y, Yu T. 2025. Impacts of forest fire on hydro-sediment using the SWAT model: a case study in the Zhangweinan Canal, China. Acta Geophysica. 73(5):4761–4780. https://doi.org/10.1007/S11600-025-01634-1/TABLES/12 Rahmati O, Kalantari Z, Samadi M, Uuemaa E, Moghaddam DD, Nalivan OA, Destouni G, Bui DT. 2019. GIS-based site selection for check dams in watersheds: Considering geomorphometric and topo-hydrological factors. Sustainability. 11(20):5639. https://doi.org/10.3390/SU11205639 Salmerón-Gómez R, García-García CB, García‑Pérez JA. 2020. Overcoming the inconsistencies of the variance inflation factor: A redefined VIF and a test to detect statistical troubling multicollinearity. Sociological Methods and Research. 51(1): 150–189. https://doi.org/10.1177/0049124119882452 San-Miguel-Ayanz J, Durrant T, Boca R, Libertà G, Branco A, DE R, Ferrari D, Maianti P, Artes VT, Pfeiffer H. 2018. Luxembourg: publications office of the European Union, European Commission Joint Research Centre. pp. 1–175. Shakesby RA, Doerr SH, Walsh RPD. 2000. The erosional impact of soil hydrophobicity: Current problems and future research directions. Journal of Hydrology. 231–232:178–191. https://doi.org/10.1016/S0022-1694(00)00193-1 Soil Survey Staff. 2014. Keys to soil taxonomy. 12th edition. USDA-Natural Resources Conservation Service, Washington DC. https://www.scirp.org/reference/referencespapers?referenceid=1581780 Then M, Shemehsavar S, Henry DJ, Harper RJ. 2025. The effects of climatic and soil properties on soil water repellency. Catena. 258:109218. https://doi.org/10.1016/J.CATENA.2025.109218 Zádorová T, Skála J, Žížala D, Vaněk A, Penížek V. 2021. Harmonization of a large-scale national soil database with the World Reference Base for Soil Resources 2014. Geoderma. 384:114819. https://doi.org/10.1016/J.GEODERMA.2020.114819 Zhao G, Gao P, Tian P, Sun W, Hu J, Mu X. 2020. Assessing sediment connectivity and soil erosion by water in a representative catchment on the Loess Plateau, China. Catena. 185:104284. https://doi.org/10.1016/J.CATENA.2019.104284 | ||
|
آمار تعداد مشاهده مقاله: 186 تعداد دریافت فایل اصل مقاله: 101 |
||