| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,182 |
| تعداد مقالات | 35,305 |
| تعداد مشاهده مقاله | 51,234,399 |
| تعداد دریافت فایل اصل مقاله | 91,153,325 |
کاربرد هوش مصنوعی در تهیه نقشه خطر فرسایش آبکند در شهرستان الشتر، استان لرستان | ||
| مهندسی و مدیریت آبخیز | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 18 خرداد 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2026.371373.2139 | ||
| نویسندگان | ||
| نگار ارجمند1؛ علیرضا Alireza* 2؛ امید رحمتی3 | ||
| 1دانشجوی دکتری، گروه علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی، دانشگاه لرستان، خرم آباد، ایران | ||
| 2دانشیار، گروه مهندسی مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه لرستان، خرم آباد، ایران | ||
| 3استادیار، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی، سازمان تحقیقات آموزش و ترویج کشاورزی | ||
| چکیده | ||
| فرسایش آبکندی به عنوان پیچیدهترین شکل فرسایش آبی و یکی از عوامل اصلی تخریب زمین و بیابانزایی، تهدیدی جدی برای اکوسیستمها و منابع طبیعی به شمار میرود. این پژوهش با هدف پهنهبندی حساسیت وقوع فرسایش آبکندی با استفاده از مدلهای هوش مصنوعی در حوزه آبخیز الشتر استان لرستان انجام شد. منطقه مورد مطالعه با مساحت 64/797 کیلومتر مربع، بخشی از زیرحوضه کرخه و دارای اقلیم نیمهخشک و سرد با میانگین بارندگی ۵۷۰ میلیمتر است. در این تحقیق، از ۱۲ عامل مؤثر شامل شیب، جهت شیب، بارش، فاصله از جاده، فاصله از رودخانه، فاصله از گسل، نوع خاک، کاربری اراضی، سازند زمینشناسی، شاخص رطوبت توپوگرافی (TWI)، شاخص موقعیت توپوگرافی (TPI) و شاخص پوشش گیاهی (NDVI) به عنوان دادههای ورودی استفاده شد. از مجموع ۱۵۱ نقطه مشاهداتی (۸۹ نقطه خندق و ۶۲ نقطه غیرخندق)، ۷۰ درصد برای آموزش و ۳۰ درصد برای اعتبارسنجی مدلها به کار رفت. عملکرد سه مدل هوش مصنوعی شامل شبکه عصبی مصنوعی پرسپترون چندلایه (MLP)، حداکثر آنتروپی (MaxEnt) و تحلیل تفکیککننده انعطافپذیر (FDA) با استفاده از منحنی ROC و شاخص سطح زیر منحنی (AUC) مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل MLP با مقادیر AUC برابر با 98/0 در مرحله آموزش و 92/0 در مرحله اعتبارسنجی، بهترین عملکرد را در پیشبینی حساسیت وقوع فرسایش آبکندی دارد. پس از آن بهترتیب مدلهای ( 87/0=AUC) FDA، و ( 5/0=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 به ترتیب 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. این پژوهش نشان میدهد که استفاده از مدلهای هوش مصنوعی به ویژه شبکه عصبی مصنوعی، ابزاری کارآمد برای شناسایی مناطق مستعد فرسایش آبکندی و کمک به برنامهریزی و مدیریت مؤثر در جهت کنترل این پدیده در مناطق مشابه است. | ||
| کلیدواژهها | ||
| استان لرستان؛ الشتر؛ پهنهبندی وقوع فرسایش آبکندی؛ هوش مصنوعی؛ فرسایش آبکندی | ||
| عنوان مقاله [English] | ||
| Application of Artificial Intelligence in Preparing Gully Erosion Susceptibility Maps in the Alshater County, Lorestan Province | ||
| نویسندگان [English] | ||
| Negar Arjmand1؛ علیرضا Sepahvand2؛ Omid Rahmati3 | ||
| 1Ph.D. Student, Department of Range and Watershed Management, Faculty of Natural Resources, Lorestan University, Khorramabad, Lorestan Province, Iran | ||
| 2Associate Professor, Department of Range and Watershed Management Engineering, Faculty of Natural Resources, Lorestan University, Khorramabad, Lorestan Province, Iran | ||
| 3Assistant Professor, Soil Conservation and Watershed Management Research Department, Agricultural and Natural Resources Research and Education Center, Kurdistan Agricultural Research, Education and Extension Organization | ||
| چکیده [English] | ||
| This research was conducted with the aim of mapping the susceptibility to gully erosion using artificial intelligence models in the Alashtar watershed, Lorestan Province. The study area, covering 797.64 km2, is part of the Karkheh watershed. In this study, 12 effective factors were used as input data, including slope, aspect, precipitation, distance from road, distance from river, distance from fault, soil type, land use, geological formation, Topographic Wetness Index (TWI), Topographic Position Index (TPI), and Normalized Difference Vegetation Index (NDVI). Out of a total of 151 observation points (89 gully points and 62 non-gully points), 70% were used for training stage and 30% for testing stage. The performance of three AI models—Multilayer Perceptron Artificial Neural Network (MLP), Maximum Entropy (MaxEnt), and Flexible Discriminant Analysis (FDA)—was evaluated using the ROC curve and the Area Under the Curve (AUC) index. The results showed that the MLP model, with AUC values of 0.98 in the training phase and 0.92 in the validation phase, had the best performance in predicting gully erosion susceptibility. This was followed by the FDA (AUC = 0.87) and MaxEnt (AUC = 0.5) models, respectively. Analysis of the influencing factors revealed that most gullies were located in precipitation classes of 600-700 mm, distances greater than 300 meters from faults, roads, and rivers, slope classes of 0-5% and 5-15%, northern aspects, dry farming land use, and geological formations of old alluvium and marls. Furthermore, a direct relationship was observed between the TWI index and gully occurrence, while an inverse relationship was found for the NDVI index. Finally, the gully erosion map was prepared using the MLP model. Result shown that artificial neural network, is an effective tool for identifying areas susceptible to gully erosion and helps to planning and management to control this phenomenon in similar regions. | ||
| کلیدواژهها [English] | ||
| Lorestan province, Alshtar, Mapping of gully erosion, Artificial intelligence, Gully erosion | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 7 |
||