Bu çalışma, Fasdakı Lakhdar alt hövzəsinda torpaq eroziyasına duyarlı bölgelerin belirlenmesinde ənənəvi çoxmeyarlı Analitik İyerarxiya Prosesi (AHP) ilə iki maşın öyrənməsi yaklaşımını, Random Forest (RF) və XGBoost'u müqayisə edir. Tədqiqatçılar topoğrafya, arazi örtüsü, bitki yoğunluğu, yağış aşındırıcılığı, drenaj yapısı və toprak özelliklerini təmsil edən ətraf mühit qatlarını sahə müşahidə nöqtələri ilə birleştirerek eroziya həssaslıq xəritələri üretmiştir. Başlanğıcda on faktor nəzərə alınmış, curvature dəyişəni sabit/aşağı değişkenlik gösterdiği üçün çıxarılmış və maşın öyrənməsi modelleri dokuz izahedici faktorle tətbiq edilmişdir.

Model doğrulamasında AHP üçün AUC 0.7864, Random Forest üçün 0.9775 və XGBoost üçün 0.9762 tapılmışdır. Buna görə RF ilə XGBoost'un ayırdetmə gücü AHP'den aydın şəkildə yüksəkdir. Bununla yanaşı XGBoost; TSS=0.9025, accuracy=0.9509, sensitivity=0.9405 və specificity=0.9620 dəyərləri ilə bu dört ölçütdə RF'nin önə keçir. RF'nin AUC'si ise XGBoost'tan çox kiçik fərqlə daha yüksəkdir. Bu səbəbdən nəticə, “XGBoost bütün ölçütlerde kazanıyor” şəklində değil, iki ML modelinin birbirine çok yakın olduğu və XGBoost'un genel siniflandırma dengesinde yüngül üstünlük gösterdiği şəklində oxunmalıdır.

Məkan nəticəlarda XGBoost havzanın təxminən %72'sini çox aşağı veya aşağı eroziya duyarlılığı sinfinə, təxminən %9'unu ise yüksək veya çox yüksək sinifa yerleştirmiştir. RF üçün bu nisbətlar mənbə mətndə təxminən %62-63 aşağı/çox aşağı və %23 yüksək/çox yüksək kimi rapor edilmişdir. AHP ise havzanın təxminən %32'sini yüksək veya çox yüksək duyarlılığa sahip göstərir. Üç yaklaşım ümumilikdə daha düz və bitki örtüyünün daha güçlü olduğu aşağı hövzə bölgələrini daha aşağı riskli; meyilin arttığı, engebeli və bitki örtüyünün zəiflədiyi yuxarı hövzə bölgələrini ise daha yüksək həssaslıqlı kimi təyin edir.

SHAP analizi XGBoost kararlarında özellikle torpaq istifadəsi/torpaq örtüyü (LULC), NDVI, yüksəklik və meyilin güclü müəyyənedicilər olduğunu göstərir. Ancak SHAP değerleri səbəbli bir eroziya yasası deyildir; öyrədilmiş modelin müəyyən veri dəstindəki qərar mexanizminin izahıdır. Ayrıca çalışma yalnız Lakhdar havzası və kullanılan 326 eroziya/eroziyasuz örnek nokta çerçevesinde doğrulanmıştır; nəticəlar yeni havzalara birbaşa köçürülmüş müstəqil xarici doğrulama kimi qiymətləndirilməməlidir.

Torpaq eroziyası neden yalnız bir meyil problemi deyildir?

Torpaq eroziyası, yüzeydeki hissəciklərin qopması, daşınması və başka bir konumda çökməsi ilə gelişen çoxfaktorlu bir prosesdir. Eğim və yüksəklik axının enerjisini etkilerken, yağıntı intensivliyi toprağın parçalanmasına və səth axınına enerji təmin edir. Bitki örtüsü yağmur damlasının birbaşa etkisini azalda bilər, kök sistemiyle toprağı stabilləşdirə bilər və yüzey akışını yavaşlatabilir. Buna karşılık çıplak zemin, ormansızlaşma, tarımsal baskı və urbanizasiya toprağın qorunmasını azalda bilər.

Bu səbəbdən bir eroziya həssaslığı xəritəsi, yalnız “en dik yamaçları” göstermeyi amaçlamaz. Araştırmanın əsas problemi; topoğrafya, bitki örtüyü, arazi kullanımı, drenaj, yağış və toprak bilgisinin eyni məkan modelində birləşdirilməsi və hangi kombinasyonların müşahidə edilən eroziya nöqtələriyla daha güçlü ilişkili olduğunun belirlenmesidir.

Eroziya həssaslığı xəritəsi nedir?

Eroziya həssaslığı xəritəsi, müəyyən çevresel və topoğrafik şərtlər altında bir sahənin eroziya gelişimine nisbi meylliliyini göstərən məkan bir təsnifatdır. Bu çalışmada xəritələr “çox aşağı, aşağı, orta, yüksək və çox yüksək” olmaqla beş sinfə ayrılmışdır; bu siniflər birbaşa illik ton/hektar cinsinden eroziya miqdarını değil, modele göre göreli eroziya duyarlılığını təmsil edir.

Bu fərq vacibdir. Çalışma RUSLE kimi birbaşa yıllık toprak kaybı miktarı hesablayan bir model qurmur; eroziya olan və olmayan müşahidə nöqtələri ilə çevresel faktorler arasındaki əlaqələrdən bir həssaslıq siniflandırması yaradır.

Lakhdar alt hövzəsi

Mənbə çalışmasına görə Lakhdar alt hövzəsi Fasdakı Oum Er-Rbia hidroloji sisteminin hissəsidir və Béni Mellal'in dağlıq hissəsində təxminən 3.503 km² sahə tutur. Havza cənub və cənub-şərqdə Yüksek Atlas Dağları ilə hüdudlanır. Lakhdar Nehri əsas drenaj oxudur; Bernat Nehri ise mühüm qollarından biridir. Hassan I və Sidi Driss bəndləri bölgenin suvarma və içməli su sistemi baxımından əhəmiyyət daşıyır.

Kaynak mətndə yüksəkliknin 488 m ilə 4.017 m arasında dəyişdiyi bildirilir. Bununla yanaşı PDF-in fərqli xəritələrında 600-3.885 m və 532-3.997 m kimi fərqli DEM aralıkları görünür. Bu fərqlilıkların raster kırpma, veri sürümü veya figür üretimi nedeniyle oluşup oluşmadığı açıqlanmamışdır; buna görə tek bir harita lejandı mənbə mətndəki bütün tədqiqat sahəsinın qəti yüksəklik aralığı kimi istifadə edilməməlidir.

Sahə doğrulama verisi necə yaradıldı?

Tədqiqatçılar eroziya və geçmişte eroziya/heyelan olayı bildirilen alanlara ilişkin yerli və tarixi məlumatları istifadə edərək saha nöqtələri yaratmış, mövqeləri GPS ilə qeyd etmiş və Google Earth üzerinden detallaşdırmışdır. Eroziya müşahidə edilən nöqtələr sinif 1 kimi kodlaşdırılmışdır.

Eroziyaun olmadığını təmsil edən sinif 0 örnekleri ise sıx və homogen bitki örtüyüne sahip, təbii qorunan və sabit qəbul edilən meşə və ya çəmənlik sahələrindən seçilmişdir. Bu yöntem model üçün aydın bir mənfi sinif təmin edir; ancak “eroziyasuz” örneklerin rastgele bütün havzadan değil, özellikle kararlı bitkili alanlardan seçilmesi siniflər arasındaki çevresel farkı güçlendirebilir. Bu səbəbdən saha doğrulama terimi, tamamilə müstəqil və rastgele örneklenmiş bir bölgesel eroziya envanteri kimi yorumlanmamalıdır.

Cəmi 326 nokta istifadə edilmişdir. Bunların 229'u (%70) təlim, 97'si (%30) test üçün ayrılmışdır.

Başlanğıc faktorlar

NDVI nasıl hesaplanmıştır?

Kaynak, normalize edilmiş bitki fark indeksini Landsat 8'in yaxın infraqırmızı və qırmızı zolaqlarından:

\[ NDVI= \frac{NIR_{Band5}-Red_{Band4}} {NIR_{Band5}+Red_{Band4}} \]

şəklində hesablayır. Ümumiyyətlə daha yoğun və sağlam bitki örtüyü daha yüksək NDVI ilə temsil edilir. Çalışmanın SHAP analizi de NDVI'nın XGBoost kararlarındaki mühüm dəyişənlərdən biri olduğunu göstərir.

Mənbədə “SPI” hansı göstəricini ifadə edir?

Bu PDF'de SPI terimi öz daxilində tutarlı istifadə edilməmişdir. Cədvəl 1'de SPI, DEM və akış birikiminden hesaplanan \(SPI=A_s\tan\theta\) formulu ilə verilmektedir; bu tərif hidrolojideki Stream Power Index'e uyğun gəlir. Buna karşın yöntem və tartışma bölümlerinin bazı kısımlarında aynı kısaltma Standardized Precipitation Index kimi açıqlanmışdır. Şekildeki SPI xəritəsi da drenaj/topografya ağıyla ilişkili bir nümunə göstərir. Bu səbəbdən mənbə yeniden analiz edilmeden iki fərqli SPI anlamından birini bütün makale boyunca qəti doğru kabul etmek təhlükəsiz deyil.

Çoxlu bağlantı nəzarəti: VIF və TOL

Faktorların birbirine həddən artıq bağlı olması model şərhini poza biləcəyi üçün Variance Inflation Factor (VIF) və tolerance (TOL) istifadə edilmişdir:

\[ VIF=\frac{1}{1-R^2} \tag{1} \]

\[ TOL=\frac{1}{VIF} \tag{2} \]

Kaynak, VIF>10 veya TOL<0.1 değerlerini ciddi multikollinearlıq göstəricisi kimi kabul etmektedir. Curvature dəyişəni sabit dəyər göstərdiyi üçün analizin əvvəlində çıxarılmışdır.

Yükselti və meyil digər dəyişənlərlə müqayisədə daha yüksək VIF göstərməsinə baxmayaraq 10 həddin altında qalmışdır. Yazarlar bu iki dəyişəni dağlık havzada fiziki baxımdan kritik olmaları nedeniyle modeldə saxlamışdır.

AHP ilə maşın öyrənməsi arasındakı əsas fərq nedir?

AHP'de eroziyaa etki ettiği düşünülen faktorler ekspert qiymətləndirməsi ilə cüt-cüt müqayisə edilir və her faktore nisbi çəki verilir. Random Forest və XGBoost'ta ise çevresel değişkenlerle müşahidə edilən eroziya/eroziyasuz siniflərı arasındaki ilişkiler təlim verisindən öyrənilir. AHP daha şəffaf və konseptual bir çəki vermə sunarken RF və XGBoost qeyri-xətti değişken qarşılıqlı təsirlərini birbaşa veridən öyrənə bilər; bunun müqabilində ML nəticəları kullanılan nümunə və etiketlərin keyfiyyətinə daha güçlü biçimde bağlıdır.

AHP tutarlılıq nəzarəti

AHP'nin ikili karşılaştırma matrisi üçün consistency index:

\[ CI= \frac{\lambda_{max}-n}{n-1} \tag{3} \]

və consistency ratio:

\[ CR=\frac{CI}{RI} \tag{4} \]

kimi təyin edilmişdir. Kaynağa göre \(CR\leq0.1\) qəbul edilə bilən bir karşılaştırma tutarlılığına işarə edir. Bu çalışmadaki AHP üçün CR təxminən %7.8'dir; buna görə kullanılan ağırlık matrisi kendi AHP tutarlılık ölçütünü sağlamaktadır.

Çalışmanın Yöntemi və Bulguları

Maşın öyrənməsi modelləri

326 nümunəlik veri dəstinin %70'i təlim və %30'u test üçün ayrılmış; Random Forest, XGBoost və SVR tətbiq edilmişdir. Curvature çıkarıldıktan sonra istifadə edilən doqquz faktor yüksəklik, meyil, bakı, yağış aşındırıcılığı, SPI, NDVI, LULC, toprak tipi və drenaj yoğunluğudur.

Kaynak ilk model yoxlamasında təsnifat probleminə R² və RMSE dəyərləri də rapor edir:

Bu dəyərlər kaynağın raporladığı ön model müqayisəsidır. Yekun eroziya/eroziyasuz siniflandırma uğuru daha sonra ROC-AUC, TSS, accuracy, sensitivity və specificity ilə qiymətləndirilmişdir.

Random Forest

Random Forest çox sayda qərar ağacının fərqli veri və xüsusiyyət alt çoxluqları üzerinde öyrədildiyi ensemble üsuldur. Her ağacın tek başına yapabileceği həddən artıq uyğunlaşmanı azaltmaq və değişkenler arasındaki qeyri-xətti ilişkileri öğrenmek məqsədilə bagging və təsadüfi xüsusiyyət seçimi kullanır.

XGBoost

XGBoost, qərar ağaclarını ardıcıl quran gradient-boosting əsaslı bir yöntemdir. Yeni ağaçlar önceki ağaçların hatalarını azaltacak şekilde eğitilir. Tənzimləmə mekanizmaları həddən artıq uyğunlaşmanı sınırlamaya kömək edir və çevresel değişkenler arasındaki mürəkkəb qarşılıqlı təsirləri temsil edebilir.

Doğrulama ölçütləri

Spesifiklik:

\[ Specificity= \frac{TN}{TN+FP} \tag{5} \]

Həssaslıq:

\[ Sensitivity= \frac{TP}{TP+FN} \tag{6} \]

Precision:

\[ Precision= \frac{TP}{TP+FP} \tag{7} \]

True Skill Statistic:

\[ TSS=Sensitivity+Specificity-1 \tag{8} \]

kimi təyin edilmişdir. Kaynak precision formülünü açıklamasına rağmen nihai Cədvəl 6'da ayrı bir precision sütunu vermemektedir.

XGBoost gerçekten Random Forest'tan daha iyi mi?

Nəticə istifadə edilən ölçütdən asılıdır. Random Forest, ROC-AUC-də 0.9775 ilə XGBoost'un 0.9762 değerinden çox az yüksəkdir. Buna karşılık XGBoost TSS, accuracy, sensitivity və specificity değerlerinde RF'yi keçir. Buna görə mənbə verisi XGBoost'un genel siniflandırma dengesi bakımından yüngül üstün olduğunu dəstəkləyir; lakin RF'den bütün statistik ölçütlərdə daha iyi olduğunu desteklemez.

PDF-in 34. səhifəsindəki ROC grafiğinde RF və XGBoost əyriləri sol-yuxarı küncə çok yaxın gedərkən AHP eğrisi aydın şəkildə daha aşağıdadır. Qrafik legendasındakı yuvarlaqlaşdırılmış AUC değerleri RF və XGBoost üçün təxminən 0.98, AHP üçün təxminən 0.79'dur.

Həssaslıq sinifləri necə dəyişdi?

Yuvarlaqlaşdırılmış cədvəl faizlərinə görə RF'nin çox aşağı+aşağı siniflərı %63, XGBoost'un %72 və AHP'nin %38'dir. Kaynak özet və tartışma metni RF üçün zaman zaman %62 ifadesini kullanmaktadır. RF və AHP sütunlarındaki yuvarlaqlaşdırılmış yüzdeler toplamda %101 etmektedir; buna görə yüzde cəmləri ayrıca bir həssas sahə hesabı kimi istifadə edilməməlidir.

Yüksek+çox yüksək siniflərda RF təxminən %23, XGBoost %9, AHP %32 raporlamaktadır. Yüksək riskin özellikle yuxarı hövzədaki daha dik, dağlık və bitki örtüyü daha zayıf alanlarda cəmləşdiyi bildirilir.

Mütləq sahə dəyərlərində mənbə problemi

Kaynak Cədvəl 5'teki sinif sahələri toplandıqda RF təxminən 363.847 ha, XGBoost 363.843 ha və AHP 351.293 ha verir. Buna karşılık tədqiqat sahəsi mətndə 3.503 km², yani təxminən 350.300 ha kimi təyin edilmişdir. AHP toplamı buna yakın olsa da özellikle RF və XGBoost toplamları daha böyükdür. Kaynak farkın səbəbini açıqlamadığı üçün sinif yüzdeleri qorunmuş, lakin bu alan toplamları qəti havza alanı doğrulaması kimi kullanılmamıştır.

SHAP analizi XGBoost qərarları haqqında nə göstərir?

SHAP analizi, XGBoost proqnozundakı hər dəyişənin model çıxışını yuxarı və ya aşağı nə qədər itələdiyini Shapley dəyərləri ilə izah etməyə çalışır. PDF-in 35. səhifəsindəki summary plot-da LULC və NDVI güclü təsirlər gösterirken yüksəklik və meyil de önemli konumdadır. Torpaq tipi ise bu veri setinde daha aşağı model töhfəsi göstərir.

Buradaki vacib məqam, qlobal SHAP önem sıralamasıyla tək bir nümunənin waterfall grafiğinin eyni şey olmamasıdır. PDF-in 38. səhifəsindəki örnek waterfall grafiğinde müəyyən bir nümunə üçün LULC təxminən +1.77, meyil +0.64, yağış aşındırıcılığı +0.49 və SPI -0.32 töhfə göstərir. Bu sayılar bütün hövzə üçün değişken önem yüzdeleri deyildir; yalnız seçilmiş gözlemin model kararının parçalanmasıdır.

SHAP, “LULC eroziyaa tam şu miktarda fiziksel kimi neden olur” sonucunu da göstermez. Modelin kullandığı değişkenlerle verdiği kararın izahıdır və təlim veri setindeki korelasyon yapısına bağlıdır.

Sahə nöqtələri xəritə ilə nə dərəcədə üst-üstə düşür?

PDF-in 41. səhifəsindəki XGBoost həssaslıq xəritəsinda eroziya və eroziyasuz müşahidə nöqtələri model siniflərının üzərinə yerləşdirilmişdir. Yazarlar yüksək həssaslıq bölgələrinin özellikle yuxarı hövzəda müşahidə edilən eroziya nöqtələriyla, daha aşağı həssaslıq bölgələrinin ise aşağı hövzədaki kararlı noktalarla uyğun olduğunu şərh edir.

Bununla yanaşı aynı 326 noktanın model geliştirme və test sürecinin temelini oluşturduğu unudulmamalıdır. Bu çalışma, tamamilə müstəqil başqa bir sahə kampaniyasıyla yapılmış dış doğrulama veya fərqli bir hövzədə transfer testi rapor etmir.

Çalışmanın dəstəklədiyi və desteklemediği çıkarımlar

Çalışmanın əsas metodoloji məhdudiyyətləri

Model yalnız 326 siniflandırılmış noktaya əsaslanır. Mənfi sinif, yoğun və kararlı bitki örtüyüne sahip alanlardan seçildiği üçün nümunəe, havzanın bütün eroziyasuz çevresel çeşitliliğini eşit biçimde təmsil etməyə bilər.

Curvature başlangıçtaki on faktorden çıkarıldığı üçün nihai ML modellerinin gerçekte dokuz faktor kullanmasına rağmen makalenin bəzi bölmələri hâlâ “on faktor” ifadəsini saxlayır.

SPI dəyişəninin elmi mənası metin içinde iki fərqli şəkildə təriflanmıştır. Bu durum modelin yeniden üretilmesi açısından düzeltilmesi gereken mühüm metadata problemidir.

Model hiperparametrləri, tuning prosedürü, random seed, class balance ayrıntıları və kapsamlı k-fold dış doğrulama yapılandırması görünən mətndə məhdud verilmişdir. Bu durum nəticəların müstəqil yenidən istehsalını çətinləşdirə bilər.

Cədvəl 5'te model bazında raster alan toplamları tədqiqat sahəsi büyüklüğüyle tam uyuşmamaktadır. Bu səbəbdən sinif alanlarının yeniden üretilmesi üçün orijinal GIS rasterləri və çalışma maskesi lazım olacaq.

Mənbə və Yöntəm Qeydi

Orijinal başlıq: Comparative Evaluation of Conceptual (AHP) and Machine Learning (XGBoost, RF) Methods for Accurate Erosion Susceptibility Mapping with Field Validation

PDF-dəki müəllif sırası: Fatiha AIT EL HAJ, Latifa OUADIF, Ahmed AKHSSAS.

SSRN qeyd sırası: Fatiha AIT EL HAJ, Ahmed AKHSSAS, Latifa OUADIF. PDF ilə platform metadata'sı arasında sıra fərqi bulunduğu üçün Verianla ana kimliğinde PDF sırası qorunmuşdur.

Qurum: L3GIE Laboratory, Mohammadia Engineering School, Mohammed V University in Rabat, Morocco.

Məsul müəllif: Fatiha AIT EL HAJ; PDF'de aitelhaj@emi.ac.ma adresi verilmektedir.

Mənbə növü: Preprint; PDF hər səhifədə çalışmanın rəyçi qiymətləndirməsindən keçmədiyini bildirir.

SSRN: Abstract ID 6992808.

DOI: 10.2139/ssrn.6992808.

SSRN yayım tarixi: 24 Haziran 2026.

Səhifə sayı: 42.

Jurnal / cild / say: Doğrulanmış hakemli dergi, cilt veya sayı məlumatı yoxdur.

Lisenziya / müəllif hüququ: SSRN qeydiyyat səhifəsi hüquq sahibinin SSRN'ye lisans verdiğini və izinsiz yeniden kullanıma icazə verilmədiyini bildirir. Kaynak xəritələrı və SHAP figürleri piksel səviyyəsində kopyalanmaq əvəzinə Verianla üçün orijinal şəkildə yenidən çəkilməlidir.

Maliyyələşmə: Yazarlar makalenin hazırlanması sırasında fon, hibe veya başka bir destek alınmadığını bəyan edir.

Maraqlar toqquşması: Yazarlar ilgili mali veya mali olmayan çıkar bildirmemiştir.

Veri əlçatanlığı: Çalışma sırasında üretilen veri setlerinin ağlabatan tələb əsasında sorumlu yazardan əldə edilə biləcəyi bildirilir.

Generativ süni intellekt bəyanı: Yazarlar ChatGPT/OpenAI'yi dil redaktəsi, qrammatika düzəlişi və oxunaqlılığı yaxşılaşdırma məqsədilə istifadə etdiklərini; üretilen içeriği kendilerinin yoxlayıb redaktə etdiyini və məsuliyyəti üzərinə götürdüklərini açıq şəkildə bildirmişdir.

Kaynak içi kritik tutarsızlıqlar:

Verianla Live uyğunluğu: Çox yüksək. En güçlü Live blokları AHP-RF-XGBoost doğrulama metrikleri, beş həssaslıq sinifının dağılımı, VIF/TOL müqayisəsi və qlobal SHAP faktor sıralamasıdır. SHAP waterfall nümunəsi ise qlobal əhəmiyyət qrafiki kimi istifadə edilməməli; tek örneğe ait lokal izah kimi etiketlənməlidir.

Vizual yenidən çəkim uyğunluğu: Çox yüksək. Lakhdar havzasının topoqrafik kəsiyi, ətraf mühit veri qatlarının GIS üzerinde üst-üstə gəlməsi, AHP-RF-XGBoost üçlü xəritə müqayisəsi, ROC əyrilərinin konseptual görünüşü və SHAP faktor təsirləri özgün Verianla infoqrafikasına çevrilə bilər.