Бул изилдөө, Мароккодогу Лахдар кичи алабыnda топурак эрозиясыna duyarlı bölgelerin belirlenmesinde салттуу көп критерийлүү Аналитикалык иерархия процесси (AHP) менен iki машиналык үйрөнүү yaklaşımını, Random Forest (RF) жана XGBoost'u салыштырат. Изилдөөчүлөр topoğrafya, arazi örtüsü, bitki yoğunluğu, yağış aşındırıcılığı, drenaj yapısı жана toprak özelliklerini temsil eden çevresel katmanları талаа байкоо чекиттери менен birleştirerek эрозия сезимталдык карталарı üretmiştir. Башында on фактор ele alınmış, curvature değişkeni sabit/төмөн değişkenlik gösterdiği үчүн чыгарылган жана машиналык үйрөнүү modelleri dokuz açıklayıcı факторle колдонулган.

Модель текшерүүсүндө AHP үчүн AUC 0.7864, Random Forest үчүн 0.9775 жана XGBoost үчүн 0.9762 табылган. Ошондуктан RF менен XGBoost'un ayrıştırma gücü AHP'den belirgin biçimde жогору. Муну менен бирге XGBoost; TSS=0.9025, accuracy=0.9509, sensitivity=0.9405 жана specificity=0.9620 маанилери менен bu dört ölçütte RF'nin önüne geçmektedir. RF'nin AUC'si ise XGBoost'tan çok küçük bir farkla daha жогору. Ошондуктан натыйжа, “XGBoost bütün ölçütlerde kazanıyor” şeklinde değil, iki ML modelinin birbirine çok yakın olduğu жана XGBoost'un genel классlandırma dengesinde hafif üstünlük gösterdiği şeklinde okunmalıdır.

Мейкиндиктик натыйжаlarda XGBoost havzanın болжол менен %72'sini өтө төмөн veya төмөн эрозия duyarlılığı классına, болжол менен %9'unu ise жогору veya өтө жогору классa yerleştirmiştir. RF үчүн bu oranlar булак текстте болжол менен %62-63 төмөн/өтө төмөн жана %23 жогору/өтө жогору катары билдирилген. AHP ise havzanın болжол менен %32'sini жогору veya өтө жогору duyarlılığa sahip көрсөтөт. Üç yaklaşım жалпысынан daha düz жана өсүмдүк жабындысыnün daha güçlü olduğu төмөнкү алап bölgelerini daha төмөн riskli; эңкейишin arttığı, engebeli жана өсүмдүк жабындысыnün zayıfladığı жогорку алап bölgelerini ise daha жогору сезимталдыкlı катары tanımlar.

SHAP analizi XGBoost kararlarında özellikle arazi kullanımı/arazi örtüsü (LULC), NDVI, yükselti жана эңкейишin güçlü belirleyiciler olduğunu көрсөтөт. Ancak SHAP değerleri nedensel bir эрозия yasası эмес; eğitilmiş modelin белгилүү маалымат kümesindeki karar mekanizmasının açıklamasıdır. Ayrıca çalışma гана Lakhdar havzası жана kullanılan 326 эрозия/эрозияsuz örnek nokta çerçevesinde doğrulanmıştır; натыйжаlar yeni havzalara түздөн-түз aktarılmış bağımsız dış doğrulama катары değerlendirilmemelidir.

Топурак эрозиясы neden гана bir эңкейиш problemi эмес?

Топурак эрозиясы, yüzeydeki parçacıkların kopması, taşınması жана başka bir konumda çökelmesiyle gelişen көп факторлуу bir процесс. Eğim жана yükselti akışın enerjisini etkilerken, yağış şiddeti toprağın parçalanmasına жана yüzey akışına enerji sağlar. Bitki örtüsü yağmur damlasının түздөн-түз etkisini azaltabilir, kök sistemiyle toprağı stabilize edebilir жана yüzey akışını yavaşlatabilir. Buna karşılık çıplak zemin, ormansızlaşma, tarımsal baskı жана kentleşme toprağın korunmasını azaltabilir.

Ошондуктан bir эрозияга сезимталдык картасы, гана “en dik yamaçları” göstermeyi amaçlamaz. Araştırmanın temel problemi; topoğrafya, өсүмдүк жабындысы, arazi kullanımı, drenaj, yağış жана toprak bilgisinin aynı мейкиндиктик modelde bir araya getirilmesi жана hangi kombinasyonların gözlenen эрозия noktalarıyla daha güçlü ilişkili olduğunun belirlenmesidir.

Эрозияга сезимталдык картасы деген эмне?

Эрозияга сезимталдык картасы, белгилүү çevresel жана topoğrafik koşullar altında bir alanın эрозия gelişimine göreli yatkınlığını gösteren мейкиндиктик bir классlandırmadır. Бул изилдөөda карталар “өтө төмөн, төмөн, орто, жогору жана өтө жогору” olmak üzere beş классa ayrılmıştır; bu классlar түздөн-түз yıllık ton/hektar cinsinden эрозия miktarını değil, modele göre göreli эрозия duyarlılığını чагылдырат.

Bu ayrım önemlidir. Çalışma RUSLE сыяктуу түздөн-түз yıllık toprak kaybı miktarı hesaplayan bir модель kurmamakta; эрозия bulunan жана bulunmayan gözlem noktaları менен çevresel факторler arasındaki ilişkilerden bir сезимталдык классlandırması üretmektedir.

Лахдар кичи алабы

Булак изилдөөсүнө ылайык Лахдар кичи алабы Мароккодогу Oum Er-Rbia hidrolojik sisteminin parçasıdır жана Béni Mellal'in dağlık kesiminde болжол менен 3.503 km² alan kaplamaktadır. Havza güney жана güneydoğuda Yüksek Atlas Dağlarıyla sınırlanır. Lakhdar Nehri ana drenaj eksenidir; Bernat Nehri ise önemli kollarından biridir. Hassan I жана Sidi Driss barajları bölgenin sulama жана içme suyu sistemi açısından önem taşımaktadır.

Kaynak текстте yükseltinin 488 m менен 4.017 m arasında değiştiği белгиленет. Муну менен бирге PDF'nin farklı карталарında 600-3.885 m жана 532-3.997 m сыяктуу farklı DEM aralıkları көрүнөт. Bu farklılıkların raster kırpma, маалымат sürümü veya figür üretimi nedeniyle oluşup oluşmadığı түшүндүрүлгөн эмес; dolayısıyla tek bir harita lejandı булак тексттеki bütün çalışma alanının kesin yükselti aralığı катары колдонулбашы керек.

Arazi doğrulama verisi кантип oluşturuldu?

Изилдөөчүлөр эрозия жана geçmişte эрозия/heyelan olayı bildirilen alanlara ilişkin yerel жана tarihsel bilgileri kullanarak saha noktaları oluşturmuş, konumları GPS менен kaydetmiş жана Google Earth üzerinden ayrıntılandırmıştır. Эрозия gözlenen noktalar класс 1 катары kodlanmıştır.

Эрозияun bulunmadığını temsil eden класс 0 örnekleri ise yoğun жана homojen өсүмдүк жабындысыne sahip, doğal катары korunan жана kararlı kabul edilen orman veya çayırlık alanlardan seçilmiştir. Bu yöntem модель үчүн açık bir negatif класс sağlar; ancak “эрозияsuz” örneklerin rastgele bütün havzadan değil, özellikle kararlı bitkili alanlardan seçilmesi классlar arasındaki çevresel farkı güçlendirebilir. Ошондуктан saha doğrulama terimi, tamamen bağımsız жана rastgele örneklenmiş bir bölgesel эрозия envanteri сыяктуу yorumlanmamalıdır.

Жалпы 326 nokta колдонулган. Bunların 229'u (%70) окутуу, 97'si (%30) тест үчүн ayrılmıştır.

Баштапкы факторлор

NDVI кантип hesaplanmıştır?

Kaynak, normalize edilmiş bitki fark indeksini Landsat 8'in yakın kızılötesi жана kırmızı bantlarından:

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

şeklinde hesaplamaktadır. Genel катары daha yoğun жана sağlıklı өсүмдүк жабындысы daha жогору NDVI менен temsil edilir. Çalışmanın SHAP analizi de NDVI'nın XGBoost kararlarındaki önemli değişkenlerden biri olduğunu көрсөтөт.

Kaynakta “SPI” hangi göstergeyi ifade ediyor?

Bu PDF'de SPI terimi kendi içinde tutarlı kullanılmamıştır. Таблица 1'de SPI, DEM жана akış birikiminden hesaplanan \(SPI=A_s\tan\theta\) formülüyle verilmektedir; bu tanım hidrolojideki Stream Power Index'e karşılık gelir. Buna karşın yöntem жана tartışma bölümlerinin bazı kısımlarında aynı kısaltma Standardized Precipitation Index катары açıklanmıştır. Şekildeki SPI картасы da drenaj/topografya ağıyla ilişkili bir desen көрсөтөт. Ошондуктан булак yeniden analiz edilmeden iki farklı SPI anlamından birini bütün makale boyunca kesin doğru kabul etmek güvenli эмес.

Çoklu bağlantı kontrolü: VIF жана TOL

Faktörlerin birbirine aşırı derecede bağlı olması модель yorumunu bozabileceğinden Variance Inflation Factor (VIF) жана tolerance (TOL) колдонулган:

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

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

Kaynak, VIF>10 veya TOL<0.1 değerlerini ciddi çoklu bağlantı göstergesi катары kabul etmektedir. Curvature değişkeni sabit маани göstermesi nedeniyle analizin başında чыгарылганtır.

Бийиктик жана эңкейиш diğer değişkenlere kıyasla daha жогору VIF göstermesine rağmen 10 sınırının altında kalmıştır. Авторлор bu iki değişkeni dağlık havzada fiziksel açıdan kritik olmaları nedeniyle modelde tutmuştur.

AHP менен машиналык үйрөнүү arasındaki temel fark деген эмне?

AHP'de эрозияa etki ettiği düşünülen факторler uzman değerlendirmesiyle ikili катары karşılaştırılır жана her факторe göreli bir ağırlık atanır. Random Forest жана XGBoost'ta ise çevresel değişkenlerle gözlenen эрозия/эрозияsuz классları arasındaki ilişkiler окутуу verisinden öğrenilir. AHP daha şeffaf жана kavramsal bir ağırlıklandırma sunarken RF жана XGBoost doğrusal olmayan değişken etkileşimlerini түздөн-түз veriden öğrenebilir; buna karşılık ML натыйжаları kullanılan örneklem жана etiketlerin niteliğine daha güçlü biçimde bağlıdır.

AHP tutarlılık kontrolü

AHP'nin ikili karşılaştırma matrisi үчүн consistency index:

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

жана consistency ratio:

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

катары tanımlanmıştır. Kaynağa göre \(CR\leq0.1\) kabul edilebilir bir karşılaştırma tutarlılığına işaret eder. Бул изилдөөdaki AHP үчүн CR болжол менен %7.8'dir; dolayısıyla kullanılan ağırlık matrisi kendi AHP tutarlılık ölçütünü sağlamaktadır.

Изилдөөнүн ыкмасы жана жыйынтыктары

Машиналык үйрөнүү modelleri

326 örneklik маалымат setinin %70'i окутуу жана %30'u тест үчүн ayrılmış; Random Forest, XGBoost жана SVR колдонулган. Curvature çıkarıldıktan sonra kullanılan dokuz фактор yükselti, эңкейиш, bakı, yağış aşındırıcılığı, SPI, NDVI, LULC, toprak tipi жана drenaj yoğunluğudur.

Kaynak ilk модель taramasında классlandırma problemine R² жана RMSE değerleri de raporlamaktadır:

Bu маанилер kaynağın raporladığı ön модель салыштырууdır. Nihai эрозия/эрозияsuz классlandırma başarısı daha sonra ROC-AUC, TSS, accuracy, sensitivity жана specificity менен değerlendirilmiştir.

Random Forest

Random Forest çok sayıda karar ağacının farklı маалымат жана özellik alt kümeleri üzerinde eğitildiği ensemble yöntemidir. Her ağacın tek başına yapabileceği aşırı uyumu azaltmak жана değişkenler arasındaki doğrusal olmayan ilişkileri öğrenmek amacıyla bagging жана rastgele özellik seçimi kullanır.

XGBoost

XGBoost, karar ağaçlarını ardışık катары kuran gradient-boosting tabanlı bir yöntemdir. Yeni ağaçlar önceki ağaçların hatalarını azaltacak şekilde eğitilir. Düzenlileştirme mekanizmaları aşırı uyumu sınırlamaya yardımcı olur жана çevresel değişkenler arasındaki karmaşık etkileşimleri temsil edebilir.

Текшерүү көрсөткүчтөрү

Өзгөчөлүк:

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

Сезимталдык:

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

Precision:

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

True Skill Statistic:

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

катары tanımlanmıştır. Kaynak precision formülünü açıklamasına rağmen nihai Таблица 6'da ayrı bir precision sütunu vermemektedir.

XGBoost gerçekten Random Forest'tan daha iyi mi?

Sonuç kullanılan ölçüte bağlıdır. Random Forest, ROC-AUC'de 0.9775 менен XGBoost'un 0.9762 değerinden çok az жогору. Buna karşılık XGBoost TSS, accuracy, sensitivity жана specificity değerlerinde RF'yi geçmektedir. Ошондуктан булак verisi XGBoost'un genel классlandırma dengesi bakımından hafif üstün olduğunu destekler; fakat RF'den bütün istatistiksel ölçütlerde daha iyi olduğunu desteklemez.

PDF'nin 34. sayfasındaki ROC grafiğinde RF жана XGBoost eğrileri sol-üst köşeye çok yakın seyrederken AHP eğrisi belirgin biçimde daha aşağıdadır. Grafik lejandındaki yuvarlanmış AUC değerleri RF жана XGBoost үчүн болжол менен 0.98, AHP үчүн болжол менен 0.79'dur.

Сезимталдык классları кантип değişti?

Yuvarlanmış tablo yüzdelerine göre RF'nin өтө төмөн+төмөн классları %63, XGBoost'un %72 жана AHP'nin %38'dir. Kaynak özet жана tartışma metni RF үчүн zaman zaman %62 ifadesini kullanmaktadır. RF жана AHP sütunlarındaki yuvarlanmış yüzdeler toplamda %101 etmektedir; dolayısıyla yüzde toplamları ayrıca bir hassas alan hesabı катары колдонулбашы керек.

Yüksek+өтө жогору классlarda RF болжол менен %23, XGBoost %9, AHP %32 raporlamaktadır. Yüksek riskin özellikle жогорку алапdaki daha dik, dağlık жана өсүмдүк жабындысы daha zayıf alanlarda yoğunlaştığı белгиленет.

Mutlak alan değerlerindeki булак sorunu

Kaynak Таблица 5'teki класс alanları toplandığında RF болжол менен 363.847 ha, XGBoost 363.843 ha жана AHP 351.293 ha verir. Buna karşılık çalışma alanı текстте 3.503 km², yani болжол менен 350.300 ha катары tanımlanmıştır. AHP toplamı buna yakın olsa da özellikle RF жана XGBoost toplamları daha büyüktür. Kaynak farkın nedenini açıklamadığından класс yüzdeleri korunmuş, fakat bu alan toplamları kesin havza alanı doğrulaması катары kullanılmamıştır.

SHAP analizi XGBoost kararları hakkında ne gösteriyor?

SHAP analizi, XGBoost tahminindeki her değişkenin модель çıktısını yukarı veya aşağı канчалык ittiğini Shapley маанилери менен açıklamaya çalışır. PDF'nin 35. sayfasındaki summary plot'ta LULC жана NDVI güçlü etkiler gösterirken yükselti жана эңкейиш de önemli konumdadır. Топурак түрү ise bu маалымат setinde daha төмөн модель katkısı көрсөтөт.

Buradaki önemli nokta, global SHAP önem sıralamasıyla tek bir örneğin waterfall grafiğinin aynı şey olmamasıdır. PDF'nin 38. sayfasındaki örnek waterfall grafiğinde белгилүү bir örnek үчүн LULC болжол менен +1.77, эңкейиш +0.64, yağış aşındırıcılığı +0.49 жана SPI -0.32 katkı көрсөтөт. Bu sayılar bütün havza үчүн değişken önem yüzdeleri эмес; гана seçilmiş gözlemin модель kararının parçalanmasıdır.

SHAP, “LULC эрозияa tam şu miktarda fiziksel катары neden olur” sonucunu da göstermez. Modelin kullandığı değişkenlerle verdiği kararın açıklamasıdır жана окутуу маалымат setindeki korelasyon yapısına bağlıdır.

Saha noktaları haritayla ne ölçüde örtüşüyor?

PDF'nin 41. sayfasındaki XGBoost сезимталдык картасыnda эрозия жана эрозияsuz gözlem noktaları модель классlarının üzerine bindirilmiştir. Авторлор жогору сезимталдык bölgelerinin özellikle жогорку алапda gözlenen эрозия noktalarıyla, daha төмөн сезимталдык bölgelerinin ise төмөнкү алапdaki kararlı noktalarla uyumlu olduğunu yorumlamaktadır.

Муну менен бирге aynı 326 noktanın модель geliştirme жана тест sürecinin temelini oluşturduğu unutulmamalıdır. Бул изилдөө, tamamen bağımsız başka bir saha kampanyasıyla yapılmış dış doğrulama veya farklı bir havzada transfer тестi raporlamamaktadır.

Изилдөө колдогон жана desteklemediği çıkarımlar

Çalışmanın başlıca yöntemsel sınırlılıkları

Model гана 326 классlandırılmış noktaya dayanır. Negatif класс, yoğun жана kararlı өсүмдүк жабындысыne sahip alanlardan seçildiği үчүн örnekleme, havzanın bütün эрозияsuz çevresel çeşitliliğini eşit biçimde temsil etmeyebilir.

Curvature başlangıçtaki on факторden çıkarıldığı үчүн nihai ML modellerinin gerçekte dokuz фактор kullanmasına rağmen makalenin bazı bölümleri hâlâ “on фактор” ifadesini sürdürmektedir.

SPI değişkeninin bilimsel anlamı metin içinde iki farklı biçimde tanımlanmıştır. Bu durum modelin yeniden üretilmesi açısından düzeltilmesi gereken önemli bir metadata problemidir.

Model hiperparametreleri, tuning prosedürü, random seed, class balance ayrıntıları жана kapsamlı k-fold dış doğrulama yapılandırması görünür текстте sınırlı verilmiştir. Bu durum натыйжаların bağımsız yeniden üretimini güçleştirebilir.

Таблица 5'te модель bazında raster alan toplamları çalışma alanı büyüklüğüyle tam uyuşmamaktadır. Ошондуктан класс alanlarının yeniden üretilmesi үчүн orijinal GIS rasterları жана çalışma maskesi gerekli olacaktır.

Булак жана ыкма эскертүүсү

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

PDF'deki yazar sırası: Fatiha AIT EL HAJ, Latifa OUADIF, Ahmed AKHSSAS.

SSRN kayıt sırası: Fatiha AIT EL HAJ, Ahmed AKHSSAS, Latifa OUADIF. PDF менен platform metadata'sı arasında sıra farkı bulunduğu үчүн Verianla ana kimliğinde PDF sırası korunmuştur.

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

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

Булак түрү: Preprint; PDF her sayfada çalışmanın hakem değerlendirmesinden geçmediğini belirtmektedir.

SSRN: Abstract ID 6992808.

DOI: 10.2139/ssrn.6992808.

SSRN yayın tarihi: 24 Haziran 2026.

Барак саны: 42.

Dergi / cilt / sayı: Doğrulanmış hakemli dergi, cilt veya sayı bilgisi yoktur.

Lisans / telif: SSRN kayıt sayfası hak sahibinin SSRN'ye lisans verdiğini жана izinsiz yeniden kullanıma izin verilmediğini belirtmektedir. Kaynak карталарı жана SHAP figürleri piksel düzeyinde kopyalanmak yerine Verianla үчүн özgün катары yeniden çizilmelidir.

Каржылоо: Авторлор makalenin hazırlanması sırasında fon, hibe veya başka bir destek alınmadığını beyan etmektedir.

Кызыкчылыктар кагылышы: Авторлор ilgili mali veya mali olmayan çıkar bildirmemiştir.

Маалымат жеткиликтүүлүгү: Çalışma sırasında üretilen маалымат setlerinin makul talep üzerine sorumlu yazardan edinilebileceği белгиленет.

Üretken yapay zekâ beyanı: Авторлор ChatGPT/OpenAI'yi dil düzenleme, dilbilgisi düzeltme жана okunabilirliği geliştirme amacıyla kullandıklarını; üretilen içeriği kendilerinin inceleyip düzenlediğini жана sorumluluğu üstlendiklerini açıkça bildirmiştir.

Kaynak içi kritik tutarsızlıklar:

Verianla Live ылайыктуулугу: Өтө жогору. En güçlü Live blokları AHP-RF-XGBoost doğrulama metrikleri, beş сезимталдык классının dağılımı, VIF/TOL салыштыруу жана global SHAP фактор sıralamasıdır. SHAP waterfall örneği ise global önem grafiği сыяктуу kullanılmamalı; tek örneğe ait lokal açıklama катары etiketlenmelidir.

Визуалды кайра чийүүгө ылайыктуулук: Өтө жогору. Lakhdar havzasının topoğrafik kesiti, çevresel маалымат katmanlarının GIS üzerinde üst üste gelmesi, AHP-RF-XGBoost üçlü harita салыштыруу, ROC eğrilerinin kavramsal görünümü жана SHAP фактор etkileri özgün Verianla infografiğine dönüştürülebilir.