Utafiti huu, nchini Moroko kijibonde cha Lakhdarnda mmomonyoko wa udongona duyarlı bölgelerin belirlenmesinde ya jadi ya vigezo vingi Mchakato wa Kihierarkia wa Uchambuzi (AHP) kwa iki ujifunzaji wa mashine yaklaşımını, Random Forest (RF) na XGBoost'u unalinganisha. Watafiti topoğrafya, arazi örtüsü, bitki yoğunluğu, yağış aşındırıcılığı, drenaj yapısı na toprak özelliklerini temsil eden çevresel katmanları na nukta za uchunguzi wa shambani birleştirerek mmomonyoko unyeti ramaniı üretmiştir. Mwanzoni on kipengele ele alınmış, curvature değişkeni sabit/chini değişkenlik gösterdiği kwa kiliondolewa na ujifunzaji wa mashine modelleri dokuz açıklayıcı kipengelele ilitumika.

Katika uthibitishaji wa modeli AHP kwa AUC 0.7864, Random Forest kwa 0.9775 na XGBoost kwa 0.9762 ilipatikana. Kwa hiyo RF kwa XGBoost'un ayrıştırma gücü AHP'den belirgin biçimde ni ya juu. Hata hivyo XGBoost; TSS=0.9025, accuracy=0.9509, sensitivity=0.9405 na specificity=0.9620 kwa thamani bu dört ölçütte RF'nin önüne geçmektedir. RF'nin AUC'si ise XGBoost'tan çok küçük bir farkla daha ni ya juu. Kwa sababu hiyo matokeo, “XGBoost bütün ölçütlerde kazanıyor” şeklinde değil, iki ML modelinin birbirine çok yakın olduğu na XGBoost'un genel darajalandırma dengesinde hafif üstünlük gösterdiği şeklinde okunmalıdır.

Kijiografia matokeolarda XGBoost havzanın takriban %72'sini chini sana veya chini mmomonyoko duyarlılığı darajaına, takriban %9'unu ise juu veya juu sana darajaa yerleştirmiştir. RF kwa bu oranlar chanzo katika maandishi takriban %62-63 chini/chini sana na %23 juu/juu sana kama imeripotiwa. AHP ise havzanın takriban %32'sini juu veya juu sana duyarlılığa sahip inaonyesha. Üç yaklaşım kwa ujumla daha düz na uoto wa mimeanün daha güçlü olduğu sehemu ya chini ya bonde bölgelerini daha chini riskli; mwinukoin arttığı, engebeli na uoto wa mimeanün zayıfladığı sehemu ya juu ya bonde bölgelerini ise daha juu unyetilı kama tanımlar.

SHAP analizi XGBoost kararlarında özellikle arazi kullanımı/arazi örtüsü (LULC), NDVI, yükselti na mwinukoin güçlü belirleyiciler olduğunu inaonyesha. Ancak SHAP değerleri nedensel bir mmomonyoko yasası si; eğitilmiş modelin fulani data kümesindeki karar mekanizmasının açıklamasıdır. Ayrıca çalışma pekee Lakhdar havzası na kullanılan 326 mmomonyoko/mmomonyokosuz örnek nokta çerçevesinde doğrulanmıştır; matokeolar yeni havzalara moja kwa moja aktarılmış bağımsız dış doğrulama kama değerlendirilmemelidir.

Mmomonyoko wa udongo neden pekee bir mwinuko problemi si?

Mmomonyoko wa udongo, yüzeydeki parçacıkların kopması, taşınması na başka bir konumda çökelmesiyle gelişen wenye sababu nyingi bir ni mchakato. Eğim na yükselti akışın enerjisini etkilerken, yağış şiddeti toprağın parçalanmasına na yüzey akışına enerji sağlar. Bitki örtüsü yağmur damlasının moja kwa moja etkisini azaltabilir, kök sistemiyle toprağı stabilize edebilir na yüzey akışını yavaşlatabilir. Buna karşılık çıplak zemin, ormansızlaşma, tarımsal baskı na kentleşme toprağın korunmasını azaltabilir.

Kwa sababu hiyo bir ramani ya unyeti wa mmomonyoko, pekee “en dik yamaçları” göstermeyi amaçlamaz. Araştırmanın temel problemi; topoğrafya, uoto wa mimea, arazi kullanımı, drenaj, yağış na toprak bilgisinin aynı kijiografia modelde bir araya getirilmesi na hangi kombinasyonların gözlenen mmomonyoko noktalarıyla daha güçlü ilişkili olduğunun belirlenmesidir.

Ramani ya unyeti wa mmomonyoko ni nini?

Ramani ya unyeti wa mmomonyoko, fulani çevresel na topoğrafik koşullar altında bir alanın mmomonyoko gelişimine göreli yatkınlığını gösteren kijiografia bir darajalandırmadır. Utafiti huuda ramani “chini sana, chini, kati, juu na juu sana” olmak üzere beş darajaa ayrılmıştır; bu darajalar moja kwa moja yıllık ton/hektar cinsinden mmomonyoko miktarını değil, modele göre göreli mmomonyoko duyarlılığını inawakilisha.

Bu ayrım önemlidir. Çalışma RUSLE kama moja kwa moja yıllık toprak kaybı miktarı hesaplayan bir modeli kurmamakta; mmomonyoko bulunan na bulunmayan gözlem noktaları kwa çevresel kipengeleler arasındaki ilişkilerden bir unyeti darajalandırması üretmektedir.

kijibonde cha Lakhdar

Kwa mujibu wa utafiti chanzo kijibonde cha Lakhdar nchini Moroko Oum Er-Rbia hidrolojik sisteminin parçasıdır na Béni Mellal'in dağlık kesiminde takriban 3.503 km² alan kaplamaktadır. Havza güney na güneydoğuda Yüksek Atlas Dağlarıyla sınırlanır. Lakhdar Nehri ana drenaj eksenidir; Bernat Nehri ise önemli kollarından biridir. Hassan I na Sidi Driss barajları bölgenin sulama na içme suyu sistemi açısından önem taşımaktadır.

Kaynak katika maandishi yükseltinin 488 m kwa 4.017 m arasında değiştiği inaelezwa. Hata hivyo PDF'nin farklı ramaniında 600-3.885 m na 532-3.997 m kama farklı DEM aralıkları inaonekana. Bu farklılıkların raster kırpma, data sürümü veya figür üretimi nedeniyle oluşup oluşmadığı haijaelezwa; dolayısıyla tek bir harita lejandı chanzo katika maandishiki bütün çalışma alanının kesin yükselti aralığı kama haipaswi kutumiwa.

Arazi doğrulama verisi jinsi gani oluşturuldu?

Watafiti mmomonyoko na geçmişte mmomonyoko/heyelan olayı bildirilen alanlara ilişkin yerel na tarihsel bilgileri kullanarak saha noktaları oluşturmuş, konumları GPS kwa kaydetmiş na Google Earth üzerinden ayrıntılandırmıştır. Mmomonyoko gözlenen noktalar daraja 1 kama kodlanmıştır.

Mmomonyokoun bulunmadığını temsil eden daraja 0 örnekleri ise yoğun na homojen uoto wa mimeane sahip, doğal kama korunan na kararlı kabul edilen orman veya çayırlık alanlardan seçilmiştir. Bu yöntem modeli kwa açık bir negatif daraja sağlar; ancak “mmomonyokosuz” örneklerin rastgele bütün havzadan değil, özellikle kararlı bitkili alanlardan seçilmesi darajalar arasındaki çevresel farkı güçlendirebilir. Kwa sababu hiyo saha doğrulama terimi, tamamen bağımsız na rastgele örneklenmiş bir bölgesel mmomonyoko envanteri kama yorumlanmamalıdır.

Jumla 326 nokta ilitumika. Bunların 229'u (%70) mafunzo, 97'si (%30) jaribio kwa ayrılmıştır.

Vipengele vya awali

NDVI jinsi gani hesaplanmıştır?

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

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

şeklinde hesaplamaktadır. Genel kama daha yoğun na sağlıklı uoto wa mimea daha juu NDVI kwa temsil edilir. Çalışmanın SHAP analizi de NDVI'nın XGBoost kararlarındaki önemli değişkenlerden biri olduğunu inaonyesha.

Kaynakta “SPI” hangi göstergeyi ifade ediyor?

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

Çoklu bağlantı kontrolü: VIF na TOL

Faktörlerin birbirine aşırı derecede bağlı olması modeli yorumunu bozabileceğinden Variance Inflation Factor (VIF) na tolerance (TOL) ilitumika:

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

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

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

Mwinuko na mwinuko diğer değişkenlere kıyasla daha juu VIF göstermesine rağmen 10 sınırının altında kalmıştır. Waandishi bu iki değişkeni dağlık havzada fiziksel açıdan kritik olmaları nedeniyle modelde tutmuştur.

AHP kwa ujifunzaji wa mashine arasındaki temel fark ni nini?

AHP'de mmomonyokoa etki ettiği düşünülen kipengeleler uzman değerlendirmesiyle ikili kama karşılaştırılır na her kipengelee göreli bir ağırlık atanır. Random Forest na XGBoost'ta ise çevresel değişkenlerle gözlenen mmomonyoko/mmomonyokosuz darajaları arasındaki ilişkiler mafunzo verisinden öğrenilir. AHP daha şeffaf na kavramsal bir ağırlıklandırma sunarken RF na XGBoost doğrusal olmayan değişken etkileşimlerini moja kwa moja veriden öğrenebilir; buna karşılık ML matokeoları kullanılan örneklem na etiketlerin niteliğine daha güçlü biçimde bağlıdır.

AHP tutarlılık kontrolü

AHP'nin ikili karşılaştırma matrisi kwa consistency index:

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

na consistency ratio:

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

kama tanımlanmıştır. Kaynağa göre \(CR\leq0.1\) kabul edilebilir bir karşılaştırma tutarlılığına işaret eder. Utafiti huudaki AHP kwa CR takriban %7.8'dir; dolayısıyla kullanılan ağırlık matrisi kendi AHP tutarlılık ölçütünü sağlamaktadır.

Mbinu na matokeo ya utafiti

Ujifunzaji wa mashine modelleri

326 örneklik data setinin %70'i mafunzo na %30'u jaribio kwa ayrılmış; Random Forest, XGBoost na SVR ilitumika. Curvature çıkarıldıktan sonra kullanılan dokuz kipengele yükselti, mwinuko, bakı, yağış aşındırıcılığı, SPI, NDVI, LULC, toprak tipi na drenaj yoğunluğudur.

Kaynak ilk modeli taramasında darajalandırma problemine R² na RMSE değerleri de raporlamaktadır:

Bu değerler kaynağın raporladığı ön modeli ulinganishodır. Nihai mmomonyoko/mmomonyokosuz darajalandırma başarısı daha sonra ROC-AUC, TSS, accuracy, sensitivity na specificity kwa değerlendirilmiştir.

Random Forest

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

XGBoost

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

Vigezo vya uthibitishaji

Umaalumu:

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

Usikivu:

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

Precision:

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

True Skill Statistic:

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

kama tanımlanmıştır. Kaynak precision formülünü açıklamasına rağmen nihai Jedwali 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 kwa XGBoost'un 0.9762 değerinden çok az ni ya juu. Buna karşılık XGBoost TSS, accuracy, sensitivity na specificity değerlerinde RF'yi geçmektedir. Kwa hiyo chanzo verisi XGBoost'un genel darajalandırma dengesi bakımından hafif üstün olduğunu destekler; fakat RF'den bütün istatistiksel ölçütlerde daha iyi olduğunu desteklemez.

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

Usikivu darajaları jinsi gani değişti?

Yuvarlanmış tablo yüzdelerine göre RF'nin chini sana+chini darajaları %63, XGBoost'un %72 na AHP'nin %38'dir. Kaynak özet na tartışma metni RF kwa zaman zaman %62 ifadesini kullanmaktadır. RF na AHP sütunlarındaki yuvarlanmış yüzdeler toplamda %101 etmektedir; dolayısıyla yüzde toplamları ayrıca bir hassas alan hesabı kama haipaswi kutumiwa.

Yüksek+juu sana darajalarda RF takriban %23, XGBoost %9, AHP %32 raporlamaktadır. Yüksek riskin özellikle sehemu ya juu ya bondedaki daha dik, dağlık na uoto wa mimea daha zayıf alanlarda yoğunlaştığı inaelezwa.

Mutlak alan değerlerindeki chanzo sorunu

Kaynak Jedwali 5'teki daraja alanları toplandığında RF takriban 363.847 ha, XGBoost 363.843 ha na AHP 351.293 ha verir. Buna karşılık çalışma alanı katika maandishi 3.503 km², yani takriban 350.300 ha kama tanımlanmıştır. AHP toplamı buna yakın olsa da özellikle RF na XGBoost toplamları daha büyüktür. Kaynak farkın nedenini açıklamadığından daraja yüzdeleri korunmuş, fakat bu alan toplamları kesin havza alanı doğrulaması kama kullanılmamıştır.

SHAP analizi XGBoost kararları hakkında ne gösteriyor?

SHAP analizi, XGBoost tahminindeki her değişkenin modeli çıktısını yukarı veya aşağı kwa kiasi gani ittiğini Shapley kwa thamani açıklamaya çalışır. PDF'nin 35. sayfasındaki summary plot'ta LULC na NDVI güçlü etkiler gösterirken yükselti na mwinuko de önemli konumdadır. Aina ya udongo ise bu data setinde daha chini modeli katkısı inaonyesha.

Buradaki önemli nokta, global SHAP önem sıralamasıyla tek bir örneğin waterfall grafiğinin aynı şey olmamasıdır. PDF'nin 38. sayfasındaki örnek waterfall grafiğinde fulani bir örnek kwa LULC takriban +1.77, mwinuko +0.64, yağış aşındırıcılığı +0.49 na SPI -0.32 katkı inaonyesha. Bu sayılar bütün havza kwa değişken önem yüzdeleri si; pekee seçilmiş gözlemin modeli kararının parçalanmasıdır.

SHAP, “LULC mmomonyokoa tam şu miktarda fiziksel kama neden olur” sonucunu da göstermez. Modelin kullandığı değişkenlerle verdiği kararın açıklamasıdır na mafunzo data setindeki korelasyon yapısına bağlıdır.

Saha noktaları haritayla ne ölçüde örtüşüyor?

PDF'nin 41. sayfasındaki XGBoost unyeti ramaninda mmomonyoko na mmomonyokosuz gözlem noktaları modeli darajalarının üzerine bindirilmiştir. Waandishi juu unyeti bölgelerinin özellikle sehemu ya juu ya bondeda gözlenen mmomonyoko noktalarıyla, daha chini unyeti bölgelerinin ise sehemu ya chini ya bondedaki kararlı noktalarla uyumlu olduğunu yorumlamaktadır.

Hata hivyo aynı 326 noktanın modeli geliştirme na jaribio sürecinin temelini oluşturduğu unutulmamalıdır. Utafiti huu, tamamen bağımsız başka bir saha kampanyasıyla yapılmış dış doğrulama veya farklı bir havzada transfer jaribioi raporlamamaktadır.

Kinachoungwa mkono na utafiti na desteklemediği çıkarımlar

Çalışmanın başlıca yöntemsel sınırlılıkları

Model pekee 326 darajalandırılmış noktaya dayanır. Negatif daraja, yoğun na kararlı uoto wa mimeane sahip alanlardan seçildiği kwa örnekleme, havzanın bütün mmomonyokosuz çevresel çeşitliliğini eşit biçimde temsil etmeyebilir.

Curvature başlangıçtaki on kipengeleden çıkarıldığı kwa nihai ML modellerinin gerçekte dokuz kipengele kullanmasına rağmen makalenin bazı bölümleri hâlâ “on kipengele” 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 na kapsamlı k-fold dış doğrulama yapılandırması görünür katika maandishi sınırlı verilmiştir. Bu durum matokeoların bağımsız yeniden üretimini güçleştirebilir.

Jedwali 5'te modeli bazında raster alan toplamları çalışma alanı büyüklüğüyle tam uyuşmamaktadır. Kwa sababu hiyo daraja alanlarının yeniden üretilmesi kwa orijinal GIS rasterları na çalışma maskesi gerekli olacaktır.

Dokezo la chanzo na mbinu

Kichwa asilia: 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 kwa platform metadata'sı arasında sıra farkı bulunduğu kwa Verianla ana kimliğinde PDF sırası korunmuştur.

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

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

Aina ya chanzo: Preprint; PDF her sayfada çalışmanın hakem değerlendirmesinden geçmediğini belirtmektedir.

SSRN: Abstract ID 6992808.

DOI: 10.2139/ssrn.6992808.

SSRN yayın tarihi: 24 Haziran 2026.

Idadi ya kurasa: 42.

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

Lisans / telif: SSRN kayıt sayfası hak sahibinin SSRN'ye lisans verdiğini na izinsiz yeniden kullanıma izin verilmediğini belirtmektedir. Kaynak ramaniı na SHAP figürleri piksel düzeyinde kopyalanmak yerine Verianla kwa özgün kama yeniden çizilmelidir.

Ufadhili: Waandishi makalenin hazırlanması sırasında fon, hibe veya başka bir destek alınmadığını beyan etmektedir.

Mgongano wa maslahi: Waandishi ilgili mali veya mali olmayan çıkar bildirmemiştir.

Upatikanaji wa data: Çalışma sırasında üretilen data setlerinin makul talep üzerine sorumlu yazardan edinilebileceği inaelezwa.

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

Kaynak içi kritik tutarsızlıklar:

Ufaafu wa Verianla Live: Juu sana. En güçlü Live blokları AHP-RF-XGBoost doğrulama metrikleri, beş unyeti darajaının dağılımı, VIF/TOL ulinganisho na global SHAP kipengele sıralamasıdır. SHAP waterfall örneği ise global önem grafiği kama kullanılmamalı; tek örneğe ait lokal açıklama kama etiketlenmelidir.

Ufaafu wa kuchora upya taswira: Juu sana. Lakhdar havzasının topoğrafik kesiti, çevresel data katmanlarının GIS üzerinde üst üste gelmesi, AHP-RF-XGBoost üçlü harita ulinganisho, ROC eğrilerinin kavramsal görünümü na SHAP kipengele etkileri özgün Verianla infografiğine dönüştürülebilir.