Bu çalışma, Fas'taki Lakhdar alt havzasında toprak erozyonuna duyarlı bölgelerin belirlenmesinde geleneksel çok kriterli Analitik Hiyerarşi Süreci (AHP) ile iki makine öğrenmesi yaklaşımını, Random Forest (RF) ve XGBoost'u karşılaştırmaktadır. Araştırmacılar topoğrafya, arazi örtüsü, bitki yoğunluğu, yağış aşındırıcılığı, drenaj yapısı ve toprak özelliklerini temsil eden çevresel katmanları saha gözlem noktalarıyla birleştirerek erozyon duyarlılık haritaları üretmiştir. Başlangıçta on faktör ele alınmış, curvature değişkeni sabit/düşük değişkenlik gösterdiği için çıkarılmış ve makine öğrenmesi modelleri dokuz açıklayıcı faktörle uygulanmıştır.

Model doğrulamasında AHP için AUC 0.7864, Random Forest için 0.9775 ve XGBoost için 0.9762 bulunmuştur. Dolayısıyla RF ile XGBoost'un ayrıştırma gücü AHP'den belirgin biçimde yüksektir. Bununla birlikte XGBoost; TSS=0.9025, accuracy=0.9509, sensitivity=0.9405 ve specificity=0.9620 değerleriyle bu dört ölçütte RF'nin önüne geçmektedir. RF'nin AUC'si ise XGBoost'tan çok küçük bir farkla daha yüksektir. Bu nedenle sonuç, “XGBoost bütün ölçütlerde kazanıyor” şeklinde değil, iki ML modelinin birbirine çok yakın olduğu ve XGBoost'un genel sınıflandırma dengesinde hafif üstünlük gösterdiği şeklinde okunmalıdır.

Mekânsal sonuçlarda XGBoost havzanın yaklaşık %72'sini çok düşük veya düşük erozyon duyarlılığı sınıfına, yaklaşık %9'unu ise yüksek veya çok yüksek sınıfa yerleştirmiştir. RF için bu oranlar kaynak metinde yaklaşık %62-63 düşük/çok düşük ve %23 yüksek/çok yüksek olarak raporlanmıştır. AHP ise havzanın yaklaşık %32'sini yüksek veya çok yüksek duyarlılığa sahip göstermektedir. Üç yaklaşım genel olarak daha düz ve bitki örtüsünün daha güçlü olduğu aşağı havza bölgelerini daha düşük riskli; eğimin arttığı, engebeli ve bitki örtüsünün zayıfladığı yukarı havza bölgelerini ise daha yüksek duyarlılıklı olarak tanımlar.

SHAP analizi XGBoost kararlarında özellikle arazi kullanımı/arazi örtüsü (LULC), NDVI, yükselti ve eğimin güçlü belirleyiciler olduğunu göstermektedir. Ancak SHAP değerleri nedensel bir erozyon yasası değildir; eğitilmiş modelin belirli veri kümesindeki karar mekanizmasının açıklamasıdır. Ayrıca çalışma yalnız Lakhdar havzası ve kullanılan 326 erozyon/erozyonsuz örnek nokta çerçevesinde doğrulanmıştır; sonuçlar yeni havzalara doğrudan aktarılmış bağımsız dış doğrulama olarak değerlendirilmemelidir.

Toprak erozyonu neden yalnız bir eğim problemi değildir?

Toprak erozyonu, yüzeydeki parçacıkların kopması, taşınması ve başka bir konumda çökelmesiyle gelişen çok faktörlü bir süreçtir. Eğim ve yükselti akışın enerjisini etkilerken, yağış şiddeti toprağın parçalanmasına ve yüzey akışına enerji sağlar. Bitki örtüsü yağmur damlasının doğrudan etkisini azaltabilir, kök sistemiyle toprağı stabilize edebilir ve yüzey akışını yavaşlatabilir. Buna karşılık çıplak zemin, ormansızlaşma, tarımsal baskı ve kentleşme toprağın korunmasını azaltabilir.

Bu nedenle bir erozyon duyarlılık haritası, yalnız “en dik yamaçları” göstermeyi amaçlamaz. Araştırmanın temel problemi; topoğrafya, bitki örtüsü, arazi kullanımı, drenaj, yağış ve toprak bilgisinin aynı mekânsal modelde bir araya getirilmesi ve hangi kombinasyonların gözlenen erozyon noktalarıyla daha güçlü ilişkili olduğunun belirlenmesidir.

Erozyon duyarlılık haritası nedir?

Erozyon duyarlılık haritası, belirli çevresel ve topoğrafik koşullar altında bir alanın erozyon gelişimine göreli yatkınlığını gösteren mekânsal bir sınıflandırmadır. Bu çalışmada haritalar “çok düşük, düşük, orta, yüksek ve çok yüksek” olmak üzere beş sınıfa ayrılmıştır; bu sınıflar doğrudan yıllık ton/hektar cinsinden erozyon miktarını değil, modele göre göreli erozyon duyarlılığını temsil eder.

Bu ayrım önemlidir. Çalışma RUSLE gibi doğrudan yıllık toprak kaybı miktarı hesaplayan bir model kurmamakta; erozyon bulunan ve bulunmayan gözlem noktaları ile çevresel faktörler arasındaki ilişkilerden bir duyarlılık sınıflandırması üretmektedir.

Lakhdar alt havzası

Kaynak çalışmaya göre Lakhdar alt havzası Fas'taki Oum Er-Rbia hidrolojik sisteminin parçasıdır ve Béni Mellal'in dağlık kesiminde yaklaşık 3.503 km² alan kaplamaktadır. Havza güney ve güneydoğuda Yüksek Atlas Dağlarıyla sınırlanır. Lakhdar Nehri ana drenaj eksenidir; Bernat Nehri ise önemli kollarından biridir. Hassan I ve Sidi Driss barajları bölgenin sulama ve içme suyu sistemi açısından önem taşımaktadır.

Kaynak metinde yükseltinin 488 m ile 4.017 m arasında değiştiği belirtilmektedir. Bununla birlikte PDF'nin farklı haritalarında 600-3.885 m ve 532-3.997 m gibi farklı DEM aralıkları görülmektedir. Bu farklılıkların raster kırpma, veri sürümü veya figür üretimi nedeniyle oluşup oluşmadığı açıklanmamıştır; dolayısıyla tek bir harita lejandı kaynak metindeki bütün çalışma alanının kesin yükselti aralığı olarak kullanılmamalıdır.

Arazi doğrulama verisi nasıl oluşturuldu?

Araştırmacılar erozyon ve geçmişte erozyon/heyelan olayı bildirilen alanlara ilişkin yerel ve tarihsel bilgileri kullanarak saha noktaları oluşturmuş, konumları GPS ile kaydetmiş ve Google Earth üzerinden ayrıntılandırmıştır. Erozyon gözlenen noktalar sınıf 1 olarak kodlanmıştır.

Erozyonun bulunmadığını temsil eden sınıf 0 örnekleri ise yoğun ve homojen bitki örtüsüne sahip, doğal olarak korunan ve kararlı kabul edilen orman veya çayırlık alanlardan seçilmiştir. Bu yöntem model için açık bir negatif sınıf sağlar; ancak “erozyonsuz” örneklerin rastgele bütün havzadan değil, özellikle kararlı bitkili alanlardan seçilmesi sınıflar arasındaki çevresel farkı güçlendirebilir. Bu nedenle saha doğrulama terimi, tamamen bağımsız ve rastgele örneklenmiş bir bölgesel erozyon envanteri gibi yorumlanmamalıdır.

Toplam 326 nokta kullanılmıştır. Bunların 229'u (%70) eğitim, 97'si (%30) test için ayrılmıştır.

Başlangıçtaki faktörler

NDVI nasıl hesaplanmıştır?

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

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

şeklinde hesaplamaktadır. Genel olarak daha yoğun ve sağlıklı bitki örtüsü daha yüksek NDVI ile temsil edilir. Çalışmanın SHAP analizi de NDVI'nın XGBoost kararlarındaki önemli değişkenlerden biri olduğunu göstermektedir.

Kaynakta “SPI” hangi göstergeyi ifade ediyor?

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

Çoklu bağlantı kontrolü: VIF ve TOL

Faktörlerin birbirine aşırı derecede bağlı olması model yorumunu bozabileceğinden Variance Inflation Factor (VIF) ve tolerance (TOL) kullanılmıştır:

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

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

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

Yükselti ve eğim diğer değişkenlere kıyasla daha yüksek VIF göstermesine rağmen 10 sınırının altında kalmıştır. Yazarlar bu iki değişkeni dağlık havzada fiziksel açıdan kritik olmaları nedeniyle modelde tutmuştur.

AHP ile makine öğrenmesi arasındaki temel fark nedir?

AHP'de erozyona etki ettiği düşünülen faktörler uzman değerlendirmesiyle ikili olarak karşılaştırılır ve her faktöre göreli bir ağırlık atanır. Random Forest ve XGBoost'ta ise çevresel değişkenlerle gözlenen erozyon/erozyonsuz sınıfları arasındaki ilişkiler eğitim verisinden öğrenilir. AHP daha şeffaf ve kavramsal bir ağırlıklandırma sunarken RF ve XGBoost doğrusal olmayan değişken etkileşimlerini doğrudan veriden öğrenebilir; buna karşılık ML sonuçları kullanılan örneklem ve etiketlerin niteliğine daha güçlü biçimde bağlıdır.

AHP tutarlılık kontrolü

AHP'nin ikili karşılaştırma matrisi için consistency index:

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

ve consistency ratio:

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

olarak tanımlanmıştır. Kaynağa göre \(CR\leq0.1\) kabul edilebilir bir karşılaştırma tutarlılığına işaret eder. Bu çalışmadaki AHP için CR yaklaşık %7.8'dir; dolayısıyla kullanılan ağırlık matrisi kendi AHP tutarlılık ölçütünü sağlamaktadır.

Çalışmanın Yöntemi ve Bulguları

Makine öğrenmesi modelleri

326 örneklik veri setinin %70'i eğitim ve %30'u test için ayrılmış; Random Forest, XGBoost ve SVR uygulanmıştır. Curvature çıkarıldıktan sonra kullanılan dokuz faktör yükselti, eğim, bakı, yağış aşındırıcılığı, SPI, NDVI, LULC, toprak tipi ve drenaj yoğunluğudur.

Kaynak ilk model taramasında sınıflandırma problemine R² ve RMSE değerleri de raporlamaktadır:

Bu değerler kaynağın raporladığı ön model karşılaştırmasıdır. Nihai erozyon/erozyonsuz sınıflandırma başarısı daha sonra ROC-AUC, TSS, accuracy, sensitivity ve specificity ile değerlendirilmiştir.

Random Forest

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

XGBoost

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

Doğrulama ölçütleri

Özgüllük:

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

Duyarlılık:

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

Precision:

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

True Skill Statistic:

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

olarak tanımlanmıştır. Kaynak precision formülünü açıklamasına rağmen nihai Tablo 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 ile XGBoost'un 0.9762 değerinden çok az yüksektir. Buna karşılık XGBoost TSS, accuracy, sensitivity ve specificity değerlerinde RF'yi geçmektedir. Dolayısıyla kaynak verisi XGBoost'un genel sınıflandırma dengesi bakımından hafif üstün olduğunu destekler; fakat RF'den bütün istatistiksel ölçütlerde daha iyi olduğunu desteklemez.

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

Duyarlılık sınıfları nasıl değişti?

Yuvarlanmış tablo yüzdelerine göre RF'nin çok düşük+düşük sınıfları %63, XGBoost'un %72 ve AHP'nin %38'dir. Kaynak özet ve tartışma metni RF için zaman zaman %62 ifadesini kullanmaktadır. RF ve AHP sütunlarındaki yuvarlanmış yüzdeler toplamda %101 etmektedir; dolayısıyla yüzde toplamları ayrıca bir hassas alan hesabı olarak kullanılmamalıdır.

Yüksek+çok yüksek sınıflarda RF yaklaşık %23, XGBoost %9, AHP %32 raporlamaktadır. Yüksek riskin özellikle yukarı havzadaki daha dik, dağlık ve bitki örtüsü daha zayıf alanlarda yoğunlaştığı belirtilmektedir.

Mutlak alan değerlerindeki kaynak sorunu

Kaynak Tablo 5'teki sınıf alanları toplandığında RF yaklaşık 363.847 ha, XGBoost 363.843 ha ve AHP 351.293 ha verir. Buna karşılık çalışma alanı metinde 3.503 km², yani yaklaşık 350.300 ha olarak tanımlanmıştır. AHP toplamı buna yakın olsa da özellikle RF ve XGBoost toplamları daha büyüktür. Kaynak farkın nedenini açıklamadığından sınıf yüzdeleri korunmuş, fakat bu alan toplamları kesin havza alanı doğrulaması olarak kullanılmamıştır.

SHAP analizi XGBoost kararları hakkında ne gösteriyor?

SHAP analizi, XGBoost tahminindeki her değişkenin model çıktısını yukarı veya aşağı ne kadar ittiğini Shapley değerleriyle açıklamaya çalışır. PDF'nin 35. sayfasındaki summary plot'ta LULC ve NDVI güçlü etkiler gösterirken yükselti ve eğim de önemli konumdadır. Toprak tipi ise bu veri setinde daha düşük model katkısı göstermektedir.

Buradaki önemli nokta, global SHAP önem sıralamasıyla tek bir örneğin waterfall grafiğinin aynı şey olmamasıdır. PDF'nin 38. sayfasındaki örnek waterfall grafiğinde belirli bir örnek için LULC yaklaşık +1.77, eğim +0.64, yağış aşındırıcılığı +0.49 ve SPI -0.32 katkı göstermektedir. Bu sayılar bütün havza için değişken önem yüzdeleri değildir; yalnız seçilmiş gözlemin model kararının parçalanmasıdır.

SHAP, “LULC erozyona tam şu miktarda fiziksel olarak neden olur” sonucunu da göstermez. Modelin kullandığı değişkenlerle verdiği kararın açıklamasıdır ve eğitim veri setindeki korelasyon yapısına bağlıdır.

Saha noktaları haritayla ne ölçüde örtüşüyor?

PDF'nin 41. sayfasındaki XGBoost duyarlılık haritasında erozyon ve erozyonsuz gözlem noktaları model sınıflarının üzerine bindirilmiştir. Yazarlar yüksek duyarlılık bölgelerinin özellikle yukarı havzada gözlenen erozyon noktalarıyla, daha düşük duyarlılık bölgelerinin ise aşağı havzadaki kararlı noktalarla uyumlu olduğunu yorumlamaktadır.

Bununla birlikte aynı 326 noktanın model geliştirme ve test sürecinin temelini oluşturduğu unutulmamalıdır. Bu çalışma, tamamen bağımsız başka bir saha kampanyasıyla yapılmış dış doğrulama veya farklı bir havzada transfer testi raporlamamaktadır.

Çalışmanın desteklediği ve desteklemediği çıkarımlar

Çalışmanın başlıca yöntemsel sınırlılıkları

Model yalnız 326 sınıflandırılmış noktaya dayanır. Negatif sınıf, yoğun ve kararlı bitki örtüsüne sahip alanlardan seçildiği için örnekleme, havzanın bütün erozyonsuz çevresel çeşitliliğini eşit biçimde temsil etmeyebilir.

Curvature başlangıçtaki on faktörden çıkarıldığı için nihai ML modellerinin gerçekte dokuz faktör kullanmasına rağmen makalenin bazı bölümleri hâlâ “on faktör” 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 ve kapsamlı k-fold dış doğrulama yapılandırması görünür metinde sınırlı verilmiştir. Bu durum sonuçların bağımsız yeniden üretimini güçleştirebilir.

Tablo 5'te model bazında raster alan toplamları çalışma alanı büyüklüğüyle tam uyuşmamaktadır. Bu nedenle sınıf alanlarının yeniden üretilmesi için orijinal GIS rasterları ve çalışma maskesi gerekli olacaktır.

Kaynak ve Yöntem Notu

Özgün başlık: 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 ile platform metadata'sı arasında sıra farkı bulunduğu için Verianla ana kimliğinde PDF sırası korunmuştur.

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

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

Kaynak türü: Preprint; PDF her sayfada çalışmanın hakem değerlendirmesinden geçmediğini belirtmektedir.

SSRN: Abstract ID 6992808.

DOI: 10.2139/ssrn.6992808.

SSRN yayın tarihi: 24 Haziran 2026.

Sayfa sayısı: 42.

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

Lisans / telif: SSRN kayıt sayfası hak sahibinin SSRN'ye lisans verdiğini ve izinsiz yeniden kullanıma izin verilmediğini belirtmektedir. Kaynak haritaları ve SHAP figürleri piksel düzeyinde kopyalanmak yerine Verianla için özgün olarak yeniden çizilmelidir.

Finansman: Yazarlar makalenin hazırlanması sırasında fon, hibe veya başka bir destek alınmadığını beyan etmektedir.

Çıkar çatışması: Yazarlar ilgili mali veya mali olmayan çıkar bildirmemiştir.

Veri erişilebilirliği: Çalışma sırasında üretilen veri setlerinin makul talep üzerine sorumlu yazardan edinilebileceği belirtilmektedir.

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

Kaynak içi kritik tutarsızlıklar:

Verianla Live uygunluğu: Çok yüksek. En güçlü Live blokları AHP-RF-XGBoost doğrulama metrikleri, beş duyarlılık sınıfının dağılımı, VIF/TOL karşılaştırması ve global SHAP faktör sıralamasıdır. SHAP waterfall örneği ise global önem grafiği gibi kullanılmamalı; tek örneğe ait lokal açıklama olarak etiketlenmelidir.

Görsel yeniden çizim uygunluğu: Çok yüksek. Lakhdar havzasının topoğrafik kesiti, çevresel veri katmanlarının GIS üzerinde üst üste gelmesi, AHP-RF-XGBoost üçlü harita karşılaştırması, ROC eğrilerinin kavramsal görünümü ve SHAP faktör etkileri özgün Verianla infografiğine dönüştürülebilir.