Ин таҳқиқот, дар Марокаш зерҳавзаи Лахдарnda эрозияи хокna duyarlı bölgelerin belirlenmesinde анъанавӣ бисёрмеъёра Раванди иерархияи таҳлилӣ (AHP) бо iki омӯзиши мошинӣ yaklaşımını, Random Forest (RF) ва XGBoost'u муқоиса мекунад. Муҳаққиқон topoğrafya, arazi örtüsü, bitki yoğunluğu, yağış aşındırıcılığı, drenaj yapısı ва toprak özelliklerini temsil eden çevresel katmanları бо нуқтаҳои мушоҳидаи саҳроӣ birleştirerek эрозия ҳассосият харитаҳоı üretmiştir. Дар оғоз on омил ele alınmış, curvature değişkeni sabit/паст değişkenlik gösterdiği барои хориҷ карда шуд ва омӯзиши мошинӣ modelleri dokuz açıklayıcı омилle татбиқ шудааст.

Дар тасдиқи модел AHP барои AUC 0.7864, Random Forest барои 0.9775 ва XGBoost барои 0.9762 ёфт шуд. Аз ин рӯ RF бо XGBoost'un ayrıştırma gücü AHP'den belirgin biçimde баланд аст. Бо вуҷуди ин XGBoost; TSS=0.9025, accuracy=0.9509, sensitivity=0.9405 ва specificity=0.9620 бо арзишҳо bu dört ölçütte RF'nin önüne geçmektedir. RF'nin AUC'si ise XGBoost'tan çok küçük bir farkla daha баланд аст. Аз ин сабаб натиҷа, “XGBoost bütün ölçütlerde kazanıyor” şeklinde değil, iki ML modelinin birbirine çok yakın olduğu ва XGBoost'un genel синфlandırma dengesinde hafif üstünlük gösterdiği şeklinde okunmalıdır.

Фазоӣ натиҷаlarda XGBoost havzanın тақрибан %72'sini хеле паст veya паст эрозия duyarlılığı синфına, тақрибан %9'unu ise баланд veya хеле баланд синфa yerleştirmiştir. RF барои bu oranlar манбаъ дар матн тақрибан %62-63 паст/хеле паст ва %23 баланд/хеле баланд ҳамчун гузориш шудааст. AHP ise havzanın тақрибан %32'sini баланд veya хеле баланд duyarlılığa sahip нишон медиҳад. Üç yaklaşım умуман daha düz ва пӯшиши растанӣnün daha güçlü olduğu қисми поёнии ҳавза bölgelerini daha паст riskli; нишебӣin arttığı, engebeli ва пӯшиши растанӣnün zayıfladığı қисми болоии ҳавза bölgelerini ise daha баланд ҳассосиятlı ҳамчун tanımlar.

SHAP analizi XGBoost kararlarında özellikle arazi kullanımı/arazi örtüsü (LULC), NDVI, yükselti ва нишебӣin güçlü belirleyiciler olduğunu нишон медиҳад. Ancak SHAP değerleri nedensel bir эрозия yasası нест; eğitilmiş modelin муайян дода kümesindeki karar mekanizmasının açıklamasıdır. Ayrıca çalışma танҳо Lakhdar havzası ва kullanılan 326 эрозия/эрозияsuz örnek nokta çerçevesinde doğrulanmıştır; натиҷаlar yeni havzalara мустақим aktarılmış bağımsız dış doğrulama ҳамчун değerlendirilmemelidir.

Эрозияи хок neden танҳо bir нишебӣ problemi нест?

Эрозияи хок, yüzeydeki parçacıkların kopması, taşınması ва başka bir konumda çökelmesiyle gelişen бисёромила bir раванд аст. Eğim ва yükselti akışın enerjisini etkilerken, yağış şiddeti toprağın parçalanmasına ва yüzey akışına enerji sağlar. Bitki örtüsü yağmur damlasının мустақим etkisini azaltabilir, kök sistemiyle toprağı stabilize edebilir ва yüzey akışını yavaşlatabilir. Buna karşılık çıplak zemin, ormansızlaşma, tarımsal baskı ва kentleşme toprağın korunmasını azaltabilir.

Аз ин сабаб bir харитаи ҳассосияти эрозия, танҳо “en dik yamaçları” göstermeyi amaçlamaz. Araştırmanın temel problemi; topoğrafya, пӯшиши растанӣ, arazi kullanımı, drenaj, yağış ва toprak bilgisinin aynı фазоӣ modelde bir araya getirilmesi ва hangi kombinasyonların gözlenen эрозия noktalarıyla daha güçlü ilişkili olduğunun belirlenmesidir.

Харитаи ҳассосияти эрозия чист?

Харитаи ҳассосияти эрозия, муайян çevresel ва topoğrafik koşullar altında bir alanın эрозия gelişimine göreli yatkınlığını gösteren фазоӣ bir синфlandırmadır. Ин таҳқиқотda харитаҳо “хеле паст, паст, миёна, баланд ва хеле баланд” olmak üzere beş синфa ayrılmıştır; bu синфlar мустақим yıllık ton/hektar cinsinden эрозия miktarını değil, modele göre göreli эрозия duyarlılığını ифода мекунад.

Bu ayrım önemlidir. Çalışma RUSLE монанди мустақим yıllık toprak kaybı miktarı hesaplayan bir модел kurmamakta; эрозия bulunan ва bulunmayan gözlem noktaları бо çevresel омилler arasındaki ilişkilerden bir ҳассосият синфlandırması üretmektedir.

зерҳавзаи Лахдар

Тибқи таҳқиқоти манбаъ зерҳавзаи Лахдар дар Марокаш Oum Er-Rbia hidrolojik sisteminin parçasıdır ва Béni Mellal'in dağlık kesiminde тақрибан 3.503 km² alan kaplamaktadır. Havza güney ва güneydoğuda Yüksek Atlas Dağlarıyla sınırlanır. Lakhdar Nehri ana drenaj eksenidir; Bernat Nehri ise önemli kollarından biridir. Hassan I ва Sidi Driss barajları bölgenin sulama ва içme suyu sistemi açısından önem taşımaktadır.

Kaynak дар матн yükseltinin 488 m бо 4.017 m arasında değiştiği зикр мешавад. Бо вуҷуди ин PDF'nin farklı харитаҳоında 600-3.885 m ва 532-3.997 m монанди farklı DEM aralıkları дида мешавад. Bu farklılıkların raster kırpma, дода sürümü veya figür üretimi nedeniyle oluşup oluşmadığı шарҳ дода нашудааст; dolayısıyla tek bir harita lejandı манбаъ дар матнki bütün çalışma alanının kesin yükselti aralığı ҳамчун истифода набояд шавад.

Arazi doğrulama verisi чӣ гуна oluşturuldu?

Муҳаққиқон эрозия ва geçmişte эрозия/heyelan olayı bildirilen alanlara ilişkin yerel ва tarihsel bilgileri kullanarak saha noktaları oluşturmuş, konumları GPS бо kaydetmiş ва Google Earth üzerinden ayrıntılandırmıştır. Эрозия gözlenen noktalar синф 1 ҳамчун kodlanmıştır.

Эрозияun bulunmadığını temsil eden синф 0 örnekleri ise yoğun ва homojen пӯшиши растанӣne sahip, doğal ҳамчун korunan ва kararlı kabul edilen orman veya çayırlık alanlardan seçilmiştir. Bu yöntem модел барои açık bir negatif синф sağlar; ancak “эрозияsuz” örneklerin rastgele bütün havzadan değil, özellikle kararlı bitkili alanlardan seçilmesi синфlar arasındaki çevresel farkı güçlendirebilir. Аз ин сабаб saha doğrulama terimi, tamamen bağımsız ва rastgele örneklenmiş bir bölgesel эрозия envanteri монанди yorumlanmamalıdır.

Ҳамагӣ 326 nokta истифода шудааст. Bunların 229'u (%70) омӯзиш, 97'si (%30) санҷиш барои ayrılmıştır.

Омилҳои ибтидоӣ

NDVI чӣ гуна hesaplanmıştır?

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

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

şeklinde hesaplamaktadır. Genel ҳамчун daha yoğun ва sağlıklı пӯшиши растанӣ daha баланд NDVI бо temsil edilir. Çalışmanın SHAP analizi de NDVI'nın XGBoost kararlarındaki önemli değişkenlerden biri olduğunu нишон медиҳад.

Kaynakta “SPI” hangi göstergeyi ifade ediyor?

Bu PDF'de SPI terimi kendi içinde tutarlı kullanılmamıştır. Ҷадвал 1'de SPI, DEM ва akış birikiminden hesaplanan \(SPI=A_s\tan\theta\) formülüyle verilmektedir; bu tanım hidrolojideki Stream Power Index'e karşılık gelir. Buna karşın yöntem ва tartışma bölümlerinin bazı kısımlarında aynı kısaltma Standardized Precipitation Index ҳамчун açıklanmıştır. Şekildeki SPI харита da drenaj/topografya ağıyla ilişkili bir desen нишон медиҳад. Аз ин сабаб манбаъ yeniden analiz edilmeden iki farklı SPI anlamından birini bütün makale boyunca kesin doğru kabul etmek güvenli нест.

Çoklu bağlantı kontrolü: VIF ва TOL

Faktörlerin birbirine aşırı derecede bağlı olması модел yorumunu bozabileceğinden Variance Inflation Factor (VIF) ва tolerance (TOL) истифода шудааст:

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

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

Kaynak, VIF>10 veya TOL<0.1 değerlerini ciddi çoklu bağlantı göstergesi ҳамчун kabul etmektedir. Curvature değişkeni sabit арзиш göstermesi nedeniyle analizin başında хориҷ карда шудtır.

Баландӣ ва нишебӣ diğer değişkenlere kıyasla daha баланд VIF göstermesine rağmen 10 sınırının altında kalmıştır. Муаллифон bu iki değişkeni dağlık havzada fiziksel açıdan kritik olmaları nedeniyle modelde tutmuştur.

AHP бо омӯзиши мошинӣ arasındaki temel fark чист?

AHP'de эрозияa etki ettiği düşünülen омилler uzman değerlendirmesiyle ikili ҳамчун karşılaştırılır ва her омилe göreli bir ağırlık atanır. Random Forest ва XGBoost'ta ise çevresel değişkenlerle gözlenen эрозия/эрозияsuz синфları arasındaki ilişkiler омӯзиш verisinden öğrenilir. AHP daha şeffaf ва kavramsal bir ağırlıklandırma sunarken RF ва XGBoost doğrusal olmayan değişken etkileşimlerini мустақим veriden öğrenebilir; buna karşılık ML натиҷаları kullanılan örneklem ва etiketlerin niteliğine daha güçlü biçimde bağlıdır.

AHP tutarlılık kontrolü

AHP'nin ikili karşılaştırma matrisi барои consistency index:

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

ва consistency ratio:

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

ҳамчун tanımlanmıştır. Kaynağa göre \(CR\leq0.1\) kabul edilebilir bir karşılaştırma tutarlılığına işaret eder. Ин таҳқиқотdaki AHP барои CR тақрибан %7.8'dir; dolayısıyla kullanılan ağırlık matrisi kendi AHP tutarlılık ölçütünü sağlamaktadır.

Усул ва натиҷаҳои таҳқиқот

Омӯзиши мошинӣ modelleri

326 örneklik дода setinin %70'i омӯзиш ва %30'u санҷиш барои ayrılmış; Random Forest, XGBoost ва SVR татбиқ шудааст. Curvature çıkarıldıktan sonra kullanılan dokuz омил yükselti, нишебӣ, bakı, yağış aşındırıcılığı, SPI, NDVI, LULC, toprak tipi ва drenaj yoğunluğudur.

Kaynak ilk модел taramasında синфlandırma problemine R² ва RMSE değerleri de raporlamaktadır:

Bu değerler kaynağın raporladığı ön модел муқоисаdır. Nihai эрозия/эрозияsuz синфlandırma başarısı daha sonra ROC-AUC, TSS, accuracy, sensitivity ва specificity бо değerlendirilmiştir.

Random Forest

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

XGBoost

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

Меъёрҳои тасдиқ

Хосият:

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

Ҳассосият:

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

Precision:

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

True Skill Statistic:

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

ҳамчун tanımlanmıştır. Kaynak precision formülünü açıklamasına rağmen nihai Ҷадвал 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 бо XGBoost'un 0.9762 değerinden çok az баланд аст. Buna karşılık XGBoost TSS, accuracy, sensitivity ва specificity değerlerinde RF'yi geçmektedir. Аз ин рӯ манбаъ verisi XGBoost'un genel синфlandırma dengesi bakımından hafif üstün olduğunu destekler; fakat RF'den bütün istatistiksel ölçütlerde daha iyi olduğunu desteklemez.

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

Ҳассосият синфları чӣ гуна değişti?

Yuvarlanmış tablo yüzdelerine göre RF'nin хеле паст+паст синфları %63, XGBoost'un %72 ва AHP'nin %38'dir. Kaynak özet ва tartışma metni RF барои zaman zaman %62 ifadesini kullanmaktadır. RF ва AHP sütunlarındaki yuvarlanmış yüzdeler toplamda %101 etmektedir; dolayısıyla yüzde toplamları ayrıca bir hassas alan hesabı ҳамчун истифода набояд шавад.

Yüksek+хеле баланд синфlarda RF тақрибан %23, XGBoost %9, AHP %32 raporlamaktadır. Yüksek riskin özellikle қисми болоии ҳавзаdaki daha dik, dağlık ва пӯшиши растанӣ daha zayıf alanlarda yoğunlaştığı зикр мешавад.

Mutlak alan değerlerindeki манбаъ sorunu

Kaynak Ҷадвал 5'teki синф alanları toplandığında RF тақрибан 363.847 ha, XGBoost 363.843 ha ва AHP 351.293 ha verir. Buna karşılık çalışma alanı дар матн 3.503 km², yani тақрибан 350.300 ha ҳамчун tanımlanmıştır. AHP toplamı buna yakın olsa da özellikle RF ва XGBoost toplamları daha büyüktür. Kaynak farkın nedenini açıklamadığından синф yüzdeleri korunmuş, fakat bu alan toplamları kesin havza alanı doğrulaması ҳамчун kullanılmamıştır.

SHAP analizi XGBoost kararları hakkında ne gösteriyor?

SHAP analizi, XGBoost tahminindeki her değişkenin модел çıktısını yukarı veya aşağı то чӣ андоза ittiğini Shapley бо арзишҳо açıklamaya çalışır. PDF'nin 35. sayfasındaki summary plot'ta LULC ва NDVI güçlü etkiler gösterirken yükselti ва нишебӣ de önemli konumdadır. Навъи хок ise bu дода setinde daha паст модел katkısı нишон медиҳад.

Buradaki önemli nokta, global SHAP önem sıralamasıyla tek bir örneğin waterfall grafiğinin aynı şey olmamasıdır. PDF'nin 38. sayfasındaki örnek waterfall grafiğinde муайян bir örnek барои LULC тақрибан +1.77, нишебӣ +0.64, yağış aşındırıcılığı +0.49 ва SPI -0.32 katkı нишон медиҳад. Bu sayılar bütün havza барои değişken önem yüzdeleri нест; танҳо seçilmiş gözlemin модел kararının parçalanmasıdır.

SHAP, “LULC эрозияa tam şu miktarda fiziksel ҳамчун neden olur” sonucunu da göstermez. Modelin kullandığı değişkenlerle verdiği kararın açıklamasıdır ва омӯзиш дода setindeki korelasyon yapısına bağlıdır.

Saha noktaları haritayla ne ölçüde örtüşüyor?

PDF'nin 41. sayfasındaki XGBoost ҳассосият харитаnda эрозия ва эрозияsuz gözlem noktaları модел синфlarının üzerine bindirilmiştir. Муаллифон баланд ҳассосият bölgelerinin özellikle қисми болоии ҳавзаda gözlenen эрозия noktalarıyla, daha паст ҳассосият bölgelerinin ise қисми поёнии ҳавзаdaki kararlı noktalarla uyumlu olduğunu yorumlamaktadır.

Бо вуҷуди ин aynı 326 noktanın модел geliştirme ва санҷиш sürecinin temelini oluşturduğu unutulmamalıdır. Ин таҳқиқот, tamamen bağımsız başka bir saha kampanyasıyla yapılmış dış doğrulama veya farklı bir havzada transfer санҷишi raporlamamaktadır.

Он чи таҳқиқот дастгирӣ мекунад ва desteklemediği çıkarımlar

Çalışmanın başlıca yöntemsel sınırlılıkları

Model танҳо 326 синфlandırılmış noktaya dayanır. Negatif синф, yoğun ва kararlı пӯшиши растанӣne sahip alanlardan seçildiği барои örnekleme, havzanın bütün эрозияsuz çevresel çeşitliliğini eşit biçimde temsil etmeyebilir.

Curvature başlangıçtaki on омилden çıkarıldığı барои nihai ML modellerinin gerçekte dokuz омил kullanmasına rağmen makalenin bazı bölümleri hâlâ “on омил” 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 ва kapsamlı k-fold dış doğrulama yapılandırması görünür дар матн sınırlı verilmiştir. Bu durum натиҷаların bağımsız yeniden üretimini güçleştirebilir.

Ҷадвал 5'te модел bazında raster alan toplamları çalışma alanı büyüklüğüyle tam uyuşmamaktadır. Аз ин сабаб синф alanlarının yeniden üretilmesi барои orijinal GIS rasterları ва çalışma maskesi gerekli olacaktır.

Ёддошти манбаъ ва усул

Сарлавҳаи аслӣ: 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 бо platform metadata'sı arasında sıra farkı bulunduğu барои Verianla ana kimliğinde PDF sırası korunmuştur.

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

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

Навъи манбаъ: Preprint; PDF her sayfada çalışmanın hakem değerlendirmesinden geçmediğini belirtmektedir.

SSRN: Abstract ID 6992808.

DOI: 10.2139/ssrn.6992808.

SSRN yayın tarihi: 24 Haziran 2026.

Шумораи саҳифаҳо: 42.

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

Lisans / telif: SSRN kayıt sayfası hak sahibinin SSRN'ye lisans verdiğini ва izinsiz yeniden kullanıma izin verilmediğini belirtmektedir. Kaynak харитаҳоı ва SHAP figürleri piksel düzeyinde kopyalanmak yerine Verianla барои özgün ҳамчун yeniden çizilmelidir.

Маблағгузорӣ: Муаллифон makalenin hazırlanması sırasında fon, hibe veya başka bir destek alınmadığını beyan etmektedir.

Бархӯрди манфиатҳо: Муаллифон ilgili mali veya mali olmayan çıkar bildirmemiştir.

Дастрасии додаҳо: Çalışma sırasında üretilen дода setlerinin makul talep üzerine sorumlu yazardan edinilebileceği зикр мешавад.

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

Kaynak içi kritik tutarsızlıklar:

Мутобиқати Verianla Live: Хеле баланд. En güçlü Live blokları AHP-RF-XGBoost doğrulama metrikleri, beş ҳассосият синфının dağılımı, VIF/TOL муқоиса ва global SHAP омил sıralamasıdır. SHAP waterfall örneği ise global önem grafiği монанди kullanılmamalı; tek örneğe ait lokal açıklama ҳамчун etiketlenmelidir.

Мутобиқати бозкашии визуалӣ: Хеле баланд. Lakhdar havzasının topoğrafik kesiti, çevresel дода katmanlarının GIS üzerinde üst üste gelmesi, AHP-RF-XGBoost üçlü harita муқоиса, ROC eğrilerinin kavramsal görünümü ва SHAP омил etkileri özgün Verianla infografiğine dönüştürülebilir.