Bu tadqiqot, Marokashdagi Lakhdar quyi havzasinda tuproq eroziyasina duyarlı bölgelerin belirlenmesinde an’anaviy ko‘p mezonli Analitik iyerarxiya jarayoni (AHP) bilan iki mashinaviy o‘rganish yaklaşımını, Random Forest (RF) va XGBoost'u taqqoslaydi. Tadqiqotchilar topoğrafya, arazi örtüsü, bitki yoğunluğu, yağış aşındırıcılığı, drenaj yapısı va toprak özelliklerini ifodalovchi ekologik qatlamlarni dala kuzatuv nuqtalari bilan birleştirerek eroziya moyillik xaritaları üretmiştir. Dastlab on omil ele alınmış, curvature o‘zgaruvchisi sabit/past değişkenlik gösterdiği uchun chiqarilgan va mashinaviy o‘rganish modelleri dokuz izohlovchi omille qo‘llangan.

Modelni tasdiqlashda AHP uchun AUC 0.7864, Random Forest uchun 0.9775 va XGBoost uchun 0.9762 aniqlangan. Shu sababli RF bilan XGBoost'un ajratish kuchi AHP'den sezilarli darajada yuqoridir. Biroq XGBoost; TSS=0.9025, accuracy=0.9509, sensitivity=0.9405 va specificity=0.9620 qiymatlari bilan bu dört mezon bo‘yicha RF'nin oldinga chiqadi. RF'nin AUC'si ise XGBoost'tan juda kichik farq bilan yuqoriroq. Shuning uchun natija, “XGBoost bütün ölçütlerde kazanıyor” tarzida değil, iki ML modelinin birbirine çok yakın olduğu va XGBoost'un genel sinflandırma dengesinde hafif üstünlük gösterdiği tarzida o‘qilishi kerak.

Makoniy natijalarda XGBoost havzanın taxminan %72'sini juda past veya past eroziya duyarlılığı sinfiga, taxminan %9'unu ise yuqori veya juda yuqori sinfa yerleştirmiştir. RF uchun bu oranlar manba matnda taxminan %62-63 past/juda past va %23 yuqori/juda yuqori sifatida xabar qilingan. AHP ise havzanın taxminan %32'sini yuqori veya juda yuqori duyarlılığa sahip ko‘rsatadi. Üç yaklaşım umuman daha düz va o‘simlik qoplaminün daha güçlü olduğu quyi havza bölgelerini daha past riskli; qiyalikin arttığı, engebeli va o‘simlik qoplaminün zayıfladığı yuqori havza bölgelerini ise daha yuqori moyilliklı sifatida ta’riflaydi.

SHAP tahlili XGBoost kararlarında özellikle yerdan foydalanish/yer qoplami (LULC), NDVI, balandlik va qiyalikin kuchli belgilovchilar olduğunu ko‘rsatadi. Ancak SHAP değerleri sababiy bir eroziya yasası emas; o‘qitilgan modelning muayyan ma’lumotlar to‘plamidagi qaror mexanizmining izohidir. Ayrıca çalışma faqat Lakhdar havzası va kullanılan 326 eroziya/eroziyasuz örnek nokta çerçevesinde doğrulanmıştır; natijalar yeni havzalara bevosita aktarılmış mustaqil tashqi tasdiqlash sifatida deb baholanmasligi kerak.

Tuproq eroziyasi neden faqat bir qiyalik problemi emas?

Tuproq eroziyasi, yüzeydeki parçacıkların kopması, taşınması va başka bir konumda çökelmesiyle gelişen ko‘p omilli bir jarayondir. Eğim va balandlik oqim energiyasini etkilerken, yog‘in intensivligi toprağın parçalanmasına va sirt oqimiga enerji ta’minlaydi. Bitki örtüsü yağmur damlasının bevosita etkisini kamaytirishi mumkin, kök sistemiyle toprağı stabilize edebilir va yüzey akışını yavaşlatabilir. Buna karşılık çıplak zemin, ormansızlaşma, tarımsal baskı va urbanizatsiya toprağın himoyalanishini kamaytirishi mumkin.

Shuning uchun bir eroziyaga moyillik xaritasi, faqat “en dik yamaçları” göstermeyi amaçlamaz. Araştırmanın temel problemi; topoğrafya, o‘simlik qoplami, arazi kullanımı, drenaj, yağış va toprak bilgisinin bir xil makoniy modelda birlashtirilishi va hangi kombinasyonların kuzatilgan eroziya nuqtalarniyla daha güçlü ilişkili olduğunun belirlenmesidir.

Eroziyaga moyillik xaritasi nedir?

Eroziyaga moyillik xaritasi, muayyan çevresel va topoğrafik sharoitlarda bir maydonning eroziya gelişimine nisbiy moyilligini ko‘rsatuvchi makoniy bir tasnifdir. Bu tadqiqotda xaritalar “juda past, past, o‘rta, yuqori va juda yuqori” olmak üzere besh sinfga ajratilgan; bu sinflar bevosita yıllık ton/hektar cinsinden eroziya miqdorini değil, modele göre göreli eroziya duyarlılığını ifodalaydi.

Bu farq muhim. Çalışma RUSLE kabi bevosita yıllık toprak kaybı miktarı hesaplayan bir model kurmamakta; eroziya bulunan va bulunmayan gözlem nuqtalarni bilan çevresel omiller arasındaki aloqalardan bir moyillik sinflandırması hosil qiladi.

Lakhdar quyi havzasi

Manba tadqiqotiga ko‘ra Lakhdar quyi havzasi Marokashdagi Oum Er-Rbia gidrologik tizimining qismidir va Béni Mellal'in tog‘li qismida taxminan 3.503 km² maydonni egallaydi. Havza janub va janubi-sharqda Yüksek Atlas Dağlarıyla sınırlanır. Lakhdar Nehri asosiy drenaj o‘qidir; Bernat Nehri ise muhim irmoqlaridan biridir. Hassan I va Sidi Driss to‘g‘onlari bölgenin sug‘orish va ichimlik suvi sistemi nuqtayi nazaridan muhim.

Kaynak matnda balandliknin 488 m bilan 4.017 m arasında o‘zgarishi bildiriladi. Biroq PDF'nin farklı xaritalarında 600-3.885 m va 532-3.997 m kabi farklı DEM aralıkları ko‘rinadi. Bu farklılıkların raster kırpma, ma’lumot sürümü veya figür üretimi nedeniyle oluşup oluşmadığı izohlanmagan; shu sababli tek bir harita lejandı manba matndaki bütün çalışma maydonningın aniq balandlik aralığı sifatida ishlatilmasligi kerak.

Dala tasdiqlash ma’lumoti qanday yaratilgan?

Tadqiqotchilar eroziya va geçmişte eroziya/heyelan olayı bildirilen alanlara ilişkin mahalliy va tarixiy ma’lumotlarni foydalanib saha nuqtalarni yaratgan, joylashuvlarni GPS bilan qayd etgan va Google Earth üzerinden ayrıntılandırmıştır. Eroziya kuzatilgan nuqtalar sinf 1 sifatida kodlangan.

Eroziyaun mavjud emasligini ifodalovchi sinf 0 örnekleri ise zich va bir xil o‘simlik qoplamine sahip, tabiiy himoyalangan va barqaror deb qabul qilingan o‘rmon yoki o‘tloq hududlardan tanlangan. Bu yöntem model uchun aniq manfiy sinf ta’minlaydi; ancak “eroziyasuz” örneklerin rastgele bütün havzadan değil, özellikle kararlı bitkili alanlardan seçilmesi sinflar arasındaki çevresel farkı güçlendirebilir. Shuning uchun saha doğrulama terimi, tamamen bağımsız va rastgele örneklenmiş bir bölgesel eroziya envanteri kabi yorumlanmamalıdır.

Jami 326 nokta ishlatilgan. Bunların 229'u (%70) o‘qitish, 97'si (%30) test uchun ajratilgan.

Dastlabki omillar

NDVI nasıl hesaplanmıştır?

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

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

tarzida hisoblaydi. Umuman daha yoğun va sog‘lom o‘simlik qoplami daha yuqori NDVI bilan temsil edilir. Çalışmanın SHAP tahlili de NDVI'nın XGBoost kararlarındaki muhim o‘zgaruvchilardan biri olduğunu ko‘rsatadi.

Manbada “SPI” qaysi ko‘rsatkichni bildiradi?

Bu PDF'de SPI terimi kendi içinde tutarlı kullanılmamıştır. Jadval 1'de SPI, DEM va akış birikiminden hesaplanan \(SPI=A_s\tan\theta\) formülüyle verilmektedir; bu ta’rif hidrolojideki Stream Power Index'e mos keladi. Buna karşın yöntem va tartışma bölümlerinin bazı kısımlarında aynı kısaltma Standardized Precipitation Index sifatida izohlangan. Şekildeki SPI xaritasi da drenaj/topografya ağıyla ilişkili bir desen ko‘rsatadi. Shuning uchun manba yeniden analiz edilmeden iki farklı SPI anlamından birini bütün makale boyunca aniq doğru kabul etmek xavfsiz emas.

Ko‘p kollinearlik nazorati: VIF va TOL

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

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

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

Kaynak, VIF>10 veya TOL<0.1 değerlerini jiddiy ko‘p kollinearlik ko‘rsatkichi sifatida kabul etmektedir. Curvature o‘zgaruvchisi doimiy qiymat ko‘rsatgani sababli tahlil boshida chiqarilgan.

Yükselti va qiyalik diğer değişkenlere kıyasla daha yuqori VIF göstermesine rağmen 10 chegaradan past qolgan. Mualliflar bu iki o‘zgaruvchisi dağlık havzada fizik jihatdan muhim olmaları nedeniyle modelda saqlagan.

AHP bilan mashinaviy o‘rganish o‘rtasidagi asosiy farq nedir?

AHP'de eroziyaa etki ettiği düşünülen omiller ekspert baholashi bilan juftlab taqqoslanadi va her omile nisbiy vazn beriladi. Random Forest va XGBoost'ta ise çevresel değişkenlerle kuzatilgan eroziya/eroziyasuz sinfları arasındaki ilişkiler o‘qitish ma’lumotidan o‘rganiladi. AHP shaffofroq va kavramsal bir vaznlash sunarken RF va XGBoost chiziqli bo‘lmagan değişken o‘zaro ta’sirlarnini bevosita ma’lumotdan o‘rganishi mumkin; buna karşılık ML natijaları kullanılan namuna va yorliqlar sifatiga daha güçlü biçimde bog‘liq.

AHP izchillik nazorati

AHP'nin ikili karşılaştırma matrisi uchun consistency index:

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

va consistency ratio:

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

sifatida ta’riflanmıştır. Kaynağa göre \(CR\leq0.1\) qabul qilinadigan bir karşılaştırma tutarlılığına işaret eder. Bu tadqiqotdaki AHP uchun CR taxminan %7.8'dir; shu sababli kullanılan ağırlık matrisi kendi AHP tutarlılık ölçütünü sağlamaktadır.

Çalışmanın Yöntemi va Bulguları

Mashinaviy o‘rganish modellari

326 örneklik ma’lumot setinin %70'i o‘qitish va %30'u test uchun ayrılmış; Random Forest, XGBoost va SVR qo‘llangan. Curvature çıkarıldıktan keyin kullanılan dokuz omil balandlik, qiyalik, bakı, yağış aşındırıcılığı, SPI, NDVI, LULC, toprak tipi va drenaj yoğunluğudur.

Kaynak ilk model taramasında sinflandırma problemine R² va RMSE değerleri de raporlamaktadır:

Bu qiymatlar kaynağın raporladığı ön model taqqoslanishidır. Nihai eroziya/eroziyasuz sinflandırma başarısı daha keyin ROC-AUC, TSS, accuracy, sensitivity va specificity bilan değerlendirilmiştir.

Random Forest

Random Forest çok sayıda karar ağacının farklı ma’lumot va özellik alt kümeleri üzerinde eğitildiği ensemble yöntemidir. Her ağacın tek başına yapabileceği aşırı uyumu azaltmak va değişkenler arasındaki chiziqli bo‘lmagan ilişkileri öğrenmek amacıyla bagging va rastgele özellik seçimi kullanır.

XGBoost

XGBoost, karar ağaçlarını ardışık sifatida kuran gradient-boosting tabanlı bir yöntemdir. Yeni ağaçlar önceki ağaçların hatalarını azaltacak şekilde eğitilir. Düzenlileştirme mekanizmaları aşırı uyumu sınırlamaya yardımcı olur va çevresel değişkenler arasındaki karmaşık o‘zaro ta’sirlarni temsil edebilir.

Tasdiqlash mezonlari

Spetsifiklik:

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

Sezgirlik:

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

Precision:

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

True Skill Statistic:

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

sifatida ta’riflanmıştır. Kaynak precision formülünü açıklamasına rağmen nihai Jadval 6'da ayrı bir precision sütunu vermemektedir.

XGBoost gerçekten Random Forest'tan daha iyi mi?

Natija ishlatilgan mezonga bog‘liq. Random Forest, ROC-AUC'de 0.9775 bilan XGBoost'un 0.9762 değerinden çok az yuqoridir. Buna karşılık XGBoost TSS, accuracy, sensitivity va specificity değerlerinde RF'yi geçmektedir. Shu sababli manba verisi XGBoost'un genel sinflandırma dengesi bakımından hafif üstün olduğunu qo‘llab-quvvatlaydi; ammo RF'den bütün istatistiksel ölçütlerde daha iyi olduğunu desteklemez.

PDF'nin 34. sayfasındaki ROC grafiğinde RF va XGBoost eğrileri sol-üst köşeye çok yakın seyrederken AHP eğrisi sezilarli darajada daha aşağıdadır. Grafik lejandındaki yuvarlanmış AUC değerleri RF va XGBoost uchun taxminan 0.98, AHP uchun taxminan 0.79'dur.

Moyillik sinflari qanday o‘zgardi?

Yuvarlanmış tablo yüzdelerine göre RF'nin juda past+past sinfları %63, XGBoost'un %72 va AHP'nin %38'dir. Kaynak özet va tartışma metni RF uchun zaman zaman %62 ifadesini kullanmaktadır. RF va AHP sütunlarındaki yuvarlanmış yüzdeler toplamda %101 etmektedir; shu sababli yüzde toplamları ayrıca bir hassas alan hesabı sifatida ishlatilmasligi kerak.

Yüksek+juda yuqori sinflarda RF taxminan %23, XGBoost %9, AHP %32 raporlamaktadır. Yüksek riskin özellikle yuqori havzadaki daha dik, dağlık va o‘simlik qoplami daha zayıf alanlarda yoğunlaştığı bildiriladi.

Mutlak alan değerlerindeki manba sorunu

Kaynak Jadval 5'teki sinf alanları toplandığında RF taxminan 363.847 ha, XGBoost 363.843 ha va AHP 351.293 ha verir. Buna karşılık çalışma alanı matnda 3.503 km², yani taxminan 350.300 ha sifatida ta’riflanmıştır. AHP toplamı buna yakın olsa da özellikle RF va XGBoost toplamları daha büyüktür. Kaynak farkın nedenini açıklamadığından sinf yüzdeleri korunmuş, ammo bu alan toplamları aniq havza alanı doğrulaması sifatida kullanılmamıştır.

SHAP tahlili XGBoost kararları hakkında ne gösteriyor?

SHAP tahlili, XGBoost tahminindeki her o‘zgaruvchisin model çıktısını yukarı veya aşağı ne kadar ittiğini Shapley qiymatlari bilan açıklamaya çalışır. PDF'nin 35. sayfasındaki summary plot'ta LULC va NDVI güçlü etkiler gösterirken balandlik va qiyalik de önemli konumdadır. Tuproq turi ise bu ma’lumot setinde daha past model katkısı ko‘rsatadi.

Buradaki önemli nokta, global SHAP önem sıralamasıyla tek bir örneğin waterfall grafiğinin aynı şey olmamasıdır. PDF'nin 38. sayfasındaki örnek waterfall grafiğinde muayyan bir örnek uchun LULC taxminan +1.77, qiyalik +0.64, yağış aşındırıcılığı +0.49 va SPI -0.32 katkı ko‘rsatadi. Bu sayılar bütün havza uchun değişken önem yüzdeleri emas; faqat seçilmiş gözlemin model kararının parçalanmasıdır.

SHAP, “LULC eroziyaa tam şu miktarda fiziksel sifatida neden olur” sonucunu da göstermez. Modelin kullandığı değişkenlerle verdiği kararın izohidir va o‘qitish ma’lumot setindeki korelasyon yapısına bog‘liq.

Saha nuqtalarni haritayla ne ölçüde örtüşüyor?

PDF'nin 41. sayfasındaki XGBoost moyillik xaritasinda eroziya va eroziyasuz gözlem nuqtalarni model sinflarının üzerine bindirilmiştir. Mualliflar yuqori moyillik bölgelerinin özellikle yuqori havzada kuzatilgan eroziya nuqtalarniyla, daha past moyillik bölgelerinin ise quyi havzadaki kararlı noktalarla uyumlu olduğunu yorumlamaktadır.

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

Tadqiqot qo‘llab-quvvatlaydigan va desteklemediği çıkarımlar

Çalışmanın başlıca yöntemsel sınırlılıkları

Model faqat 326 sinflandırılmış noktaya dayanır. Negatif sinf, yoğun va kararlı o‘simlik qoplamine sahip alanlardan seçildiği uchun namunae, havzanın bütün eroziyasuz çevresel çeşitliliğini eşit biçimde temsil etmeyebilir.

Curvature başlangıçtaki on omilden çıkarıldığı uchun nihai ML modellerinin gerçekte dokuz omil kullanmasına rağmen makalenin bazı bölümleri hâlâ “on omil” ifadesini sürdürmektedir.

SPI o‘zgaruvchisinin bilimsel anlamı metin içinde iki farklı biçimde ta’riflanmıştır. Bu durum modelin yeniden üretilmesi açısından düzeltilmesi gereken önemli bir metadata problemidir.

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

Jadval 5'te model bazında raster alan toplamları çalışma alanı büyüklüğüyle tam uyuşmamaktadır. Shuning uchun sinf alanlarının yeniden üretilmesi uchun orijinal GIS rasterları va çalışma maskesi gerekli olacaktır.

Manba va usul eslatmasi

Asl sarlavha: 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 bilan platform metadata'sı arasında sıra farkı bulunduğu uchun Verianla ana kimliğinde PDF sırası korunmuştur.

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

Mas’ul muallif: Fatiha AIT EL HAJ; PDF'de aitelhaj@emi.ac.ma adresi verilmektedir.

Manba turi: Preprint; PDF her sayfada çalışmanın hakem değerlendirmesinden geçmediğini belirtmektedir.

SSRN: Abstract ID 6992808.

DOI: 10.2139/ssrn.6992808.

SSRN yayın tarihi: 24 Haziran 2026.

Sahifalar soni: 42.

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

Lisans / telif: SSRN kayıt sayfası hak sahibinin SSRN'ye lisans verdiğini va izinsiz yeniden kullanıma izin verilmediğini belirtmektedir. Kaynak xaritaları va SHAP figürleri piksel düzeyinde kopyalanmak yerine Verianla uchun özgün sifatida yeniden çizilmelidir.

Moliyalashtirish: Mualliflar makalenin hazırlanması sırasında fon, hibe veya başka bir destek alınmadığını beyan etmektedir.

Manfaatlar to‘qnashuvi: Mualliflar ilgili mali veya mali olmayan çıkar bildirmemiştir.

Ma’lumotlar mavjudligi: Çalışma sırasında üretilen ma’lumot setlerinin makul talep üzerine sorumlu yazardan edinilebileceği bildiriladi.

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

Kaynak içi kritik tutarsızlıklar:

Verianla Live mosligi: Juda yuqori. En güçlü Live blokları AHP-RF-XGBoost doğrulama metrikleri, beş moyillik sinfının dağılımı, VIF/TOL taqqoslanishi va global SHAP omil sıralamasıdır. SHAP waterfall örneği ise global önem grafiği kabi kullanılmamalı; tek örneğe ait lokal açıklama sifatida etiketlenmelidir.

Vizual qayta chizish mosligi: Juda yuqori. Lakhdar havzasının topoğrafik kesiti, çevresel ma’lumot katmanlarının GIS üzerinde üst üste gelmesi, AHP-RF-XGBoost üçlü harita taqqoslanishi, ROC eğrilerinin kavramsal görünümü va SHAP omil etkileri özgün Verianla infografiğine dönüştürülebilir.