مسعود داوری

هدایت هیدرولیکی اشباع خاک سطحی (Ks) به‌عنوان یکی از مهم‌ترین ویژگی‌های فیزیکی خاک، نقشی کلیدی در توزیع آب و مواد مغذی در محیط خاک ایفا می‌کند و در مدیریت منابع آب و خاک اهمیت ویژه‌ای دارد. این پژوهش با هدف مدل‌سازی رقومی هدایت هیدرولیکی اشباع خاک سطحی با استفاده از رویکردهای یادگیری ماشین در حوزه آبخیز کیلانه واقع در استان کردستان با مساحت 12 هزار هکتار انجام شد. سه الگوریتم یادگیری ماشین شامل: درخت تصمیم تقویت شده با گرادیان (XGBoost)، جنگل تصادفی (RF) و مدل نزدیکترین -k همسایگی (k-NN) با بهره‌گیری از تعدادی متغیرهای محیطی از مدل رقومی ارتفاع و تصاویر ماهواره سنتینل-2 شامل فاصله از کانال آبراهه، عمق دره، موقعیت نسبی شیب، سطح پایه کانال آبراهه، شاخص روشنایی، شاخص اثر باد، شاخص نرمال شده تفاوت پوشش گیاهی، باند 12، شاخص سبزینگی، انحنای سطح و پارامترهای خاک شامل ماده آلی، آهک، جرم مخصوص ظاهری، میانگین هندسی قطر ذرات، بافت خاک و داده‌های طیف سنجی نزدیک خاک در طول موج 2450-400 نانومتر به عنوان نمایندگان عوامل خاکسازی برای مدل‌سازی Ks مورد استفاده قرار گرفتند. نتایج نشان داد که مدل XGBoost برای پیش‌بینی Ks با R2 برابر 0.65 و nRMSE برابر 0.25 نسبت به سایر مدل‌ها دارای صحت بالاتری بودند. داده‌های طیفی، متغیرهای توپوگرافی و پارامترهای خاک، به‌عنوان ورودی مدل، نقش مهمی در پیش‌بینی تغییرپذیری مکانی Ks داشتند و مدل XGBoost با استفاده از این داده‌ها توانست پیش‌بینی دقیقی ارائه دهد. نتایج نشان داد که Ks تحت تأثیر متغیرهای توپوگرافی، فیزیکی و طیفی قرار دارد؛ ماده آلی، بافت خاک و شاخص‌های توپوگرافی مانند شیب و موقعیت نسبی بیشترین تأثیر را داشتند. نقشه‌های تولیدشده از این رویکرد تغییرپذیری مکانی می‌توانند در مدیریت منابع آب و خاک و مدل‌های هیدرولوژیکی مورد استفاده قرار گیرند.