فرسایش خندقی یک چالش زیست محیطی مهم بوده که می‌تواند باعث تخریب گسترده زمین و هدررفت خاک و منجر به اثرات مخربی بر اکوسیستم‌ها و جوامع محلی شود. شناسایی و پایش دقیق فرسایش خندقی برای مدیریت مؤثر زمین و استراتژی‌های کاهش فرسایش حیاتی است. زمانی‌که کار میدانی به‌تنهایی مورد استفاده قرار می‌گیرد، پهنه‌بندی فرسایش خندقی، زمان‌بر و دشوار است. در سال‌های اخیر، ادغام سیستم‌های اطلاعات جغرافیایی (GIS) و تکنیک‌های سنجش از دور با الگوریتم‌های یادگیری ماشین، نویدبخش بهبود دقت و کارایی ارزیابی فرسایش خندقی و پهنه‌بندی آن بوده است. لذا، این پژوهش یک مطالعه نسبتاً جامع با هدف مدل‌سازی مکانی و استخراج نقشه فعالیت فرسایش خندقی با استفاده از سیستم‌های اطلاعات جغرافیایی (GIS) و تکنیک های سنجش از دور، با تمرکز ویژه بر حوضه آبخیز کلوچه واقع در شهرستان بیجار است. بدین منظور، با استفاده از منابع، اطلاعات و نقشه‌های موجود یا تهیه‌شده از DEM حوضه از جمله عکس‌های هوایی، نقشه شیب، نقشه جهت شیب، نقشه واحدهای هیدرولوژیک خاک و نقشه زمین‌شناسی، قسمتهای نسبتاً همگن جدا و از خاک آن‌ها به صورت تصادفی طبقه‌بندی‌شده، نمونه‌برداری صورت گرفت. برخی ویژگیهای فیزیکی و شیمیایی از جمله توزیع اندازه ذرات خاک، بافت خاک، کربن آلی، آهک، EC و SAR در نمونه‌های خاک با روش‌های معمول تعیین گردید. جهت مدل‌سازی مکانی فرسایش خندقی، بررسی فعالیت خندق در طول زمان و تعیین حساسیت نقاط مختلف حوضه مورد مطالعه به فرسایش خندقی از تصاویر ماهواره‌ای سنتینل 1 و 2 (سال‌های 2016 تا 2023) به همراه خصوصیات خاک و پارامترهای مرتبط با ویژگیهای توپوگرافی و شاخص‌های طیفی مستخرج از باندهای سنتینل 2 منطقه بهره گرفته شد. الگوریتم‌های مختلف یادگیری ماشین، مانند RF، SVM، و KNN، برای طبقه‌بندی ویژگیهای فرسایش خندقی در منطقه مورد مطالعه استفاده گردید. این مدل‌ها با استفاده از داده‌های برچسب‌گذاری‌شده که مناطق خندقی و غیر خندقی را نشان می‌دهند، آموزش داده شده (70 درصد محدوده‌های آموزشی) و عملکرد آن‌ها (30 درصد محدوده‌های آموزشی) از طریق شاخص AUC و منحنی ROC ارزیابی گردید. علاوه بر تشخیص فرسایش خندقی، این تحقیق با تجزیه و تحلیل داده‌های سنجش از دور چند زمانه، تغییرات در بخش‌های مختلف مناطق خندقی در طول زمان را بررسی می‌نماید. جهت نیل به این هدف، فعالیت خندقی حوضه مورد مطالعه در دو بازه کوتاه مدت (8 ساله) و بلند مدت (تقریبا 45 ساله) و مقایسه تصاویر در ابتدا و انتهای هر دو بازه مورد بررسی قرار گرفت. در بررسی بازه میان مدت از تصاویر سنتینل در بازه زمانی 2016 تا 2023 و در بررسی بلند مدت فعالیت خندقی، از تصاویر ماهواره کرونا در سال 1978 با قدرت تفکیک مکانی حدود 1 الی 2 متر و تصاویر سنتینل سال 2023 استفاده شد. به‌صورت کلی، نتایج نشان داد روش‌های یادگیری ماشین، بخصوص الگوریتم جنگل تصادفی در پهنه‌بندی فرسایش خندقی بسیار کارآمد بوده و پارامترهای مرتبط با توپوگرافی و شاخص‌های طیفی مورد استفاده نقش عمده‌ای دارند. علاوه بر این، تلفیق تصاویر سنتینل 2 به همراه ویژگیهای خاکی (مخصوصاً pH و ماده آلی) با پارامترهای توپوگرافی و شاخص‌های طیفی سبب بهبود نتایج گردید. با توجه به نقشه حساسیت به‌دست آمده، قسمت قابل توجهی از منطقه مورد مطالعه در معرض خطر فرسایش خندقی بوده و میزان حساسیت این مناطق متوسط به بالا می‌باشد. همچنین مقایسه نقشه خندق‌ها در طول زمان نشان داد توسعه خندق‌ها در قسمتهای مختلف حوضه کماکان با شدت زیادی ادامه داشته و در 45 سال گذشته خندق‌های اصلی و فرعی بزرگتر شده (عرض و عمق) و خندق‌های فرعی زیادی نیز تشکیل گردیده است. به‌طور کلی نتایج این تحقیق نشان داد با استفاده از تکنیک‌های سنجش از دور و بهره‌گیری از سامانه اطلاعات جغرافیایی و به کمک الگوریتم‌های یادگیری ماشین می‌توان خندق‌های منطقه را در طول زمان پهنه‌بندی کرده و تغییرات آن را از جنبه‌های مختلف پایش نمود. این نتایج می‌تواند مدیران و برنامه‌ریزان مربوطه را جهت اخذ راهکارهای مناسب در کاهش یا کنترل فرسایش در منطقه، به‌خصوص فرسایش خندقی کمک نموده و همچنین هشداری جدی جهت رسیدگی به این مناطق برای مسئولین باشد.
