ارزیابی حساسیت فرسایش آبکندی و شناسایی عوامل موثر آن در حوضه آبخیز خسویه در استان فارس

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 استادیار دانشکده علوم جغرافیایی و برنامه ریزی دانشکده علوم جغرافیایی و برنامه ریزی دانشگاه اصفهان

2 کارشناسی ارشد سنجش از دور و GIS دانشکده علوم جغرافیایی و برنامه ریزی دانشگاه اصفهان

10.22034/gp.2025.65173.3342

چکیده

فرسایش آبکندی (خندقی) یکی از عوامل اصلی بیابان زایی و تخریب سرزمین در بسیاری از مناطق خشک و نیمه خشک می باشد. هدف این پژوهش تهیه نقشه حساسیت فرسایش آبکندی و شناسایی عوامل موثر آن در حوضه آبخیز خسویه در استان فارس با استفاده از مدل های TreeNet است. در این پژوهش ابتدا موقعیت آبکند‌های موجود با استفاده از تصاویر ماهواره ای، نرم افزار گوگل ارث و سیستم تعیین موقعیت جهانی (GPS) ثبت گردید. در ادامه متغیرهای تاثیر گذار در وقوع این نوع فرسایش خاک در حوضه مورد مطالعه که شامل شاخص های مربوط به توپوگرافی مستخرج از مدل رقومی ارتفاع (Tan DEM-X) با دقت مکانی 12 متر، و سایر شاخص شامل: تراکم پوشش گیاهی (NDVI)، کاربری اراضی، فاصله از راه ها، فاصله از آبراهه، زمین شناسی، میزان بارش، نوع خاک و شاخص فرسایش پذیری خاک (K) تهیه گردیدند. سپس بعد از تهیه تمامی لایه های ورودی، با استفاده از نرم افزار SPM مدل مربوطه اجرا گردید. در فرایند مدل سازی 70% داده ها را به عنوان داده های آموزش (Training) و 30% داده ها را به عنوان داده های آزمون (Testing) در نظر گرفته‌اند. مقدار دقت شاخص ارزیابی AUC برای مدل TreeNet برابر 77/0 و 75/0 به ترتیب برای داده های آموزشی و آزمون می باشد، که بیانگر دقت بالای مدل مربوطه می‌باشد. میزان اهمیت نسبی متغیر های شرکت کننده در فرآیند مدلسازی به این صورت است که: به ترتیب متغیر های ارتفاع، کاربری اراضی، فرسایش پذیری خاک، عمق آبراهه و فاصله از آبراهه دارای بیشترین اهمیت می باشند. نقشه نهائی حساسیت فرسایش آبکندی در حوضه مورد مطالعه نشان می دهد، نواحی کم شیب و کم ارتفاع در مرکز حوضه دارای بیشترین کلاس خطر بوده در حالی که نواحی مرتفع حوضه در نواحی مرزی منطقه مورد مطالعه در کلاس خطر کم قرار دارند.

تازه های تحقیق

پژوهش حاضر نشان داد که مدل TreeNet به عنوان یکی از الگوریتم‌های یادگیری ماشین می‌تواند با دقت بالایی به شناسایی و پهنه‌بندی نقشه خطر حساسیت فرسایش آبکندی در حوضه آبخیز خسویه در استان فارس استفاده شود. نتایج این تحقیق نشان داد که مناطق با حساسیت با خطر زیاد و خیلی زیاد فرسایش آبکندی، عمدتاً در بخش‌های مرکزی حوضه و در نزدیکی شاخه‌های فرعی رودخانه‌ها و شیب‌های نسبتاً کم متمرکزشده‌اند. که این مناطق نیازمند توجه ویژه و اجرای طرح‌های مدیریت پایدار خاک و آب هستند. نتایج این تحقیق با سایر پژوهش ها صورت گرفته در منطقه‌ی مورد مطالعه که از مدل‌های مکسنت و CART استفاده شده است نیز همخوانی دارد (ذاکری‌نژاد و الوندی، 1400: ذاکری‌نژاد و همکاران، 1402). تاثیرگذارترین شاخص‌ها در شکل‌گیری آبکندها شاخص ارتفاع بوده، به طوریکه با احتمال وقوع فرسایش نسبت معکوس دارد. به‌گونه‌ای که هرچه ارتفاع کمتر باشد احتمال وقوع رخداد فرسایش خندقی بیشتر است و بالعکس. بیشترین خندق ها در مناطق کم ارتفاع حوضه، 900 متر اتفاق افتاده‌اند. با این حال صرفا ارتفاع کم دلیل بر وقوع فرسایش آبکندی نیست. به علت اینکه کاربری اراضی در مناطق کم ارتفاع به دلیل سکونت، بیشتر دستخوش تغییرات انسانی است، همچنین احداث راهها در مناطق کم ارتفاع بیشتر از مناطق مرتفع صورت گرفته و مهمتر اینکه تمامی آبراهه‌ها  در مناطق کم ارتفاع به هم می پیوندند خود دلایلی بر وقوع فرسایش خندقی در مناطق کم ارتفاع است مطالعات سایر پژوهش‌ها نیز نشان داده‌اند که با کاهش ارتفاع درصد ایجاد و پراکنش خندق ها افزایش پیدا می‌کند (کاناسنتی[1] و همکاران، 2014؛ پیروی‌نژاد و همکاران، 1396؛ شهبازی و همکاران، 1400؛ ذاکری‌نژاد، 1399؛ ذاکری نژاد و همکاران، 2021). در واقع شاخص‌های توپوگرافی می‌تواند نقش مهمی در شدت و رخ داد فرسایش خندقی داشته باشند (خطیبی و کرمی، 1391؛ خطیبی، 1394؛ ذاکری‌نژاد، 1399). بیشترین کاربری‌های تاثیر گذار در رخداد فرسایش خندقی مراتع ضعیف (نمک‌زارها) و زمین‌های کشاورزی بوده­اند. معمولا در مناطق مرتفع به علت ماهیت ارتفاع و نوع زمین‌شناسی این مناطق (اکثرا صخره‌های سنگی) و عدم دسترسی، اراضی کمتر دستخوش تغییرات انسانی می­باشند. این درحالی است که در مناطق کم ارتفاع به دلیل وجود آب‌های جاری، خاک مناسب، دسترسی آسان و سکونت انسان‌ها، تغییر کاربری اراضی نیز بیشتر صورت می­گیرد. استفاده بیش از حد از زمین، آبیاری نامنظم که باعث افزایش روان آب در سطح می‌گردد، که این نیز دلیلی محکم بر احتمال وقوع فرسایش خندقی در این مناطق می­باشد (وثوقی و همکاران، 1403؛ اسدی نلیوان و همکاران، 1402؛ امانوئل، 2013 و فیلو[2] همکاران، 2024) در حوضه مورد مطالعه در مناطقی که فرسایش‌پذیری خاک بیشتر است نیز خطر یا حساسیت فرسایش خندقی نیز بیشتر می‌باشد. در این مناطق به علت جنس خاک، عدم وجود پوشش گیاهی مناسب و ارتفاع کم نسبت به بقیه نواحی حوضه، که باعث تجمع آب‌های سطحی می‌شود که موجب تسریع فرسایش آبی می‌گردد. بررسی نوع خاک حوضه مورد مطالعه نیز نشان داد که بیش از 90 درصد حوضه آبخیز خسویه دارای بافت خاک لومی می‌باشد. خصوصیات فیزیکی خاک سطحی نقش مهمی ‌بر روی نفوذ خاک، مقاومت خاک به فرسایش و نرخ رواناب و ایجاد فرسایش خندقی دارد، نتایج این شاخص نیز با تحقیقات خزائی و همکاران، 1391؛ طهماسبی و همکاران، 1395؛ رحمتی و همکاران، 2016 ؛ ذاکری‌نژاد 1402 همخوانی دارد. در حالت کلی، مدل‌های یادگیری ماشین با قابلیت‌های خاص خود می‌توانند در شرایط مختلف مورد استفاده قرار گیرند و هر کدام نقاط ضعف و قوت مخصوص به خود را دارند. بطور کلی این پژوهش به ارتقای دانش علمی در حوضه فرسایش آبکندی و کاربرد مدل‌های داده‌کاوی در مدیریت منابع طبیعی کمک کرده و می‌تواند پایه‌ای برای مطالعات آتی در این زمینه فراهم آورد. در پژوهش‌های آتی، بهره‌گیری از الگوریتم‌های جدیدتر و پیشرفته‌تر یادگیری ماشین و استفاده از روش‌های انسامبل[3] در مدل‌سازی یادگیری‌ماشین می‌تواند به افزایش دقت پیش‌بینی و بهبود پایداری مدل‌ها کمک کند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Prediction of gully erosion and identifying its effective factors in the Khasuyeh watershed in Fars province

نویسندگان [English]

  • Reza Zakerinejad 1
  • Abbas Kahrani 2
1 Assistant Professor, Department of Physical Geography, Faculty of Geographical Sciences and Planning, University of Isfahan, Isfahan, Iran. E-mail: r.zakerinejad@geo.ui.ac.ir.
2 Department of Physical Geography, Faculty of Geographical Sciences and Planning,University of Isfahan, Isfahan, Iran. Email: A.Kahrani@geo.ui.ac.ir
چکیده [English]

Water erosion has affected about 99 billion ha of land in the world and is considered as one of the most widespread soil threatening factors in terms of quantity and quality. The aim of this research is to identify the factors affecting the occurrence of gully erosion, assessment and zoning the probability of the Khasyoueh watershed in Fars province using TreeNet models. In this research, first, the location of existing gullies were recorded using satellite images, Google Earth software, and Global Positioning System (GPS), and then the influencing variables in the study area, including topographical indicators (elevation, slope, slope direction, slope length, stream power index, flow depth, topographic wetness index and longitudinal curvature), from the digital elevation model (TanDEM) with a spatial resolution of 12 meters in ArcGIS10.8 and SAGA-GIS software have been extracted and prepared. Other indicators related to vegetation density (NDVI) and land use were prepared using data from satellites data in GIS software. After assigning the values related to the independent indicators to the points taken from the gullies, modeling was done for predicting the areas prone to gully erosion. The TreeNet model has been applied for the prediction of gully erosion. In the modeling process, 70% of the data are considered as training data and 30% of the data are considered as test data. The AUC index for validation of the TreeNet model was recorded as 0.776 for the training data and 0.756 for the test data, which indicates the high accuracy of the model to prediction of susceptible area into gully erosion in the Khasyoueh watershed.

کلیدواژه‌ها [English]

  • Gully erosion
  • data mining
  • TreeNet model
  • R-software

فرسایش آبکندی (خندقی) یکی از عوامل اصلی بیابان زایی و تخریب سرزمین در بسیاری از مناطق خشک و نیمه خشک می‌باشد. هدف این پژوهش تهیه نقشه حساسیت فرسایش آبکندی و شناسایی عوامل موثر آن در حوضه آبخیز خسویه در استان  فارس با استفاده از مدل‌های TreeNet است. در این پژوهش ابتدا موقعیت آبکند‌های موجود با استفاده از تصاویر ماهواره‌ای، نرم‌افزار گوگل ارث و سیستم تعیین موقعیت جهانی (GPS) ثبت گردید. در ادامه متغیرهای تاثیر گذار در وقوع این نوع فرسایش خاک در حوضه مورد مطالعه که شامل شاخص‌های مربوط به توپوگرافی مستخرج از مدل رقومی ارتفاع (Tan DEM-X) با دقت مکانی 12 متر، و سایر شاخص شامل: تراکم پوشش گیاهی (NDVI)، کاربری اراضی، فاصله از راه‌ها، فاصله از آبراهه، زمین‌شناسی، میزان بارش، نوع خاک و شاخص فرسایش پذیری خاک (K) تهیه گردیدند. سپس بعد از تهیه تمامی لایه‌های ورودی، با استفاده از نرم‌افزار SPM  مدل مربوطه اجرا گردید. در فرایند مدل سازی 70% داده‌ها را به عنوان داده‌های آموزش (Training) و 30% داده‌ها را به عنوان داده‌های آزمون (Testing) در نظر گرفته­اند. مقدار دقت شاخص ارزیابی AUC برای مدل TreeNet  برابر 77/0 و 75/0 به ترتیب برای داده‌های آموزشی و آزمون می‌باشد، که بیانگر دقت بالای مدل مربوطه می‌باشد. میزان اهمیت نسبی متغیر های شرکت کننده در فرآیند مدلسازی به ترتیب، متغیر های ارتفاع، کاربری اراضی، فرسایش پذیری خاک، عمق آبراهه و فاصله از آبراهه دارای بیشترین اهمیت می‌باشند. نقشه نهائی حساسیت فرسایش آبکندی در حوضه مورد مطالعه نشان می‌دهد، نواحی کم شیب و کم ارتفاع در مرکز حوضه دارای بیشترین کلاس خطر بوده در حالی که نواحی مرتفع حوضه در نواحی مرزی منطقه مورد مطالعه در کلاس خطر کم قرار دارند. لذا با توجه به وضعیت شدید فرسایش آبکندی در این منطقه انجام عملیات بیولوژیکی و آبخیزداری جهت کنترل اشکال فرسایش خصوصا فرسایش آبکندی جهت حفاظت آب و خاک ضروری می‌باشد.

ابراهیمی محمّد، مریم (1394). شناسایی علل وقوع فرسایش خندقی با تاکید بر خصوصیات خاک در حوضه آبخیز آق امام، نشریه حفاظت منابع آب و خاک، 7 (2)، 13-1.
احمدی، حسن (1388). ژئوموروفولوژی کاربردی ج 1 فرسایش آبی، تهران: انتشارات دانشگاه.
الوندی سده، پریوش (1400). پیش‌بینی فرسایش خندقی با استفاده از داده‌های Tan DEM-X و مدل حداکثر آنتروپی در حوضه آبخیز خسویه، جنوب شرق استان فارس، پایان‌نامه کارشناسی ارشد رشته ژئومورفولوژی و آمایش محیطـی.
امیری، مهدیس؛ پورقاسمی، حمیدرضا؛ قنبریان، غلام­عباس و افضلی، سید فخرالدین (1398). مدلسازی مکانی فرسایش آبکندی حوضه آبخیز مهارلو با استفاده از سناریوهای مختلف و الگوریتم وزن واقعه، مهندسی و مدیریت آبخیز، 11( 4)، 1032-1016.
بیاتی خطیبی، مریم و کرمی، فریبا (1391). ارزیابی پهنـه‌های تحت خطر فرسایش خاک در حوضه سراسکندر چای، دامنه‌های شرقی کوهستان سهند با استفاده از مدل USLE و GIS. جغرافیا و برنامه‌ریزی. 16(40)، 1-23.
بیاتی خطیبی، مریم (1394). ارزیابی و پیش‌بینی خطر فرسایش خاک در حوضه سراسکندچای با استفاده از مدل USLE و GIS. جغرافیا و برنامه‌ریزی. 19(54)، 61-81.
پیروزی‌نژاد، سجاد؛ سلیمانی، کریم؛ حبیب‌نژاد، محمود؛ ذاکری‌نژاد، رضا (1396). پیش‌بینی فرسایش آبکندی با استفاده از سنجندة راداری ALOS و مدل Maxent در حوضه الوند. سنجش از دورGIS ایران، 9(14)، 110-95.
جاویدان، نرگس؛ کاویان، عطااله؛ رجبی، سجاد؛ پورقاسمی، حمیدرضا و جعفریان، زینب (1402). شناسایی مناطق مستعد فرسایش آبکندی و زمین لغزش در قالب نقشه دو خطره با استفاده از مدلهای یادگیری ماشین در حوزه‌ی آبخیز گرگانرود. مجله علوم ومهندسی آبخیزداری ایران، 17(۶۲) ، ۷۵-۸۵.
رفاهی، حسینقلی (1393)؛ فرسایش آبی و کنترل آن، تهران: انتشارات دانشگاه.
ذاکری‌نژاد، رضا (1402). تهیه نقشه میزان فرسایش و رسوب حوضه آبخیز خسویه با استفده از مدل USPED و سامانه اطلاعات جغرافیایی (GIS) و مقایسه آن با رخساره‌های فرسایش آبی. پژوهش‌های فرسایش محیطی، 13(3)، 256-239.
ذاکری‌نژاد، رضا و الوندی، پریوش (1402). پیش‌بینی فرسایش آبکندی با استفاده از داده‌های TanDEM-X و مدل حداکثر آنتروپی (مطالعه موردی: حوضه آبخیز خسویه). پژوهش های فرسایش محیطی، 13(1)، 113-96.
ذاکری‌نژاد، رضا و فلاح، سلمان (1402). ارزیابی خطر فرسایش آبی با استفاده از ترکیب مدل تجدید نظر شده‌ی جهانی فرسایش خاک (RUSLE) و نقشه تراکم آبکندی در حوضه آبخیز علامرودشت استان فارس. پژوهش های ژئومورفولوژی کمی، 11 (4)، 209-189.
ذاکری‌نژاد، رضا (1399)؛ ارزیابی مدل‌های رقومی ارتفاع جهت تهیه نقشه پتانسیل فرسایش آبکندی با استفاده از مدل مکسنت و سامانه اطلاعات جغرافیایی در حوضه آبخیز سمیرم، جنوب استان اصفهان، نشریه سنجش از دور سامانه اطالعات جغرافیایی در منابع طبیعی، 11 (3)، 122-106.
ذاکری‌نژاد، رضا؛ کهرانی، عباس و انتظاری، مژگان (1402). ارزیابی حساسیت خاک به فرسایش آبکندی با استفاده از مدل CART و سیستم اطلاعات جغرافیایی (GIS) (منطقه مورد مطالعه: حوضه آبخیز خسویه استان فارس). پژوهش‌های ژئومورفولوژی کمی، 12(2)،73-90.
شهبازی، علی؛ وکیلی تجره، فرزانه؛ الوندی، احسان؛ بیات، اصغر و اسدی نلیوان، امید (1400). ارزیابی مدل‌های شبکه عصبی مصنوعی و حداکثر آنتروپی در پهنه‌بندی حساسیت فرسایش آبکندی حوزه آبخیز سد گلستان. مجله علوم ومهندسی آبخیزداری ایران. ۱۵ (۵۲)، ۱۲-۲۳.
طهماسبی‌پور، ناصر؛ رحمتی، امید و قربانی‌نژاد، سمیرا (1394). پیش‌بینی حساسیت به فرسایش آبکندی منطقه سیمره بر اساس مدل عامل قطعیت و تعیین اهمیت عوامل مؤثر بر آن، اکوهیدرولوژی، 3 (1)، 93-83.
عبدالهی، شیلا؛ نظرنژاد، حبیب؛  یعقوب‌زاده، میرحسن و نجفی، سعید (1396). برآورد میزان فرسایش آبکندی و توسعه آنها با استفاده از سیستم اطالعات جغرافیایی و سنجش از دور، مجله علمی پژوهشی مهندسی اکوسیستم بیابان، 6 (17)، 69-78.
غلامی، محمد؛ احمدی، مهدی و محمودی، مهران (1396). تحلیل محدودیت‌های ژئومورفولوژیکی در گسترش کالبدی شهر با تأکید بر فرسایش آبکندی در شهر مهر در جنوب استان فارس، مجله مخاطرات محیط طبیعی، 6 (12)، 124-105.
نیک‌پور، نورالله؛ فتوحی، صمد؛ نگارش، حسین و سیستانی، مسعود (1395). مورفومتری فرسایش آبکندی و عوامل و مؤثر بر ایجاد و گسترش آن در حوضه دشت چم فاضل در جنوب غرب استان ایلام، نشریه تحلیل فضایی مخاطرات محیطی، 4 (1)، 97-11.
وثوقی، شیما؛ ذاکری‌نژاد، رضا و انتظاری، مژگان (1403). پیش‌بینی فرسایش خندقی و شناسایی عوامل موثر بر آن با استفاده از مدل حداکثرآنتروپی و مدل‌های تغییر اقلیمی BCC-CSM2-MR برای سال‌های 2020-2040 (مطالعه موردی: حوضه آبخیز علامرودشت). جغرافیا و برنامه‌ریزی. 28(90)، 141-163. doi: 10.22034/gp.2023.57572.3169
Aboutaib, F., Krimissa, S., Pradhan, B., Elaloui, A., Ismaili, M., Abdelrahman, K & Namous, M. (2023). Evaluating the effectiveness and robustness of machine learning models with varied geo-environmental factors for determining vulnerability to water flow-induced gully erosion. Frontiers in Environmental Science, 11, 1207027.
Ahmadi, H. (2009). Applied geomorphology, water erosion. University of Tehran Publisher. [In persian]
Abdillahi, S., Nazarnejad, H., Najafi, S. (2018). Estimates of gully erosion and development using GIS and RS.  Desert Ecosystem Engineering, 6(17), 69-78. [In persian]
Arabameri, A., Pradhan, B., & Rezaei, K. (2019). Gully erosion zonation mapping using integrated geographically weighted regression with certainty factor and random forest models in GIS. Journal of environmental management, 232, 928-942. https://doi.org/10.1016/J.JENVMAN.11.110.
Amiri, M., Pourghasemi, H.R., Ghanbarian, G.A., & Afzali, S.F. (2020). Spatial modeling of gully erosion in Maharlou Watershed using different scenarios and Weights-of-evidence algorithm. Watershed engineering and management, 11(4), 1016-1032. SID. https://sid.ir/paper/234818/en. [In persian]
Bayati, M., Karamy, F. (2012). Assessment of Soil Erosion Risk in Sareskandar Chay Catchment, Eastern Slope of Sahand Mountain Using USLE Model and GIS. Journal of Geography and Planning, 16(40), 1-23. [In persian]
Bayati, M. (2016). Assessement and Predicting of Soil Erosion Risk at Semi-Arid Mountain: Intergeration of the USLE Model and GIS Technique for Soil Conservation Planning Case Study: Sareskandarchy Catchement, Eastern Slope. Journal of Geography and Planning, 19(54), 61-81. [In persian]
Bammou, Y., (2024). Machine learning models for gully erosion susceptibility assessment in the Tensift catchment, Haouz Plain, Morocco for sustainable development. Journal of African Earth Sciences, vol. 213, doi: 10.1016/j.jafrearsci.2024.105229.
Bammou, Y., Benzougagh, B., Abdessalam, O., Brahim, I., Kader, S., Spalevic, V., Sestras, P., Ercisli, S. (2024). Machine learning models for gully erosion susceptibility assessment in the Tensift catchment, Haouz Plain, Morocco for sustainable development. Journal of African Earth Sciences, 213, 1-16.
Chenrui, Li., Xin, Yang., Yang, Chen., Xingyu, Zhou., Sijin, Li., Xujia. Cui., Guoan, Tang. (2025). Assessing the influence of geo-environmental factors on discontinuous gully erosion at regional scales: A case study of spoon gullies on the loess plateau of China, Journal of Environmental Management,373,123940: 0301-4797. doi.org/10.1016/j.jenvman.2024.123940.
Conoscenti, C, Rotigliano, E. (2020). Predicting gully occurrence at watershed scale: Comparing topographic indices and multivariate statistical models, Geomorphology, 107123.
Gao, J (2023). R-Squared (R2) - How much variation is explained? Research Methods in Medicine & Health Sciences. 5.
Conrad, O. (2006). SAGA. Entwurf, Funktionsumfang und Anwendungeines Systems für Automatisierte Geowissenschaftliche Analysen. Ph.D. Thesis, University of Göttingen, Germany.
Filho, J. D. P. M., Guerra, A. J. T., Cruz, C. B. M., Jorge, M. D. C. O., & Booth, C. A. (2024). Machine learning models for the spatial prediction of gully erosion susceptibility in the Piraí Drainage Basin, Paraíba Do Sul Middle Valley, Southeast Brazil. Land, 13(10), 1665. doi.org/10.3390/land13101665.
Gholamei, M., Ahmadi, M., Mahmodi, M. (2017). Geomorphological analysis of constraints on the physical development of the city by emphasizing the Gully (Case Study: Mohr City in the southern province of Fars). Journal of Natural Environmental Hazards, 6(12), 105-124. doi: 10.22111/jneh.2017.3061. [In persian]
Hasanuzzaman, Md & Adhikary, Partha Pratim & Shit, Pravat. (2023). Gully Erosion Susceptibility Mapping and Prioritization of Gully-Dominant Sub-Watersheds using Machine Learning Algorithms: Evidence from the Silabati River (tropical river, India). Advances in Space Research. 73. 10.1016/j.asr.2023.10.051.
Hitouri, S., Meriame, M., Ajim, A. S., Pacheco, Q. R., Nguyen-Huy, T., Bao, P. Q. & Varasano, A. (2024). Gully erosion mapping susceptibility in a Mediterranean environment: A hybrid decision-making model. International Soil and Water Conservation Research, 12(2), 279-297.
Javidan, N., Kavian A., Rajabi, S., Pourghasemi, H R., Jafarian Z. (2023). Identification the areas prone to gully erosion and landslides in the form of two-hazards map using machine learning models in Gorganrood watershed. Jwmseir, 17 (62) :75-85. [In persian]
Lana JC, de. Castro, PTA. Lana, CE. (2022). Assessing gully erosion susceptibility and its conditioning factors in southeastern Brazil using machine learning algorithms and bivariate statistical methods: a regional approach. Geomorphology 402:108159.
Lu, P., Zhang, B., Wang, C., Liu, M., & Wang, X. (2024). Erosion Gully Networks Extraction Based on InSAR Refined Digital Elevation Model and Relative Elevation Algorithm—A Case Study in Huangfuchuan Basin, Northern Loess Plateau, China. Remote Sensing, 16(5), 921. https://doi.org/10.3390/rs16050921
Li, J. (2024). Gully erosion susceptibility maps and influence factor analysis in the Lhasa River Basin on the Tibetan Plateau, based on machine learning algorithms, Catena, 235. doi: 10.1016/j.catena.2023.107695
Mohebzadeh, H., Biswas, A., DeVries, B. et al. (2024). Transferability of predictive models to map susceptibility of ephemeral gullies at large scale. Nat Hazards, 120: 4527–4561. https://doi.org/10.1007/s11069-023-06377-0
Maulana, E., Sartohadi, J,, Setiawan, MA. (2025). Understanding gully erosion development through a geomorphological approach. Soil & Water Res. 20(2):84-92. doi: 10.17221/92/2024-SWR.
Masoudi, M & Zakerinejad, R. (2011). A new model for assessment of erosion using desertification model of IMDPA in Mazayjan plain, Fars province, Iran. Ecol Environ Conserv, 17(3): 489–594.
Nikpour, N., Fotohi, S., Negaresh, H., & Sistani, M. (2017). Morphometric of gully erosion (ditch) and factors affecting the development of the basin plains on southern west Ilam Cham Fazel. Journal of spatial analysis environmental hazarts, 4(1), 97-112. Sid. Https://Sid.Ir/Paper/264757/En. [In persian]
Nguyen, T-T., Huang, JZ., Nguyen, TT. (2015). Unbiased feature selection in learning random forests for high-dimensional data. Sci World J. https://doi.org/10.1155/2015/471371.
Oldeman, L.R. (1994). The global extent of soil degradation, Soil resilience and sustainable land use, CAB International, Wallingford UK, pp 99–118.
Olaya, V. (2004). A Gentle Introduction to SAGA GIS. 1.1 Edition, Olaya Victor and Pineda Javier Editors., Madrid, Spain.
Refaei, H. (2014). Water erosion and its control. Tehran University Publisher. [In persian]
Renard, K.G., Foster, G.R., Weesies, G.A., McCool, D.K. and Yoder, D.C. (1997). Predicting Soil Erosion by Water: A Guide to Conservation Planning with the Revised Universal Soil Loss Equation (RUSLE). Agriculture Handbook No. 703, US Department of Agriculture, Washington DC, 1-251.
Pirozinejad S, Solemani H, Habibnejad M, Zakeriejad R. (2018). Prediction of Gully erosion with ALOS data and Maxent model in Alvand basin, GIS and RS Iranian National Journal, 4, 95- 110. [In persian]
Phinzi, K, Szabo, S. (2024). Predictive ML for gully susceptibility modeling with geo‑environmental covariates: main drivers, model performance, and computational efficienc. Natural Hazards.
Poesen, J., Nachtergaele, J., Verstraeten, G & Valentin, C. (2003). Gully erosion and environmental change: importance and research needs. Catena, 50 (2–4), 91–133.
Shahbazi, A., Vakili tajareh, F., Alvandi, E., Bayat A., Asadi nalivan, O. (2021). Assessment of Artificial Neural Network Models and Maximum Entropy in Zoning of Gully Erosion Sensitivity of Golestan Dam Basin. Jwmseir. 15 (52) :12-23. URL: http://jwmsei.ir/article-1-968-fa.html. [In persian]
Salford Predictive Modeler, Random Forests Modeling Basics. (2019). Minitab, LLC. Salford Predictive Modeler, Introducing TreeNet (Gradient Boosting Machine), Minitab, LLC.
Shimin, Ni., Jue Peng, Junguang, Wang., Lianqi, Zhu., Dong, Wang., Chongfa, Cai. (2023). Impacts of slope morphological evolution on subsequent erosion for a coarse-textured soil, Geoderma, 430. 116320. doi.org/10.1016/j.geoderma.2022.116320.
Svoray, T., Michailov, E., Cohen A et al. (2012). Predicting gully initiation: comparing data mining techniques, analytical hierarchy processes and the topographic threshold. Earth Surf Process Landf 37:607–619.
Tahmasebipoor, N., Rahmati, O., Ghorbani Nejad, S. (2016). Prediction of gully erosion susceptibilityin Seimare region using certainty factor model and importance analysis of conditioning factors. Journal of Ecohydrology, 3(1): 83-93. [In persian]
Van Remortel, R.D.   Maichle, R.W.   Hickey, R.J.  (2024). Computing the LS factor for the Revised Universal Soil Loss Equation through array-based slope processing of digital elevation data using a C ++ executable Comput. Geosci., 30 (9): 1043-1053.
Vosooghy, S., Zakerinejad, R., Entezari, M. (2025). Spatial Prediction of Gully Erosion Using TanDEM-X data and Maximum Entropy Model (A case study: Alamarvdasht watershed, in South of Fars Province). Journal of Geography and Planning, 28(90): 391-401. [In persian]
Zakerinejad, R & Märker, M. (2014). Prediction of Gully Erosion Susceptibilities using detailed Terrain Analysis and Maximum Entropy Modeling: A case study in the Mazayejan Plain, Southwest Iran, Geografia Fisicae Dinamica Quaternaria, 37(1): 67- 76.
Zakerinejad, R., & Maerker, M. (2015). An integrated assessment of soil erosion dynamics with special emphasis on gully erosion in the Mazayjan basin, southwestern Iran. Natural Hazards, 79(Suppl 1), 25-50.
Zakerinejad, R., Omran, A., Hochschild, V., Maerker, M. (2018). Assessment of gully erosion in relation to lithology in the Southwestern Zagros Mountains, Iran using ASTER data, GIS and stochastic modeling. Geografia Fisica Edinamica Quaternaria, 41(2), 95-104. doi:https://doi.org/10.4461/ GFDQ.2018.41.15. erosion in the Mazayjan basin, southwestern Iran, Nat Hazards.
Zakerinejad R. (2023).  Evaluating the Rate of Soil Erosion and Sedimentation of the Khasoyeh Watershed Using the USPED Model and GIS and its Comparison to Water Erosion Types. E.E.R. 13 (3) :239-256 URL: http://magazine.­hormozgan.­ac.ir/­article-­1-777-­fa.html [In persian]
Zakerinejad, R & Alvandi, P. (2023). Spatial Prediction of Gully Erosion Using TanDEM-X data and Maximum Entropy Model (A case study: Khasoyeh watershed, in Southeast of Fars Province). Quarterly journal of Environmental Erosion Research, 48(13:1). [In persian]
Zakerinejad, R., Fallah, S. (2023). Evaluation of Water Erosion Hazard Map Using the Combination of the RUSLE Model and Gully Erosion Density Map in Alamarvdasht Watershed of Fars Province, Iran. Quantitative Geomorphological Research Journl, 11 (4): 189-209. [In persian]
Zakerinejad, R. (2020). Evaluation of of DEMs to the modeling of the potential of gully erosion using Maxent model (Case study: Semirom catchment in the south of Isfahan Province, Iran). RS & GIS for Natural Resources, 11(3) (In Persian).  
Zakerinejad, R., Kahrani, A., Entezari, M. (2023). Assessment and Comparison of CART and TreeNet models to Landslide Susceptibility Mapping using SPM Software and Geographic Information System (GIS), (Case study: Kameh Watershed, Southern of Isfahan Province). Journal of Natural Environmental Hazards, 12(37). [In persian]
Zakerienjad, R., Masoudi, M. (2020). Quantitative mapping of desertification risk using modified MEDALUS model: a case study in the Mazayejan Plain, Southwest Iran. AUC Geographica 54(2), 232–239.
Zakerinejad, R., Christian, S., Volker, H., Michael, M. (2021). Spatial Disterbution of Water Erosion Using Stochastic Modeling in The Southern Isfahan Province, Iran, Geogr FIS DIN QUAT, 44 (2), 203–216.
Zevenbergenl, W.  & Thornec, R.  (1987).  Quantitative Analysis of Land Surface Topography.  Earth Surface Processes and Landforms, 12, 47-56.