سازمان تحقیقات آموزش و ترویج کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان فارس پژوهش های آبخیزداری 2981-2313 39 2 2026 06 22 Climate Change Prediction under Shared Socioeconomic Pathways (SSP) Scenarios in the Bakhtegan-Maharloo Watershed پیش بینی تغییرات اقلیمی تحت سناریوهای خط سیر اجتماعی- اقتصادی مشترک (SSP) در آبخیز بختگان- مهارلو 1 19 134940 10.22092/wmrj.2025.370599.1634 FA سید نصرالله حسینی دانشجوی دکتری گروه منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران بهارک معتمدوزیری دانشیار گروه منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران هادی کیادلیری دانشیار گروه منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران حسن احمدی استاد دانشکده احیای مناطق خشک و کوهستانی، دانشگاه تهران، کرج، ایران Journal Article 2025 09 26 Introduction and Goal Climate change means long-term, irreversible changes in average climate conditions caused by natural and human factors. Climate change is causing global temperature increases, melting of polar ice caps, rising sea levels, and extreme weather events. The significant impact of these changes on meteorological variables such as temperature and precipitation, which disrupt hydrological order. By using general atmospheric circulation models as advanced and comprehensive tools for simulating and predict climate changes, dynamic and thermodynamic atmospheric processes can be modeled. Therefore, this study aimed to predict climate change under the Sixth Report models in the Bakhtegan-Maharloo watershed. Materials amd Methods In this study, daily precipitation and minimum and maximum temperature data from five synoptic stations of Arsanjan, Neyriz, Safashar, Shiraz and Takht Jamshid were used. Climatic parameters were downscaled using the models of the Sixth Report of the Intergovernmental Panel on Climate Change using the LARS-WG model. The selection of station type was selected based on data adequacy, dispersion and climatic diversity in the watershed. In this study, using three scenarios SSP126, SSP245 and SSP585, the output of three models ACCESS-ESM1-5, CNRM-CM6-1, and MRI-ESM2-0 was used. Using the LARS-WG8 statistical model, downscaling and correction of precipitation and minimum and maximum temperature data were performed to increase the accuracy of the predictions. Finally, the climate projection was calculated for the period 2026 to 2045. Then, daily precipitation and temperature data from the Bakhtegan-Maharloo synoptic stations were processed and compared them with the base period. Results and Discussion The results of the ACCESS-ESM1-5 model showed that the difference between the average precipitation of the base period and the future was significant at the 95% confidence level, and predicted higher precipitation compared to the other two models was related to the ACCESS-ESM1 models, and the estimated magnitude of the CNRM-CM6-1 and MRI-ESM2-0 models was closer to the baseline values. The trend of predicted maximum temperature at all stations and scenarios was increased compared to the observational data and was estimated to be significant and upward at the 95% confidence level. The average annual maximum temperature increased from 24.8°C to 26.9°C. The highest predicted maximum temperature was for the CNRM-CM6-1 model. Shiraz and Persepolis have the highest temperatures. The trend of minimum temperature was increasing in all station. The watershed average minimum temperature increased from 9.7°C to 11.5°C (in the SSP585 scenario), indicating warmer nights and a decrease in nighttime cold. The highest predicted minimum temperature compared to other models was for the CNRM-CM6-1 model. The range of predicted changes in watershed precipitation was from 248.9 to 288.7 mm, and the range of predicted changes in maximum and minimum temperature was from 26 to 26.9 and 11 to 11.9 °C, respectively. Conclusion and Suggestion Based on the results of this study, the increasing trend in precipitation and temperature (maximum and minimum) was consistent with the severity of greenhouse gas emission intensity scenarios, indicating that the Bakhtegan-Maharlu region will become warmer and relatively wetter in the future. The differences between the models indicates the lack of certainty in the projections, which necessitates the use of multiple models and scenarios to reduce decision-making risk. These changes require careful planning and adaptation for water resource management, agriculture, and public health in the region. Based on the results of this research in the Bakhtegan-Maharloo watershed, it is suggested that the cultivation pattern be changed towards low-water-intensive crops in order to reduce water consumption and increase climate resilience. In addition, the use of smart irrigation and the implementation of watershed and aquifer management plans are also recommended. To improve the sustainability of underground resources, participatory resource management, operator training, and monitoring of unauthorized wells are recommended. Also, for effective adaptation to climate change, it is suggested to diversify rural livelihoods by developing green and sustainable jobs. مقدمه و هدف تغییر اقلیم به معنای تغییرات بلندمدت و برگشت‌ناپذیر در میانگین شرایط آب و هوایی ناشی از عامل‌های طبیعی و انسانی است. تغییر اقلیم موجب افزایش دمای جهانی، ذوب شدن یخ های قطبی، افزایش سطح دریا و بروز رویدادهای شدید اقلیمی می شود. اثر زیاد این تغییرات بر متغیرهای هواشناسی مانند دما و بارش سبب اختلال در نظم آب‌شناختی می‌شود. با بهره‌گیری از مدل‌های گردش عمومی جو به‌عنوان ابزارهای پیشرفته و جامع برای شبیه‌سازی و پیش‌بینی تغییرات اقلیمی می‌توان فرآیندهای پویایی و گرماپویایی جوی را شبیه سازی کرد. ازاین‌رو، این پژوهش با هدف پیش‌بینی تغییرات اقلیمی تحت مدل های گزارش ششم در آبخیز بختگان- مهارلو، انجام‌ شد. مواد و روش‌ها در این پژوهش، از داده‌های روزانه بارش و دمای کمینه و بیشینه پنج ایستگاه هم دید ارسنجان، نیریز، صفاشهر، شیراز و تخت جمشید استفاده ‌شد. سنجه‌های اقلیمی با استفاده از مدل های گزارش ششم هیئت بین دولتی تغییر اقلیم با استفاده از مدل LARS-WG ریزمقیاس شد. انتخاب نوع ایستگاه بر اساس کافی بودن داده‌ها، پراکندگی و تنوع اقلیمی در آبخیز بود. در این پژوهش، با بهره‌گیری از سه سناریوی SSP126، SSP245 وSSP585 از برونداد سه مدل ACCESS-ESM1-5، CNRM-CM6-1 و MRI-ESM2-0 استفاده ‌شد. با استفاده از مدل آماری LARS-WG8، ریزمقیاس‌نمایی و اصلاح داده‌های بارش و دمای کمینه و بیشینه به‌منظور افزایش دقت پیش‌بینی‌ها انجام شد. در پایان، پیش بینی اقلیمی برای دوره 2026 تا 2045 محاسبه شد. سپس، داده‌های روزانه بارش و دما ایستگاه‌های هم دید آبخیز بختگان- مهارلو پردازش و با دوره پایه مقایسه شدند. نتایج و بحث نتایج مدل ACCESS-ESM1-5 نشان‌دهندة تفاوت میانگین بارش دوره پایه و آینده در سطح اطمینان 95% معنی‌دار بود و بیشترین بارش پیش‌بینی‌شده در مقایسه با دو مدل دیگر مربوط به مدل ACCESS-ESM1- بود و اندازة برآورد مدل‌های CNRM-CM6-1 و MRI-ESM2-0 به اندازه‌های دوره پایه نزدیکتر بود. روند دمای بیشینه پیش‌بینی‌شده در تمام ایستگاه‌ها و سناریوها در مقایسه با داده‌های مشاهده‌ای افزایشی و در سطح اطمینان 95% معنی‌دار بود. میانگین سالانه دمای بیشینه از 24/8 درجه سانتی‌گراد به 26/9 درجه سانتی گراد افزایش یافت. بیشترین دمای بیشینه پیش‌بینی‌شده مربوط به مدل CNRM-CM6-1 بود. بیشترین دما مربوط به شیراز و تخت جمشید بود. روند دمای کمینه در همه ایستگاه‌ها افزایشی بود. میانگین دمای کمینه آبخیز از 9/7 درجه سانتی‌گراد به 11/5 درجه (در سناریوی SSP585) افزایش یافت و این یافته نشان‌دهنده گرم‌تر شدن شب‌ها و کاهش سرمای شبانه است. بیشترین دمای کمینه پیش‌بینی‌شده در مقایسه با دیگر مدل‌ها مربوط به مدل CNRM-CM6-1 بود. دامنه تغییرات پیش‌بینی‌شده بارش آبخیز از 248/9 تا 288/7 میلی متر و دامنه تغییرات پیش‌بینی‌شده دمای بیشینه و کمینه نیز به‌ترتیب از 26 تا 26/9 و 11 تا 11/9 درجه سانتی‌گراد بود. نتیجه‌گیری و پیشنهادها بر اساس نتایج این پژوهش، روند افزایشی بارش و دما (بیشینه و کمینه) با سناریوهای شدت انتشار گازهای گلخانه‌ای هم‌سو بود که بیانگر گرم‌تر و نسبتاً مرطوب‌تر شدن منطقه بختگان- مهارلو در آینده است. تفاوت میان مدل‌ها نشان‌دهنده نبودن قطعیت در پیش‌بینی‌هاست که ضرورت استفاده از چند مدل و سناریو برای کاهش خطر تصمیم‌گیری است. این تغییرات نیازمند برنامه‌ریزی و سازگاری دقیق برای مدیریت منابع آب، کشاورزی و سلامت عمومی در منطقه است. بر پایه نتایج این پژوهش در آبخیز بختگان–مهارلو، پیشنهاد می‌شود به‌منظور کاهش مصرف آب و افزایش تاب‌آوری اقلیم، الگوی کشت به‌سوی محصولات کم‌آب‌بر تغییر یاید. افزون بر این، بهره‌گیری از آبیاری هوشمند و اجرای طرح‌های آبخیزداری و آبخوان‌داری نیز پیشنهاد می‌شود. برای بهبود پایداری منابع زیرزمینی، مدیریت مشارکتی منابع، آموزش بهره‌برداران و پایش چاه‌های غیرمجاز پیشنهاد می‌شود. همچنین، برای سازگاری مؤثر با تغییرات اقلیمی، تنوع‌بخشی به معیشت روستایی با توسعه مشاغل سبز و پایدار، پیشنهاد می‌شود.

https://wmrj.areeo.ac.ir/article_134940_91d1eae14dd47ff04138946e4609e870.pdf

سازمان تحقیقات آموزش و ترویج کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان فارس پژوهش های آبخیزداری 2981-2313 39 2 2026 06 22 Application of Machine Learning Algorithms in Analyzing the Effect of Fire on Soil Water Repellency in Tushan Watershed, Golestan Province کاربرد الگوریتم‌های یادگیری ماشین در تحلیل اثر آتش‌سوزی بر آبگریزی خاک در آبخیز توشن استان گلستان 20 43 134942 10.22092/wmrj.2025.370992.1637 FA کهزاد حیدری استادیار پژوهشی بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات، آموزش کشاورزی و منابع طبیعی خوزستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، اهواز، ایران علی نجفی نژاد استاد گروه آبخیزداری، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، گلستان، ایران علی محمدیان بهبهانی دانشیار گروه مدیریت مناطق بیابانی، دانشکدة مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گلستان، ایران مجید اونق استاد گروه مدیریت مناطق بیابانی، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران 0000-0002-7856-6069 لوئیز دبلیو دیکر استاد گروه فیزیک خاک و مدیریت زمین، بخش علوم محیط زیست، دانشگاه و پژوهشکده واخنینگن، واخنینگن، هلند Journal Article 2025 10 12 Introduction and Goal In recent decades, forest fires have been recognized as one of the most important environmental threats to forest and rangeland ecosystems. In addition to destroying vegetation and habitats, this phenomenon also severely changes the physical and chemical properties of the soil, the most important of which is the occurrence of the phenomenon of soil water repellency. Soil water repellency can lead to increased surface runoff, reduced permeability, increased erosion, and ultimately reduced ecosystem stability. In recent years, the occurrence of successive and widespread fires in the Hyrcanian forests of northern Iran, particularly in Golestan Province, has caused serious concerns in the field of natural resource management. Despite numerous studies worldwide, domestic research on the effect of fire on soil water repellency, especially the use of new modeling approaches such as machine learning algorithms, is still limited. On the other hand, traditional approaches such as the Water Drop Penetration Time (WDPT) test or ethanol test, although useful for initial identification, cannot model the complex and nonlinear relationships between soil properties and water repellency intensity. Therefore, this study aimed to investigate the temporal changes in soil water repellency after fire and evaluate the power of Machine learning (ML) algorithms in predicting the WDPT index in the Tushan watershed of Golestan Province. In addition, this research, while addressing existing scientific limitations, provided a practical tool for managing fire risks and planning post-fire recovery. Materials and Methods The study was conducted in the Tushan watershed in Golestan Province, part of the Hyrcanian Forests registered on the UNESCO World Heritage List. The climate of the region is semi-humid to humid, with an average annual rainfall of 620 mm and mean temperature of 16 °C. The soils in the region are mainly loess with silty loam texture and high organic matter content, which provide conditions susceptible to the formation of soil water repellency after fire. The experimental design was factorial and was designed in a completely randomized design with two main factors including land-use type and fire treatment (burned vs. control). Soil samples was conducted at three time intervals (one day, one week, and one month after the fire) and at two depths (0–5 and 5–10 cm), and total of 96 samples were collected. Physical and chemical properties of the soil, including texture, pH, EC, OC, OM, aggregate stability, bulk density, were measured. The soil water repellency intensity was measured by the WDPT test. After entering the data into the Python environment, they were preprocessed; outliers were identified using the IQR method but not removed, normalization was performed using Z-score, and the collinearity of variables was checked using VIF. Then, the data was divided into two parts: training (70%) and testing (30%). Twelve ML algorithms were implemented for modeling, including basic, neighborhood-based, aggregate, and hybrid models. Optimization of the hyperparameters was performed using Bayesian search and five-way cross-validation. The performance of the model was evaluated with R², RMSE, MAE, NSE, and CCC indices. In addition, sensitivity analysis was performed using PFI and SHAP methods, and uncertainty analysis was performed using bootstrap and Monte Carlo simulations. Results and Discussion The results show that the effect of fire on soil water repellency was sever but short-lived. The average WDPT one day after the fire was 2.5 minutes, indicating a significant increase in water repellency. In the first week, this decreased to less than a minute and after a month, it was almost zero. This finding indicates the transient nature of the effect of fire on soil surface water repellency. Statistical analyses ANOVA showed that the effects of fire treatment and its interaction with time and land-use on WDPT was significant. Among ML models, the best performance was for Decision Tree (R²=0.44) and Gradient Boosting (R²=0.43), while models such as SVM and Bayesian inference were less accurate. The results of sensitivity analysis showed that silt, EC, and OM were the most important variables in predicting WDPT. SHAP results also showed that increasing silt and OM increased water repellency, while increasing EC had a decreasing effect. The uncertainty analysis indicated that simpler models such as Decision Tree were more robust to outliers, while the uncertainty of more complex models increased at extreme WDPT values. Based on these findings, soil water repellency after fire can be predicted more accurately and stably using simple or boosting-based models. Conclusion and Suggestions This study demonstrated that the effect of fire on soil water repellency in the Tushan watershed was severe but short-lived, and this effect completely disappeared within one month. By using machine learning algorithms, especially Decision Tree and Gradient Boosting, complex relationships between soil properties and water repellency intensity can be modeled with acceptable accuracy. The results of sensitivity and uncertainty analysis showed that variables such as silt, EC, and OM played an important role in the formation of water repellency. Based on the findings of this study, it is suggested that for post-fire management, soil water repellency should be monitored in the short-term and simple and stable models should be used to predict its changes. In addition, by combining field data and remote sensing data and developing regional models, it is possible to improve fire risk management. As a result, it is suggested that future research should examine the long-term effects of fire on other soil properties and ecosystem functions, and that deep learning algorithms be used to increase the accuracy of predictions. مقدمه و هدف در دهه‌های گذشته آتش‌سوزی‌های جنگلی به‌عنوان یکی از مهم‌ترین تهدیدهای زیست‌محیطی در بوم‌سازگان‌های جنگلی و مرتعی شناخته شده‌اند. این پدیده افزون بر نابودی تخریب پوشش گیاهی و زیستگاه‌ها، به‌شدت سبب تغییر ویژگی‌های فیزیکی و شیمیایی خاک می‌شود که از جمله مهم‌ترین آن‌ها بروز پدیده آب‌گریزی خاک است. آب‌گریزی خاک می‌تواند منجر به افزایش رواناب سطحی، کاهش نفوذپذیری، تشدید فرسایش و در نهایت کاهش پایداری بوم‌سازگان شود. در سال‌های گذشته، رخداد آتش‌سوزی‌های پیاپی و گسترده در جنگل‌های هیرکانی شمال ایران، به‌ویژه در استان گلستان، در زمینه مدیریت منابع‌طبیعی سبب نگرانی‌های جدی شده است. با وجود پژوهش‌های پرشمار در سطح جهانی، پژوهش‌های داخلی در زمینه بررسی اثر آتش‌سوزی بر آب‌گریزی خاک و به‌ویژه استفاده از رویکردهای نوین مدل‌سازی همچون الگوریتم‌های یادگیری ماشین هنوز محدود است. از سوی دیگر، روش‌های سنتی مانند آزمون زمان نفوذ قطره آب (WDPT) یا آزمون اتانول، اگرچه برای شناسایی اولیه مفیدند، اما نمی‌توان روابط پیچیده و غیرخطی میان ویژگی‌های خاک و شدت آب‌گریزی را مدل‌سازی کرد. ازاین‌رو، این پژوهش با هدف بررسی تغییرات زمانی آب‌گریزی خاک پس از آتش‌سوزی و ارزیابی توان الگوریتم‌های یادگیری ماشین در پیش‌بینی شاخص WDPT در آبخیز توشن استان گلستان انجام شد. افزون بر این، در این پژوهش ضمن برطرف کردن محدودیت‌های علمی موجود، ابزاری کاربردی برای مدیریت خطر‌های ناشی از آتش‌سوزی و برنامه‌ریزی احیای پس از آن ارائه شد. مواد و روش‌ها این پژوهش در آبخیز توشن در استان گلستان، بخشی از جنگل‌های هیرکانی ثبت‌شده در فهرست میراث جهانی یونسکو، انجام شد. اقلیم منطقه نیمه‌مرطوب تا مرطوب و میانگین سالانه بارندگی 620 میلی‌متر و میانگین دما ۱6 درجه سانتی‌گراد است. خاک‌های منطقه عمدتاً لسی با بافت لوم سیلتی با مواد آلی زیاد هستند که شرایطی مستعد برای شکل‌گیری آب‌گریزی پس از آتش فراهم می‌آورند. طرح آزمایش فاکتوریل بود و در قالب طرح کاملاً تصادفی با دو عامل اصلی شامل نوع کاربری زمین و تیمار آتش‌سوزی (شاهد و سوخته) طراحی شد. نمونه‌برداری خاک در سه بازه زمانی (یک روز، یک هفته و یک ماه پس از آتش‌سوزی) و در دو ژرفا (5–0 و 10–5 سانتی‌متر) انجام شد و در مجموع ۹۶ نمونه برداشت شد. ویژگی‌های فیزیکی و شیمیایی خاک شامل بافت، اسیدیته، هدایت الکتریکی، کربن آلی، ماده آلی، پایداری خاک‌دانه و جرم‌مخصوص‌ظاهری اندازه‌گیری شدند. شدت آب‌گریزی با شاخص WDPT سنجیده شد. داده‌ها پس از ورود به محیط پایتون پیش‌پردازش شدند؛ داده‌های پرت با روش IQR شناسایی اما حذف نشدند، بهنجار‌سازی با Z-score انجام شد و هم‌خطی متغیرها با VIF بررسی شد. سپس، داده‌ها به دو بخش آموزش (%۷۰) و آزمون (%۳۰) تقسیم شدند. برای مدل‌سازی از ۱۲ الگوریتم یادگیری ماشین شامل مدل‌های پایه، مبتنی بر همسایگی، تجمیعی و ترکیبی استفاده شد. بهینه‌سازی ابرسنجه‌ها با روش جستجوی بیزی و اعتبارسنجی متقاطع پنج‌تایی انجام شد. عملکرد مدل‌ها با شاخص‌های R²، RMSE، MAE، NSE و CCC ارزیابی شد. افزون بر این، تحلیل حساسیت با روش‌های PFI و SHAP و تحلیل نبودن قطعیت با بوت‌استرپ و شبیه‌سازی مونت‌کارلو انجام شد. نتایج و بحث نتایج نشان داد اثر آتش‌سوزی بر آب‌گریزی خاک، شدید اما کوتاه‌مدت بود. میانگین WDPT یک روز پس از آتش‌سوزی 5/2 دقیقه بود که نشان‌دهنده افزایش قابل‌توجه آب‌گریزی است. در هفته اول این اندازه به کمتر از یک دقیقه کاهش یافت و پس از یک ماه تقریباً صفر شد. این یافته بیانگر ماهیت گذرای اثر آتش بر آب‌گریزی سطحی خاک است. تحلیل‌های آماری (ANOVA) نشان داد اثر تیمار آتش‌سوزی و برهم‌کنش آن با زمان و کاربری زمین بر WDPT معنی‌دار بود. در میان الگوریتم‌های یادگیری ماشین، بهترین عملکرد مربوط به درخت تصمیم (0/44=R2) و شیب بوستینگ (0/43=R2) بود، در حالی که دقت مدل‌هایی مانند SVM و وایازی بیزین کمتر بود. نتایج تحلیل حساسیت نشان داد سیلت، هدایت الکتریکی و ماده آلی مهم‌ترین متغیرها در پیش‌بینی WDPT بودند. نتایج SHAP نیز نشان داد افزایش سیلت و ماده آلی موجب افزایش آب‌گریزی شد، در حالی که اثر افزایش EC کاهنده بود. تحلیل نبودن قطعیت نشان داد پایداری مدل‌های ساده‌تر مانند درخت تصمیم در برابر داده‌های پرت بیشتر بود، در حالی که نبودن قطعیت مدل‌های پیچیده‌تر در اندازه‌های حدی WDPT افزایش یافت. بر پایة این یافته‌ها می‌توان با استفاده از مدل‌های ساده یا مبتنی بر بوستینگ، آب‌گریزی خاک پس از آتش‌سوزی را دقیق‌تر و پایدارتر پیش‌بینی کرد. نتیجه‌گیری و پیشنهادها این پژوهش نشان داد اثر آتش‌سوزی بر آب‌گریزی خاک در آبخیز توشن شدید اما کوتاه‌مدت بود و در مدت یک ماه این اثر به‌طور کامل از بین رفت. با بهره‌گیری از الگوریتم‌های یادگیری ماشین، به‌ویژه درخت تصمیم و شیب بوستینگ، می‌توان روابط پیچیده میان ویژگی‌های خاک و شدت آب‌گریزی را با دقت قابل‌قبولی مدل‌سازی کرد. نتایج تحلیل حساسیت و نبودن قطعیت نشان داد در شکل‌گیری آب‌گریزی، نقش متغیرهایی مانند سیلت، هدایت الکتریکی و ماده آلی مهم بود. بر اساس یافته‌های این پژوهش پیشنهاد می‌شود برای مدیریت پس از آتش‌سوزی آب‌گریزی خاک به‌شکل کوتاه‌مدت پایش شود و از مدل‌های ساده و پایدار برای پیش‌بینی تغییرات آن، بهره‌گیری شود. افزون بر این، با ترکیب داده‌های میدانی و داده‌های سنجش از دور و توسعه مدل‌های منطقه‌ای می‌توان سبب بهبود مدیریت خطر‌های ناشی از آتش‌سوزی شد. در نتیجه، پیشنهاد می‌شود در پژوهش‌های آینده اثرات بلندمدت آتش‌سوزی بر دیگر ویژگی‌های خاک و کارکردهای بوم‌سازگان بررسی شود و از الگوریتم‌های یادگیری عمیق برای افزایش دقت پیش‌بینی‌ها بهره‌‌گیری شود.

https://wmrj.areeo.ac.ir/article_134942_5d019b5b6d8d2369a58f11fbd07d352d.pdf

سازمان تحقیقات آموزش و ترویج کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان فارس پژوهش های آبخیزداری 2981-2313 39 2 2026 06 22 Spatio-Temporal Variability of the Effect of Pressure, State, and Response Indices on the Future Health of Iran's Watersheds تغییرپذیری زمانی-مکانی اثر شاخص‌های فشار، حالت و پاسخ بر سلامت آیندة آبخیزهای کشور 44 62 134943 10.22092/wmrj.2025.371015.1638 FA سیدحمیدرضا صادقی استاد گروه مهندسی آبخیزداری، دانشکده منابع‌طبیعی، دانشگاه تربیت مدرس، نور، ایران علی نصیری خیاوی پژوهشگر مرکز تحقیقات و آموزش کشاورزی و منابع‌طبیعی استان اردبیل، اردبیل، ایران رضا چمنی پژوهشگر پسادکتری گروه مهندسی آبخیزداری، دانشکده منابع‌طبیعی، دانشگاه تربیت مدرس، نور، ایران 0009-0000-9913-8939 نگین بهنیا پژوهشگر پسادکتری گروه مهندسی آبخیزداری، دانشکده منابع‌طبیعی، دانشگاه تربیت مدرس، نور، ایران وحید موسوی دانشیار گروه مهندسی آبخیزداری، دانشکده منابع‌طبیعی، دانشگاه تربیت مدرس، نور، ایران حمید نوری دانشیار گروه مرتع و آبخیزداری، دانشکده منابع‌طبیعی، دانشگاه ملایر، ملایر، ایران پدیده‌السّادات صادقی دانش‌آموخته کارشناسی‌ارشد گروه مهندسی آبخیزداری، دانشکده منابع‌طبیعی، دانشگاه تربیت مدرس، نور، ایران 0009-0008-1467-9815 محمدحسین شوشتری دانش ‎آموخته دکتری مؤسسه ژئوفیزیک دانشگاه تهران، ایران عبدالواحد خالدی‌درویشان دانشیار گروه مهندسی آبخیزداری، دانشکده منابع‌طبیعی، دانشگاه تربیت مدرس، نور، ایران مهدی وفاخواه استاد گروه مهندسی آبخیزداری، دانشکده منابع‌طبیعی، دانشگاه تربیت مدرس، نور، ایران حمیدرضا مرادی‌رکابدارکلائی استاد گروه مهندسی آبخیزداری، دانشکده منابع‌طبیعی، دانشگاه تربیت مدرس، نور، ایران Journal Article 2025 10 13 Introduction and Goal Watershed health is a broad term that encompasses water resources, ecological quality (including vegetation, plant and animal communities, native plants, geomorphological features, and precipitation-runoff processes), and morphological features. The country's water and food security, as the main national goals, are under threat due to improper management of water and land resources. Comprehensive assessment and management of watersheds are considered effective and efficient approaches by international scientific communities for managing water, land, and their dependent resources, and for balancing the socio-economic needs of watershed communities with the health and sustainability of ecosystems. Also, awareness of watershed health is considered one of the most fundamental aspects of sustainable, comprehensive watershed management. Therefore, in this study, the effects of pressure, state, and response indicators on the health of the country's third-order watersheds were predicted. Materials and Methods To achieve the research aim, more than 520 criteria related to pressure, state, and response indicators from environmental, climatic, and human factors were identified and collected for about 640 watersheds. Then, due to correlations among criteria, the variance inflation factor test was used to reduce the data and eliminate criteria with severe multicollinearity. Finally, the indicators were divided into two categories: static and dynamic. Next, the criteria affecting the health and security status of watersheds were extracted with appropriate spatial accuracy at the sub-watershed and PSR model levels, and their values were calculated for the current conditions (2023). After determining the dynamic criteria, various methods, including regression, the SARIMA model, and machine learning algorithms, were used to predict dynamic criteria for 2033, 2043, and 2053. After predicting the dynamic criteria, the PSR conceptual model was applied to future years, and the health zoning of the country's third-order watersheds was conducted in ArcGIS 10.8. To assess future status, dynamic indicators were predicted from time-series data for 2033, 2043, and 2053, and the effects of each indicator on watershed health were analyzed. Results and Discussion A spatial zoning analysis of the health of the country's third-order watersheds in 2033, 2043, and 2053 showed that health status was heterogeneous. In the northern regions (Gilan, Mazandaran), high rainfall and dense vegetation cover result in favorable watershed health (60-70% in the good and very good classes). In contrast, the southern regions (Hormozgan and Sistan and Baluchestan) have poorer status (40-50% in the moderate to poor classes) due to low rainfall and inappropriate human activities. Accordingly, in the coming years, the health of northwestern regions is expected to decline somewhat, while eastern regions (such as Khorasan Razavi) will be severely affected by drought and excessive water extraction, with health declining to below 20%. Overall, the results showed that the response index (about 61%) had a greater effect on the health of the study watershed system than the pressure and state indices. Therefore, no significant change was observed in the future study years (2033, 2043, and 2053) in the impact of the PSR model indices on the watershed health index. Conclusion and Suggestions The analysis showed that future watershed management should be based on rapid responsiveness, as it will increasingly rely on adaptive measures such as vegetation restoration and flood control. Also, although the impact of human pressures (about 20%) is relatively stable, its fluctuations require integrated management of human activities such as agriculture and urban development. On the other hand, the relative stability of the state index (about 19%) indicates the need to focus on long-term strategies, such as soil and water resource conservation. Therefore, combining flexible short-term measures with sustainable conservation policies will be the key to optimal watershed management in the face of future environmental changes. Overall, the findings of this study support a dynamic and adaptive approach to watershed management, in which the combination of short-term, reactive strategies based on monitoring (such as temporary changes in cropping patterns in response to drought) and long-term conservation strategies provides feedback for modifying and strengthening long-term, sustainable strategies (such as ecosystem restoration and integrated water resources management) and paves the way for the creation of an adaptive management approach, leading to a systemic correlation between these two levels or, by improving it, ensuring the health of watersheds against future changes. According to the study's results, it is recommended that governing bodies, such as the Natural Resources and Watershed Management Organization and the Ministry of Energy of Iran, use these findings to develop regulations for budget allocation to watershed management projects. مقدمه و هدف سلامت آبخیز یک واژه گسترده و دربرگیرندة منابع آبی، کیفیت بوم‌شناختی ازجمله پوشش گیاهی، جامعه‌های گیاهی و جانوری، گیاهان بومی، ویژگی‌های زمین‌ریخت‌شناسی، فرآیندهای بارش-رواناب، ویژگی‌های ریخت‌شناسی است. امنیت آبی و غذایی کشور به‌عنوان اصلی‌ترین اهداف کلان ملی به‌دلیل مدیریت ناصحیح منابع آب و سرزمین، در معرض تهدید است. از سوی دیگر، ارزیابی و مدیریت جامع آبخیزها، در جامعه‌های علمی بین‌المللی به‌عنوان رویکردی مؤثر و کارا برای مدیریت آب، سرزمین و منابع وابسته به آن‌ها و ایجاد تعادل میان نیازهای اقتصادی-اجتماعی جامعه‌های آبخیزنشین و سلامت و پایداری بوم‌سازگان‌ها به‌شمار می‌آید. افزون بر این، آگاهی از سلامت آبخیزها یکی از مهم‌ترین و اساسی‌ترین بخش‌ها در مدیریت پایدار و جامع آبخیزها به‌شمار می‌آید. ازاین‌رو، در این پژوهش اثر شاخص‌های فشار، حالت و پاسخ بر سلامت آبخیزهای رده سوم کشور، پیش‌بینی شد. مواد و روش‌ها برای دستیابی به هدف پژوهش، بیش از 520 معیار مختلف مرتبط با شاخص ‎های فشار، حالت و پاسخ از عامل‌های محیطی، اقلیمی و انسانی برای حدود 640 آبخیز شناسایی و جمع‌آوری شد. سپس، به‌دلیل همبستگی درونی معیارها، از آزمون تورم پراکنش برای کاهش داده‌ها و حذف معیارهای هم‌راستا استفاده شد. در پایان، شاخص‌های نهایی در دو دسته ایستا و پویا تعریف شدند. در ادامه، معیارهای اثرگذار بر وضعیت سلامت و امنیت آبخیزها با دقت مکانی مطلوب زیرآبخیزها و در مدل PSR استخراج و اندازة معیارها برای شرایط کنونی (2023) محاسبه شد. پس از تعیین معیارهای پویا، از روش‌های مختلف شامل وایازی، مدل SARIMA و الگوریتم‌های یادگیری ماشین استفاده شد و معیارهای پویا برای سال‎ های 2033، 2043 و 2053 پیش‌بینی شد. پس از پیش‌بینی معیارهای پویا، دوباره مدل مفهومی PSR برای سال‎ های آینده استفاده شد و سلامت آبخیزهای رده سوم کشور در نرم‌افزار ARC-GIS نسخه 10/8 پهنه‌بندی شد. برای ارزیابی وضعیت آینده، پیش‌بینی شاخص‌های پویا بر اساس داده‌های زمانی سال‌های 2033، 2043 و 2053 انجام شد و اثر هر شاخص بر سلامت آبخیز تحلیل شد. نتایج و بحث تحلیل پهنه‌بندی سلامت آبخیزهای رده سوم کشور در سال‌های 2033، 2043 و 2053 نشان‌دهندة توزیع ناهمگون وضعیت سلامت آبخیزها بود. در مناطق شمالی (گیلان، مازندران) به‌دلیل بارندگی زیاد و پوشش گیاهی متراکم، سلامت آبخیزها مطلوب (60 تا70 درصد در طبقات خوب و بسیارخوب) بود. از سوی دیگر، وضعیت مناطق جنوبی (هرمزگان، سیستان و بلوچستان) به‌دلیل کم‌بارشی و فعالیت‌های نامناسب انسانی، ضعیف‌تر (40 تا50 درصد در طبقات متوسط تا ضعیف) بود. بر این اساس در سال‌های آینده، سلامت مناطق شمال‌غربی نسبتاً کاهش خواهد یافت، درحالی‌که مناطق شرقی (مانند خراسان‌رضوی) به‌دلیل خشک‌سالی و برداشت بی‌رویه آب، به‌شدت آسیب خواهد دید و سلامت آنها به کمتر از 20 درصد خواهد رسید. در مجموع نتایج نشان داد اثر شاخص پاسخ (حدود 60 درصد) در مقایسه با شاخص‌های فشار و حالت بر سلامت سامانه آبخیزهای مطالعه‌شده بسیار بیشتر بود. ازاین‌رو، می‌توان گفت در سال‌های آینده (سال‌های 2033، 2043 و 2053) اندازة اثرگذاری تغییرات شاخص‌های مدل PSR بر شاخص سلامت آبخیز، قابل‌توجه نخواهد بود. نتیجه‌گیری و پیشنهادها بر پایة نتایج این پژوهش، مدیریت آبخیزها در آینده باید بر واکنش‌پذیری سریع استوار باشد زیرا، این مدیریت به‌طور فزاینده‌ای به اقدامات انطباقی مانند احیای پوشش گیاهی و مهار سیلاب وابسته خواهند شد. افزون بر این، اگرچه اثر فشارهای انسانی (حدود 20 درصد) نسبتاً پایدار است، اما نوسانات آن نیازمند مدیریت یکپارچه فعالیت‌های بشری مانند کشاورزی و توسعه شهری است. از سوی دیگر، پایداری نسبی شاخص حالت (حدود 19درصد) بیانگر لزوم توجه به راهبردهای بلندمدت مانند حفاظت از منابع خاک و آب است. ازاین‌رو، ترکیب اقدامات کوتاه‌مدت انعطاف‌پذیر با سیاست‌های پایدار حفاظتی، ابزار مدیریت بهینه آبخیزها در تغییرات محیطی آینده خواهد بود. به‌طورکلی، یافته‌های این پژوهش مؤید رویکرد پویا و سازگار در مدیریت آبخیزها است، به‌ شیوه‌ای ‌که ترکیب راهبردهای کوتاه‌مدت واکنشی مبتنی بر پایش (مانند تغییر موقت الگوی کشت در پاسخ به خشک‌سالی) و راهبردهای بلندمدت حفاظتی، بازخوردی برای اصلاح و تقویت راهبردهای بلندمدت و پایدار (مانند احیای بوم‌سازگان و مدیریت جامع منابع آب) و زمینه‌ساز ایجاد یک رویکرد مدیریت سازگار است و سبب هم‌بستگی سامانه‌ای میان این دو سطح شده و یا با بهبود آن ضامن حفظ سلامت آبخیزها در برابر تغییرات آینده است. بر اساس نتایج به دست آمده پیشنهاد می‌شود که نهادهای حاکمیتی مانند سازمان منابع‌طبیعی و آبخیزداری کشور و وزارت نیرو، از یافته‌های این پژوهش در قالب آیین‌نامه‌های تخصیص بودجه برای طرح‌های آبخیزداری بهره‌گیرند.

https://wmrj.areeo.ac.ir/article_134943_ccfdef6c1e0b21f62a848500948b0e42.pdf

سازمان تحقیقات آموزش و ترویج کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان فارس پژوهش های آبخیزداری 2981-2313 39 2 2026 06 22 Comparative Analysis of Three Remote Sensing Models for Estimating Actual Evapotranspiration in the areas flood water spreading of Garbaygan Fasa تحلیل مقایسه‌ای سه مدل سنجش از دور در برآورد تبخیر-تعرق واقعی در عرصه های پخش سیلاب گربایگان فسا 63 79 134945 10.22092/wmrj.2025.371213.1642 FA علی جعفری استادیار بخش تحقیقات جنگل ها، مراتع و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی بوشهر، سازمان تحقیقات، آموزش و ترویج کشاورزی، بوشهر، ایران حمید حسینی مرندی استادیار بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران مجتبی پاک پرور دانشیار بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران امیر اسلامی دانشیار بخش تحقیقات فنی و مهندسی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران Journal Article 2025 10 31 Introduction and Goal Sustainable water management in arid and semi-arid regions requires accurate estimation of water balance components, especially actual evapotranspiration (ETa). In irrigated agriculture, actual evapotranspiration is particularly crucial for understanding water consumption by vegetation. In recent years, due to the limitations of field-based ETa measurements, satellite remote sensing models such as METRIC, SEBAL, and SEBS have gained increasing importance. This study aims to evaluate and compare the performance of these three models in estimating ETa over the Garbayegan Plain, Fars Province, Iran. Materials and Methods The study was conducted in the Garbayegan Plain, located in southeastern Fars Province with an arid climate and an average annual rainfall of about 230 mm. Landsat 8 and 9 satellite imagery from the 2022–2023 agricultural season were used. After applying geometric, radiometric, and atmospheric corrections, the SEBAL, METRIC, and SEBS models were implemented based on the surface energy balance equation. Using these models, net radiation, soil heat flux, sensible heat flux, and latent heat flux were estimated, and instantaneous and daily ETa were subsequently to calculate. Field data, soil water balance, and irrigation records were used for validation. NDVI indices were applied to extract agricultural pixels and to evaluate crop water consumption. Results and Discussion The results showed that the highest accuracy in ETa estimation was achieved by the METRIC model (R² = 0.87, RMSE = 0.85 mm/day), primarily due to its use of internal calibration via anchor pixels. The performance of the SEBS model was also acceptable (R² = 0.79). Although SEBAL is structurally similar to METRIC, its lack of local calibration resulted in lower accuracy (R² = 0.74). Nevertheless, SEBAL produced more detailed spatial maps of ETa. The selection of an appropriate model for ETa estimation depends on the intended application, the availability of field data, and the required numerical or spatial accuracy. The METRIC model, when combined with reference pixel calibration, was found to be more suitable for regional assessments at the farm scale. On the other hand, SEBAL and SEBS can provide useful preliminary spatial insights under limited field data conditions. The superior performance of METRIC highlights the importance of integrating ground observations with satellite imagery. Conclusion and Suggestions The findings of this study indicate that the METRIC model is a reliable tool for accurately estimating ETa in agricultural lands of the Garbayegan Plain. It can be used to monitor water consumption, support irrigation scheduling and evaluate water use efficiency. Furthermore, NDVI-based pixel classification significantly improved estimation of agricultural water consumption. It is recommended that future studies employ satellite imagery with high-temporal-resolution satellites (e.g., Sentinel-2) for model calibration and validation, along with a greater integration of field observations. مقدمه و هدف مدیریت پایدار آب در مناطق خشک و نیمه‌خشک مستلزم برآورد دقیق اجزای تعادل آب، به‌ویژه تبخیر-تعرق واقعی (ETa) است. در کشاورزی آبی، تبخیر-تعرق واقعی به‌ویژه برای درک مصرف آب به‌وسیلة پوشش گیاهی، حیاتی است. در سال‌های گذشته، با توجه به محدودیت‌های اندازه‌گیری ETa مبتنی بر میدان، مدل‌های سنجش از دور ماهواره‌ای مانند متریک، سیبال و سبس اهمیت بیشتری دارند. در این پژوهش، عملکرد این سه مدل در برآورد ETa در دشت گربایگان استان فارس، ارزیابی و مقایسه انجام شد. مواد و روش‌ها این پژوهش در دشت گربایگان در جنوب‌شرقی استان فارس با آب و هوای خشک و میانگین سالانه بارندگی 230 میلی‌متر انجام شد. تصویرهای ماهواره‌ای لندست 8 و 9 از فصل کشاورزی 2022-2023 استفاده شد. پس از انجام اصلاحات هندسی، رادیومتری و جو، مدل‌های سیبال، متریک و سبس بر اساس معادله تعادل انرژی سطح اجرا شدند. با استفاده از این مدل‌ها، تشعشع خالص، شار حرارتی خاک، شار حرارت محسوس و شار گرمای نهان برآورد شد و سپس ETa لحظه‌ای و روزانه محاسبه شد. برای اعتبارسنجی از داده‌های مزرعه، بیلان آب خاک و تاریخچة آبیاری استفاده شد. شاخص‌های NDVI برای استخراج پیکسل‌های کشاورزی و ارزیابی مصرف آب محصول استفاده شد. نتایج و بحث نتایج نشان داد بیشترین دقت در برآورد ETa مربوط به مدل متریک (0/87R² =، 0/85 RMSE =میلی‌متر در روز) بود که دلیل آن استفاده از واسنجی داخلی با پیکسل‌های لنگر بود. عملکرد مدل سبس نیز قابل قبول بود (0/79R2=). مدل سیبال، به‌رغم شباهت ساختاریش به متریک، به‌دلیل واسنجی‌نشدن محلی، دقت کمتری (0/74 R2 =) داشت. با این حال با استفاده از مدل سیبال، نقشه‌های فضایی بهتری از ETa تولید شد. انتخاب مدل برای برآورد ETa به کاربرد مد نظر، در دسترس بودن داده‌های میدانی و دقت عددی یا مکانی دلخواه بستگی دارد. مدل متریک همراه با واسنجی پیکسل مرجع، برای ارزیابی‌های منطقه‌ای در مقیاس مزرعه مناسب‌تر بود. از سوی دیگر، با استفاده از سیبال و سبس می‌توان بینش‌های فضایی اولیه را در شرایط داده‌های میدانی محدود، ارائه داد. عملکرد برتر متریک بیانگر اهمیت ترکیب مشاهده‌های زمینی با تصویرهای ماهواره‌ای بود. نتیجه‌گیری و پیشنهادها یافته‌های این پژوهش بیانگر آن بود که مدل متریک ابزاری قابل اعتماد برای برآورد دقیق ETa در زمین‌های کشاورزی دشت گربایگان است و می‌توان به‌وسیلة آن بر مصرف آب نظارت کرد و آبیاری را برنامه‌ریزی و بهره‌وری را ارزیابی کرد. افزون بر این، طبقه‌بندی پیکسل مبتنی بر NDVI به‌طور قابل توجهی برآورد مصرف آب کشاورزی را بهبود بخشید. پیشنهاد می‌شود در پژوهش‌های آینده برای واسنجی و اعتبارسنجی مدل از تصویرهای ماهواره‌‌ای با وضوح زمانی زیاد (به‌عنوان مثال، Sentinel-2) و ترکیب مشاهده‌های میدانی بیشتر، استفاده شود.

https://wmrj.areeo.ac.ir/article_134945_757537ab11b792745307e9cd59832d1b.pdf

سازمان تحقیقات آموزش و ترویج کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان فارس پژوهش های آبخیزداری 2981-2313 39 2 2026 06 22 Prediction and Modeling of Soil Erosion Rates Using Machine Learning Algorithms in Maraveh Tappeh and Kalaleh Counties, Golestan Province پیش‌بینی و مدل‌سازی نرخ فرسایش خاک با استفاده از الگوریتم‌های یادگیری ماشین در شهرستان‌های مراوه تپه و کلاله استان گلستان 80 95 134944 10.22092/wmrj.2025.371189.1641 FA عبدالحسین بوعلی محقق پسادکتری گروه مدیریت مناطق خشک و بیابانی، دانشکده منابع طبیعی و محیط زیست، دانشگاه فردوسی مشهد، مشهد، ایران نرگس کریمی‌نژاد استادیار بخش مهندسی منابع طبیعی و محیط زیست، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران مرتضی اکبری دانشیار گروه مدیریت مناطق خشک و بیابانی، دانشکده منابع طبیعی و محیط زیست، دانشگاه فردوسی مشهد، مشهد، ایران مریم یعقوبی دانشجوی دکتری گروه مهندسی آب، دانشکده کشاورزی، دانشگاه شهرکرد، شهرکرد، ایران محسن فراهی استادیار گروه مهندسی طبیعت، دانشکده علوم محیطی و توسعه پایدار، دانشگاه سراوان، سراوان، ایران Journal Article 2025 11 16 Introduction and Goal Water erosion is one of the major environmental hazards worldwide, leading to soil degradation, reduced fertility, and increased sedimentation in rivers. Golestan Province, particularly its northern regions with sensitive loess soils and specific climatic conditions, is considered one of the main erosion hotspots in Iran. The investigated issue is the limitation of traditional methods in providing accurate, rapid, and reliable zoning of water erosion in the sensitive regions of Golestan Province, where complex and nonlinear relationships among environmental factors require more advanced approaches. Machine learning (ML) algorithms, due to their ability to model complex and non-linear relationships between variables, are powerful tools for the spatial prediction of phenomena such as erosion. The objective of this study was to model the spatial potential of water erosion in the Maraveh Tappeh and Kalaleh counties using advanced machine learning algorithms and to compare their performance with an ensemble model. Materials and Methods The study area covers the northern lands of Golestan Province, with an area of approximately 4944.5 km², which is susceptible to water erosion due to its steep topography, seasonal rainfall, and loess soils. Therefore, first, layers of informational of factors affecting erosion were first prepared. These factors included eight environmental and climatic indices: Precipitation Index (station data), Vegetation Index (NDVI), Topographic Grain Size Index (TGSI), Land Use layer, Normalized Difference Moisture Index (NDMI), Digital Elevation Model (DEM), Bare Soil Index (BI), and Normalized Difference Salinity Index (NDSI), all of which were extracted from Landsat 8 satellite imagery. A map of observed erosion locations was used as the dependent variable layer in the modeling. Accordingly, 100 points (50 points of water erosion and 50 points of its absence) were taken during the field visit. In this study, 70% of the data was used for training and 30% for testing. Three machine learning algorithms Random Forest (RF), Support Vector Machine (SVM), and Boosted Regression Trees (BRT) were employed to train the models. Finally, an ensemble model was developed based on the weighted average of the outputs of these three individual models to enhance prediction accuracy. The performance of the models was evaluated using statistical indices, including the Kappa coefficient, Receiver Operating Characteristic (ROC) curve, and True Skill Statistic (TSS). Results and Discussion The evaluation results indicated that the performance of each of the three individual models (RF, SVM, and BRT) in modeling water erosion was acceptable, however, the ensemble model (Kappa=0.90, ROC=0.93, and TSS=0.89), by leveraging the strengths of all three models, demonstrated superior performance in accurately distinguish erosion-prone from stable zones and in reducing classification errors. This superiority confirms that the ensemble approach, using weighted averaging, uncertainties can be managed more effectively than in any individual model, resulting in a more stable, reliable output. The final erosion potential map, generated by this model was clearly identified that the northern, western, and southwestern parts of the study area are the main hotspots for water erosion. This spatial pattern is not random but is rooted in the complex interaction of factors; in these areas have steep topography, which increases water flow velocity and its erosive power, receive higher rainfall, providing the necessary energy for the erosion process, and possess weaker vegetation cover, which acts as the soil's primary defense. Analysis of variable importance also revealed that precipitation as a driving factor and the Vegetation Index (NDVI) as the resisting factor, are respectively the most influential controls on erosion in the region. This finding indicates that any conservation measure that improve vegetation cover (such as planting, grazing management, and preventing degradation) can directly neutralize the destructive effects of rainfall. This approach is the most effective strategy for controlling erosion in sensitive areas. Therefore, the results of this study not only provide an accurate map but also offer a scientific framework for prioritizing and implementing evidence-based management actions. Conclusion and Suggestions The superiority of the ensemble model in this research demonstrates the high reliability of weighted averaging approaches in reducing error and enhancing prediction accuracy. The concentration of high-risk areas in steep slopes with low vegetation cover is fully consistent with the principles of erosion physics. The high importance of precipitation and vegetation cover emphasizes that sustainable land management, such as implementing biological operations (such as planting resistant and deep-rooted species) is the most effective strategy for erosion control in the region, and according to scientific reports, can reduce surface runoff and erosion by 30–50%. Decision-makers, natural resource managers, and urban and rural planners can use the erosion potential map produced in this study as a practical scientific tool for prioritizing conservation measures and optimize resource allocation. Based on the results of this study, it is recommended that future research, while considering existing limitations (such as the spatial resolution of some datasets), make use of more advanced ensemble models and higher-accuracy data. مقدمه و هدف فرسایش آبی یکی از چالش‌های مهم زیست‌محیطی در سراسر جهان است که منجر به نابودی خاک، کاهش حاصلخیزی و افزایش رسوبدهی در رود‌ها می‌شود. استان گلستان، بهویژه مناطق شمالی آن با خاک‌های حساس لسی و شرایط اقلیمی خاص، یکی از کانون‌های اصلی فرسایش در ایران به‌شمار می‌آید. موضوع بررسی‌شده، ضعف روش‌های سنتی در ارائه پهنه‌بندی دقیق، سریع و قابل اطمینان برای فرسایش آبی در مناطق حساس استان گلستان است؛ جایی که روابط پیچیده و غیرخطی میان عامل‌های محیطی نیازمند رویکردهای پیشرفته‌تر است. الگوریتم‌های یادگیری ماشین به‌دلیل قابلیت مدل‌سازی روابط پیچیده و غیرخطی میان متغیرها، ابزار قدرتمندی برای پیش‌بینی مکانی پدیده‌هایی مانند فرسایش به‌شمار می‌آیند. هدف این پژوهش، مدل‌سازی مکانی فرسایش آبی در شهرستان‌های مراوه‌تپه و کلاله با استفاده از الگوریتم‌های پیشرفته یادگیری ماشین و مقایسه کارایی آن‌ها با یک مدل ترکیبی (Ensemble) بود. مواد و روش‌ها منطقه مطالعه‌شده زمین‌های شمالی استان گلستان با مساحت 4944.5 کیلومترمربع بود که به‌دلیل پستی‌بلندی شیب‌دار، بارندگی‌های فصلی و خاک‌های لسی، مستعد فرسایش آبی است. ازاین‌رو، ابتدا لایه‌های اطلاعات مربوط به عامل‌های مؤثر بر فرسایش تهیه شد. این عامل‌ها 8 شاخص محیط زیستی و اقلیمی شامل شاخص بارش (داده‌های ایستگاهی)، شاخص پوشش گیاهی (NDVI)، شاخص بافت سطحی خاک (TGSI)، لایه کاربری زمین‌، شاخص رطوبت سطحی (NDMI)، مدل ارتفاعی رقومی (DEM)، شاخص خاک لخت (BI) و شاخص شوری خاک (NDSI) بودند که همگی از تصویرهای ماهواره‌ای لندست 8 استخراج شدند. نقشه موقعیت فرسایش‌های مشاهده‌شده بهعنوان لایه وابسته در مدل‌سازی استفاده شد. بر این اساس در بازدید میدانی 100 نقطه (50 نقطه از فرسایش آبی و 50 نقطه از نبودن آن) برداشت شد. در این پژوهش، از 70% داده‌ها برای آموزش و از 30% آن برای آزمون استفاده شد. سه الگوریتم یادگیری ماشین شامل جنگل تصادفی (RF)، ماشین بردار پشتیبانی (SVM) و وایازی درختی تقویت‌شده (BRT) برای آموزش مدل به‌کار گرفته شدند. سرانجام، یک مدل ترکیبی (Ensemble) بر اساس میانگین وزنی خروجی از هر یک از این سه مدل ساخته شد تا دقت پیش‌بینی افزایش یابد. عملکرد مدل‌ها با استفاده از شاخص‌های آماری ضریب کاپا، منحنی مشخصه عملکرد گیرنده و شاخص آماری تسیل ارزیابی شد. نتایج و بحث نتایج ارزیابی نشان داد که عملکرد هر یک از سه مدل به‌طور جداگانه RF، SVM و BRT در مدل‌سازی فرسایش آبی قابل قبول بود، اما عملکرد مدل ترکیبی (0/90Kappa=، 0/93 ROC=و 0/89TSS =) با بهره‌گیری از نقاط قوت هر یک از سه مدل نامبرده، در تفکیک دقیق پهنه‌های مستعد به فرسایش از پهنه‌های پایدار و کاهش خطاهای طبقه‌بندی برتر بود. این برتری مؤید آن است که در مدل ترکیبی (Ensemble) با میانگین‌گیری وزنی، می‌توان نبودن قطعیت‌ها را مؤثرتر از هر یک از مدل‌ها به‌طور جداگانه مدیریت کرد و یک خروجی پایدار و قابل اطمینان به‌دست آورد. نقشه پتانسیل فرسایش نهایی تولیدشده به‌وسیلة این مدل دقیق بود و بهوضوح نشان داد که مناطق شمالی، غربی و جنوب‌غربی منطقه مطالعه‌شده کانون‌های اصلی فرسایش آبی هستند. این الگوی مکانی صرفاً تصادفی نبوده، بلکه ریشه در تعامل پیچیده عامل‌ها دارد؛ در این مناطق با پستی‌بلندی شیب‌دار، سرعت جریان آب و قدرت فرسایندگی آن افزایش یافته و همزمان با دریافت بارندگی‌های بیشتر انرژی لازم برای فرآیند فرسایش فراهم می‌آید و پوشش گیاهی که بهعنوان سد دفاعی اولیه خاک عمل می‌کند، ضعیف‌ است. با تحلیل اهمیت متغیرها نیز مشخص شد بارش بهعنوان عامل محرک و شاخص پوشش گیاهی (NDVI) بهعنوان عامل مقاوم، به‌ترتیب مهم‌ترین مهار‌کنندگان فرسایش در این منطقه است. این یافته بیانگر آن است که با هرگونه اقدام حفاظتی که بتوان پوشش گیاهی را بهبود بخشید (مانند کاشت، مدیریت چرای دام و جلوگیری از نابودی)، می‌توان بهطور مستقیم اثرات ویرانگر باران را خنثی کرد. این اقدام مؤثرترین راهکار برای مهار فرسایش در مناطق حساس است. ازاین‌رو، نتایج این پژوهش هم یک نقشه دقیق ارائه داد و هم یک چارچوب علمی برای اولویت‌بندی و اجرای اقدامات مدیریتی مبتنی بر شواهد فراهم آورد. نتیجه‌گیری و پیشنهادها برتری مدل ترکیبی در این پژوهش، بیانگر قابلیت اطمینان زیاد رویکردهای مبتنی بر میانگین‌گیری وزنی در کاهش خطا و افزایش دقت پیش‌بینی بود. استعداد مناطق پرخطر در بخش‌های شیب‌دار و با پوشش گیاهی کم، با اصول فیزیک فرسایش کاملاً سازگار است. اهمیت زیاد بارش و پوشش گیاهی مؤید آن است که مدیریت پایدار زمین، از جمله اجرای عملیات زیستی (مانند کاشت گونه‌های مقاوم و با ریشه‌های ژرف) مؤثرترین راهکار برای مهار فرسایش در منطقه بوده و بر پایة گزارش‌های علمی ۳۰ تا ۵۰% از رواناب سطحی و فرسایش را کاهش می‌دهد. تصمیم‌گیرندگان، مدیران منابع‌طبیعی و برنامه‌ریزان شهری و روستایی از نقشه فرسایش تولیدشده در این پژوهش می‌توانند بهعنوان یک ابزار علمی و کاربردی برای اولویت‌بندی اقدامات حفاظتی و تخصیص بهینه منابع، بهره‌گیرند. بر پایة نتایج این پژوهش، پیشنهاد می‌شود در پژوهش‌های آینده با در نظر گرفتن محدودیت‌ها (مانند تفکیک مکانی برخی داده‌ها) از مدل‌های ترکیبی پیشرفته‌تر و داده‌هایی با دقت بیشتر استفاده شود.

https://wmrj.areeo.ac.ir/article_134944_9bd9b026b5719aa99aacc4b555c10cfc.pdf

سازمان تحقیقات آموزش و ترویج کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان فارس پژوهش های آبخیزداری 2981-2313 39 2 2026 06 22 Predicting the Spatial Pattern of Flood Susceptibility Using Support Vector Machine Model in the Sirwan Watershed پیش‌بینی الگوی مکانی استعداد سیلگیری با استفاده از مدل ماشین بردار پشتیبان در آبخیز سیروان 96 115 134946 10.22092/wmrj.2025.371438.1645 FA عارف بهمنی دانش‌آموخته دکتری تخصصی علوم و مهندسی آبخیزداری، گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران 0009-0001-5250-2024 هیراد عبقری دانشیار گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران 0000-0002-3407-3297 امید رحمتی استادیار بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کردستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، سنندج، ایران Journal Article 2025 11 16 Introduction and Goal Floods cause significant financial losses and loss of life in the country every year. Although information on the location of flood events is of high scientific value, in many flood studies, flood zones have been determined solely based on expert’s opinion and multi-criteria decision-making methods. This study predicts the spatial pattern of flood susceptibility in the Sirwan watershed of Kurdistan province using spatial information on flood events in the last decade, and to achieve this objective, asupport vector machine model, as a machine learning-based approach, was employed. Materials and Methods In order to carry out this research, first a database in the geographic information system was prepared for flooding events in the Sirwan watershed using bank flood data from the Main Directorate of Natural Resources and Watershed Management of Kurdistan Province. The number of 102 flooding events in the Sirwan watershed was confirmed in the ten-year period (2015-2015). Since machine learning models require points of occurrence and non-occurrence of flooding, points of non-occurrence of flooding were also selected based on the homogeneous-unit method. This database was completed using information obtained from face-to-face interviews with local communities in this area. Based on the various characteristics of the Sirwan watershed and a review of scientific sources, sixteen factors affecting flooding events were selected and their digital maps were prepared. Factors affecting flooding included elevation, slope aspect, slope percentage, convergence index, drainage density, land use, maximum 24-hour precipitation, number of rainfalls higher than the average of the meteorological station, normalized vegetation difference index, plan curvature, profile curvature, soil texture, distance from the stream, topographic position index, topographic wetness index, and vertical distance from the stream, which were used as independent variables in the modeling. Flooding occurrence and non-occurrence data were randomly divided into two training and validation groups with proportions of 70% and 30%. After implementing the support vector machine model in the R software environment, a flood susceptibility map of the Sirwan watershed was prepared and the spatial pattern of flood susceptibility was examined. The accuracy of the aforementioned map was evaluated using the area under the curve (AUC) statistic of the receiver operating characteristic. Results and Discussion After validation, the results showed that the support vector machine model with an area under the receiver operating characteristic curve (AUC) of 0.921 (92.1%) has a high capability to predict flood-prone areas. Given that the model's prediction accuracy is reported to be more than 90%, based on the common classification of model efficiency, the performance of the support vector machine model in the Sirwan watershed is considered excellent. Based on the analyses, the very low, low, medium, high, and very high flood susceptibility classes include 51, 10, 17, 20, and 2% of the Sirwan watershed, respectively. Given the identification of flood-prone areas, the implementation priorities for the flood management plan have been clearly identified for implementing measures. Out of the 127 sub-watersheds of the Sirwan sub-watershed, 15 sub-watersheds are in the high flood-prone class and 8 sub-watersheds are in the very high flood-prone class. Population density is relatively high in all sub-watersheds in the high flood susceptibility category (such as Gazrokhani, Palangan, Shwishe, Sawji, Sleen, Sianaw, Danan, Zaribar, etc.) and in sub-watersheds in the very high flood susceptibility category (such as Sanandaj, Babarez, Marivan, Gholian, Mochesh, Doulbakh, Doroud, and Khamsan). Conclusions and Suggestions Based on the results of this study, the performance of the support vector machine model in identifying areas prone to flooding was very good. Based on the lack of specialized data and financial resources in the executive agencies, the application of this model in the management and planning of watershed improvement measures is important. In this study, prioritization of operational watersheds was performed based on the severity of flooding. Because, in conditions of data scarcity, it will not only save time and resources, but also improve the effectiveness of watershed management remedial measures. According to the results of this study, it is suggested that the support vector machine model be used at larger provincial, regional, and national levels, as well as in detailed-implementation studies of watershed management for risk management. مقدمه و هدف هرساله در کشور سیلاب‌ها خسارت‌های مالی و تلفات جانی زیادی را به‌دنبال دارند. اگرچه ارزش علمی داده‌های موقعیت رخدادهای سیل، زیاد است اما در بسیاری از پژوهش‌های سیل، پهنه‌های سیل‌گیری صرفاً بر اساس دیدگاه کارشناسی و روش‌های تصمیم‌گیری چندمعیاره، مشخص‌ شده‌اند. در این پژوهش الگوی مکانی استعداد سیل‌گیری آبخیز سیروان استان کردستان با استفاده از داده‌های مکانی رخداد سیل‌گیری در دهه گذشته پیش‌بینی شد و برای دستیابی به این هدف از مدل ماشین بردار پشتیبان به‌عنوان یک مدل مبتنی بر یادگیری ماشینی، استفاده شد. مواد و روش‌ها به‌منظور اجرای این پژوهش، نخست یک پایگاه داده در سامانة اطلاعات جغرافیایی برای رخدادهای سیل‌گیری آبخیز سیروان با استفاده از اطلاعات بانک سیل ادارة کل منابع‌طبیعی و آبخیزداری استان کردستان تهیه شد. شمار 102 رخداد سیل‌گیری در آبخیز سیروان در بازة زمانی ده ساله (1395 تا 1404)، تأیید شد. از آنجایی‌که مدل‌های یادگیری ماشینی نیازمند نقاط با و بدون رخداد سیل‌گیری هستند، بر اساس روش واحدکاری، نقاط بدون رخداد سیل‌گیری نیز انتخاب شدند. این پایگاه داده با استفاده از اطلاعات به‌دست آمده از مصاحبه حضوری با افراد بومی این منطقه تکمیل شد. بر اساس خصوصیات مختلف آبخیز سیروان و بررسی نتایج پژوهش‌های علمی، شانزده عامل مؤثر بر رخداد سیل‌گیری انتخاب ‌شد و نقشه‌های رقومی آن‌ها تهیه شد. عامل‌های مؤثر بر سیل‌گیری شامل بلندی، جهت دامنه، درصد شیب، شاخص همگرایی، تراکم زهکشی، کاربری زمین، بیشینة بارندگی 24 ساعته، شمار بارش‌های با اندازة بیشتر از میانگین ایستگاه هواشناسی، شاخص بهنجار‌شده تفاوت پوشش گیاهی، انحنای سطح، انحنای مقطع، بافت خاک، فاصله از جریان، شاخص موقعیت پستی‌بلندی، شاخص رطوبت پستی‌بلندی و فاصله عمودی از آبراهه، بودند که در مدل‌سازی به‌عنوان متغیرهای مستقل، استفاده شدند. داده‌های رخداد و بدون رخداد سیل‌گیری به‌طور تصادفی به دو گروه آموزش و اعتبارسنجی با نسبت‌های 70% و 30% تقسیم شدند. پس از اجرای مدل ماشین بردار پشتیبان در محیط نرم‌افزار R، نقشه استعداد سیل‌گیری آبخیز سیروان تهیه‌ شد و الگوی مکانی استعداد سیل‌گیری، بررسی شد. دقت نقشه نامبرده با استفاده از آمارة مساحت زیرمنحنی مشخصه عملکرد گیرنده، ارزیابی شد. نتایج و بحث نتایج اعتبارسنجی نشان داد که دقت مدل ماشین بردار پشتیبان بر اساس اندازة مساحت زیرمنحنی مشخصه عملکرد گیرنده (0/921 AUC=) برابر با 92/1% بود. بر اساس طبقه‌بندی رایج عملکرد مدل‌ها و با توجه به اینکه دقت مدل در پیش‌بینی مناطق مستعد سیل‌گیری بیشتر از 90% به‌دست آمد، کارایی مدل ماشین بردار پشتیبان در آبخیز سیروان، بسیارخوب بود. بر اساس تحلیل‌های انجام‌شده، درصد استعداد سیل‌گیری در آبخیز سیروان در طبقه خیلی‌کم، کم، متوسط، زیاد و خیلی‌زیاد به‌ترتیب 51، 10، 17، 20 و 2%، بود. برای اقدامات اجرایی و اولویت ‌بندی مناطق در راستای مدیریت سیل بر پایة درصد استعداد سیل‌گیری، مشخص‌ شد از میان 127 زیرآبخیز سیروان شمار 15 زیرآبخیز در طبقه استعداد سیل‌گیری زیاد و 8 زیرآبخیز در طبقه استعداد سیل‌گیری خیلی‌زیاد است. تراکم جمعیت در تمام زیرآبخیزها در طبقه استعداد سیل‌گیری زیاد (مانند گازرخانی، پالنگان، شویشه، ساوجی، سلین، ساناو، زریبار و غیره) و زیرآبخیزها در طبقه استعداد سیل‌گیری خیلی‌زیاد (مانند سنندج، باباریز، مریوان، موچش، دولباغ، دورود و خامسان) نسبتاً زیاد است. نتیجه‌گیری و پیشنهادها بر اساس نتایج این پژوهش، عملکرد مدل ماشین بردار پشتیبان در شناسایی مناطق مستعد سیل‌گیری، بسیار خوب بود. بر اساس کمبود داده‌های تخصصی و منابع مالی در دستگاه‌های اجرایی، کاربرد این مدل در مدیریت و برنامه‌ریزی اقدامات اصلاحی آبخیزداری حائز اهمیت است. در این پژوهش، اولویت‌بندی زیرآبخیز‌های اجرایی بر اساس شدت سیل‌گیری انجام ‌شد. زیرا، در شرایط کمبود داده، ضمن صرفه‌جویی در زمان و منابع، موجب بهبود اثربخشی اقدامات اصلاحی آبخیزداری نیز خواهد شد. بر اساس نتایج این پژوهش پیشنهاد می‌شود از مدل ماشین بردار پشتیبان در سطوح کلان‌تر استانی، منطقه‌ای و ملی و همچنین مطالعات تفضیلی-اجرایی آبخیزداری برای مدیریت خطر بهره گرفت.

https://wmrj.areeo.ac.ir/article_134946_d924a1ef04db476f67a4fa869805e6f8.pdf

سازمان تحقیقات آموزش و ترویج کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان فارس پژوهش های آبخیزداری 2981-2313 39 2 2026 06 22 Forecasting the Rresilience of the Marvdasht Plain Watershed Using a Combined WoE-Based Framework پیش‌بینی تاب‌آوری آبخیز دشت مرودشت با استفاده از یک چارچوب ترکیبی مبتنی بر WoE 116 137 134947 10.22092/wmrj.2025.371489.1647 FA سعید علیزاده دانشجوی دکتری علوم و مهندسی آبخیزداری، دانشگاه کاشان رضا قضاوی استاد دانشکده منابع‌طبیعی و علوم زمین دانشگاه کاشان ابراهیم امیدوار دانشیار دانشکده منابع طبیعی و علوم زمین دانشگاه کاشان Journal Article 2025 11 22 Introduction and Goal In the coming century, with the intensification of droughts and increasing human activities on groundwater resources, assessing the resilience of aquifer system as an important indicator of water resource sustainability is of particular importance. Therefore, to measure the ability of an aquifer to return to its desired state after hydrological pressures, a quantitative index (CRS) was used as a criterion. The Marvdasht Plain, with 148,000 ha of irrigated farmland and 22,000 hectares of rainfed farmland, is the agricultural hub of Fars Province. However, due to excessive extraction of groundwater resources, various challenges have occurred, such as falling groundwater levels, subsidence, and numerous cracks, and the risk of subsidence is also evident in the ancient areas of Persepolis and Naqsh-e Rostam. Therefore, this study was conducted with a comprehensive approach combining the Weight of Evidence (WoE) model, advanced feature selection techniques, and validation methods, with the aim of predicting groundwater resilience in the Marvdasht plain watershed, and a practical and reliable map of the spatial distribution of groundwater resilience in this plain was produced for management decisions. Materials and Methods In this study, 21 environmental, hydrogeological, and climatic variables were initially identified as factors determining groundwater status and prepared in the form of raster layers. Then, using a multi-step approach, features based on dispersion, correlation, collinearity, and mutual information were selected. In this study, 10 of the most effective factors (including kernel density of exploitation wells, stream density, distance from agricultural wells, distance from fault, surface curvature, distance from industrial wells, average drop, aquifer thickness, distance from main stream, production well density) were selected for final modeling. The relationships between the CRS index and these factors were determined using the evidence synthesis method and calculating WoE weights. By summing the WoE weights, the final resilience map was generated and then classified into five classes based on the quantile classification method. Model validation was performed using three methods: random cross-validation, the bootstrap method (1,000 replicates), and calibration analysis. Results and Discussion The model validation findings showed that the model's performance in predicting the groundwater resilience index (CRS) was very good (AUC = 0.920) and its statistical stability was reliable. In the studied watershed, groundwater resilience was identified with different classes and appropriate accuracy. The final map, was classified into five classes based on the quantile classification method: very low (0 - 0.223), low (0.223 - 0.367), medium (0.367 - 0.503), high (0.503 - 0.669), and very high (0.669 - 1.000). These classes reflected the inherent variability of the data. Because based on the empirical distribution of normalized index sizes, which were calculated from the combination of WoE weights of the effective factors, each class comprised approximately 20% of the studied area. In this study, low resilience index values in most of the area (mean = 0.48) indicated very low resilience of the aquifer system to hydrological pressures. Consequently, zones identified with the lowest resilience should be prioritized for critical management interventions, such as reducing groundwater withdrawals, implementing artificial recharge projects, and establishing intensive monitoring networks. Conclusion and Suggestions Based on the results of this research, it is possible to identify the critical areas with the lowest resilience. Therefore, it is recommended that, based on the results obtained, areas that are in the very low resilience category should be given top priority in management planning, such as reducing unauthorized withdrawals, implementing artificial recharge schemes, establishing technical-legal protection and monitoring areas, and that strict monitoring be carried out in them. Also, it is suggested that this modeling framework be used as a generalizable scientific basis for assessing groundwater resilience in other critical plains in the country. مقدمه و هدف در قرن پیش‌رو با تشدید خشک‌سالی‌ها و افزایش فعالیت‌های‌ انسانی بر منابع آب‌های زیرزمینی، ارزیابی تاب‌آوری سامانههای آبخوان به‌عنوان یک شاخص مهم پایداری منابع آب، اهمیت ویژه‌ای دارد. ازاین‌رو، برای سنجش توانایی آبخوان در بازگشت به وضعیت مطلوب پس از فشارهای آب‌شناختی، از شاخص کمّی (CRS) به‌عنوان معیار، استفاده می‌شود. دشت مرودشت با 148 هزار هکتار زمین‌های زارعی آبی، 22 هزار هکتار زمین‌های دیم، قطب کشاورزی استان فارس است. اما به‌دلیل برداشت بی‌رویه از منابع آب زیرزمینی چالش‌های مختلفی مانند افت سطح آب زیرزمینی، فرونشست و شکاف‌های پرشماری رخداده است که خطر فرونشست در نواحی باستانی تخت‌جمشید و نقش‌رستم نیز نمایان است. ازاین‌رو، این پژوهش با رویکرد جامع تلفیق مدل وزن‌دهی شواهد (WoE)، روش‌های انتخاب ویژگی پیشرفته و روش‌های اعتبارسنجی و با هدف پیش‌بینی تاب‌آوری آب‌های زیرزمینی در آبخیز دشت مرودشت اجرا شد و نقشه کاربردی و قابل‌ اطمینان توزیع مکانی تاب‌آوری آب‌های زیرزمینی این دشت، برای تصمیم‌گیری‌‌‌های مدیریتی تولید شد. مواد و روش‌ها در این پژوهش، ابتدا ۲۱ متغیر محیطی، آب‌زمین‌شناختی و اقلیمی به‌عنوان عامل‌های تعیین‌کنندة وضعیت آب‌های زیرزمینی شناسایی و به‌‌شکل لایه‌های شبکه‌ای تهیه شدند. سپس، با به‌کارگیری یک رویکرد چندمرحله‌ای ویژگی‌ها مبتنی بر پراکنش، همبستگی، هم‌خطی و اطلاعات متقابل، انتخاب شدند. در این پژوهش، 10 عامل از مؤثرترین عامل‌ها (تراکم کرنل چاه‌های بهره‌برداری، تراکم آبراهه، فاصله از چاه‌های کشاورزی، فاصله از گسل، انحنای سطح، فاصله از چاههای صنعتی، میانگین افت، ضخامت آبخوان، فاصله از آبراهه اصلی، تراکم چاه‌های بهره برداری) برای مدل‌سازی نهایی انتخاب شدند. روابط میان شاخص CRS و این عامل‌ها با روش ترکیب شواهد و محاسبه وزن‌های WoE تعیین شد. با جمع وزن‌هایWoE ، نقشه نهایی تاب‌آوری تولید و سپس بر اساس روش طبقه‌بندی چندکی به پنج طبقه تقسیم شد. اعتبارسنجی مدل با 3 روش اعتبارسنجی متقاطع طبقه‌بندی‌شده، روش بوت‌استرپ (1000 تکرار) و تحلیل واسنجی، انجام شد. نتایج و بحث یافته‌های اعتبارسنجی مدل نشان داد که عملکرد مدل در پیش‌بینی‌ شاخص تاب‌آوری آب‌های زیرزمینی (CRS) بسیارخوب (920/0= AUC) و پایداری آماری آن قابل ‌اطمینان است. در آبخیز مطالعه‌شده تاب‌آوری آب زیرزمینی با طبقات مختلف و دقت مناسب، شناسایی شد. نقشه نهایی بر اساس روش طبقه‌بندی چندکی به پنج طبقه بسیارکم (0/223 - 0)، کم (0/367 – 0/223)، متوسط (0/503 – 0/367)، زیاد (0/669 – 0/503)، خیلی‌زیاد (1 – 0/669)، تقسیم شد. این طبقات منعکس‌کننده تغییرپذیری ذاتی داده‌ها بودند. زیرا بر اساس توزیع تجربی اندازه‌های شاخص بهنجارشده، که از ترکیب وزن‌های WoE عامل‌های مؤثر محاسبه شدند، هر طبقه تقریباً شامل 20% از سطح مطالعه‌شده بود. در این پژوهش، اندازه‌های کم شاخص تاب‌آوری در بیشتر مناطق (میانگین = 0/048) بیانگر تاب‌آوری بسیارکم سامانة آبخوان در برابر فشارهای آب‌شناختی بود. نتیجه‌گیری و پیشنهادها بر اساس نتایج این پژوهش می‌توان مناطق بحرانی با کمترین تاب‌آوری را شناخت. از این‌رو، پیشنهاد می‌شود بر پایة نتایج به‌دست آمده مناطقی که در طبقه بسیار کم تاب‌آوری هستند باید در اولویت اول برنامه‌ریزی‌های مدیریتی مانند کاهش برداشت‌های غیرمجاز، اجرای طرح‌های تغذیه مصنوعی، ایجاد مناطق حفاظتی و نظارتی فنی- حقوقی باشند و در آنها نظارت شدید انجام شود. افزون بر این، پیشنهاد می‌شود از این چارچوب مدل‌سازی به‌عنوان یک مبنای علمی قابل ‌تعمیم برای ارزیابی تاب‌آوری آب‌های زیرزمینی در دیگر دشت‌های بحرانی کشور استفاده شود.

https://wmrj.areeo.ac.ir/article_134947_c5704f09e1e2e2ab003f160fed3587c7.pdf