نوع مقاله : پژوهشی
نویسندگان
1
استادیار پژوهشی بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات، آموزش کشاورزی و منابع طبیعی خوزستان، سازمان تحقیقات، آموزش و
2
استاد، گروه آبخیزداری، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، گلستان، ایران،
3
دانشیار، گروه مدیریت مناطق بیابانی، دانشکدة مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گلستان، ایران
4
استاد، گروه مدیریت مناطق بیابانی، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
5
استاد، گروه فیزیک خاک و مدیریت اراضی، بخش علوم محیط زیست، دانشگاه و پژوهشکده واخنینگن، واخنینگن، هلند
10.22092/wmrj.2025.370992.1637
چکیده
مقدمه و هدف
آتشسوزیهای جنگلی در دهههای اخیر بهعنوان یکی از مهمترین تهدیدهای زیستمحیطی در اکوسیستمهای جنگلی و مرتعی شناخته میشوند. این پدیده علاوه بر تخریب پوشش گیاهی و زیستگاهها، تغییرات عمیقی در خصوصیات فیزیکی و شیمیایی خاک ایجاد میکند 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 اکوسیستم گردد. در جنگلهای هیرکانی شمال ایران، بهویژه در استان گلستان، وقوع آتشسوزیهای مکرر و گسترده در سالهای اخیر نگرانیهای جدی در زمینه مدیریت منابع طبیعی ایجاد کرده است. با وجود مطالعات متعدد 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 قادر به مدلسازی روابط پیچیده و غیرخطی میان ویژگیهای خاک و شدت آبگریزی نیستند. بنابراین، هدف اصلی این پژوهش بررسی تغییرات زمانی آبگریزی خاک پس از آتشسوزی در آبخیز توشن استان گلستان و ارزیابی توان الگوریتمهای یادگیری ماشین در پیشبینی شاخص WDPT بود. این مطالعه تلاش دارد ضمن پر کردن شکاف علمی موجود، ابزاری کاربردی برای مدیریت ریسکهای ناشی از آتشسوزی و برنامهریزی احیای پس از حریق ارائه دهد.
مواد و روشها
این پژوهش در آبخیز توشن واقع در استان گلستان، بخشی از جنگلهای هیرکانی ثبتشده در فهرست میراث جهانی یونسکو، انجام شد. منطقه دارای اقلیم نیمهمرطوب تا مرطوب با میانگین بارندگی سالانه حدود 620 میلیمتر و دمای متوسط ۱6 درجه سانتیگراد است. خاکهای منطقه عمدتاً لسی با بافت لوم سیلتی و محتوای بالای مواد آلی هستند که شرایطی مستعد برای شکلگیری آبگریزی پس از آتش فراهم میکنند. طرح آزمایش بهصورت فاکتوریل در قالب طرح کاملاً تصادفی با دو عامل اصلی شامل نوع کاربری اراضی 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 عمق (5–0 و 10–5 سانتیمتر) انجام گرفت و در مجموع ۹۶ نمونه برداشت شد. ویژگیهای فیزیکی و شیمیایی خاک شامل بافت، pH، هدایت الکتریکی، کربن آلی، ماده آلی، پایداری خاکدانه و چگالی ظاهری اندازهگیری شدند. شدت آبگریزی با آزمون WDPT سنجیده شد. دادهها پس از ورود به محیط Python پیشپردازش شدند؛ دادههای پرت با روش IQR شناسایی اما حذف نشدند، نرمالسازی با Z-score انجام گرفت 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 ابرپارامترها با روش جستجوی بیزی و اعتبارسنجی متقاطع پنجتایی انجام گرفت. عملکرد مدلها با شاخصهای R²، RMSE، MAE، NSE و CCC ارزیابی شد. همچنین تحلیل حساسیت با روشهای PFI و SHAP و تحلیل عدم قطعیت با بوتاسترپ و شبیهسازی مونتکارلو صورت گرفت.
نتایج و بحث
نتایج نشان داد که آتشسوزی اثر شدیدی اما کوتاهمدت بر آبگریزی خاک دارد. میانگین WDPT یک روز پس از آتشسوزی حدود ۲/۵ دقیقه بود که نشاندهنده افزایش قابلتوجه آبگریزی است. در هفته اول این مقدار به کمتر از یک دقیقه کاهش یافت و پس از یک ماه تقریباً به صفر رسید. این الگو بیانگر ماهیت گذرای اثر آتش بر آبگریزی سطحی خاک است. تحلیلهای آماری (ANOVA) نشان داد که اثر تیمار آتشسوزی و برهمکنش آن با زمان و کاربری اراضی بر WDPT معنیدار است. در میان الگوریتمهای یادگیری ماشین، درخت تصمیم (R²=0.44) و گرادیان بوستینگ (R²=0.43) بهترین عملکرد را داشتند، در حالی که مدلهایی مانند SVM و رگرسیون بیزین دقت پایینتری نشان دادند. تحلیل حساسیت نشان داد که سیلت، EC و OM مهمترین متغیرها در پیشبینی WDPT هستند. نتایج SHAP نیز تأیید کرد که افزایش سیلت و ماده آلی موجب افزایش آبگریزی میشود، در حالی که افزایش EC اثر کاهنده دارد. تحلیل عدم قطعیت نشان داد که مدلهای سادهتر مانند درخت تصمیم پایداری بیشتری در برابر دادههای پرت دارند، در حالی که مدلهای پیچیدهتر در مقادیر حدی WDPT با افزایش عدم قطعیت مواجه شدند. این یافتهها نشان میدهد که استفاده از مدلهای ساده یا مبتنی بر بوستینگ میتواند برای پیشبینی دقیقتر و پایدارتر آبگریزی خاک پس از آتشسوزی مناسبتر باشد.
نتیجهگیری و پیشنهادها
این پژوهش نشان داد که اثر آتشسوزی بر آبگریزی خاک در آبخیز توشن شدید اما کوتاهمدت است و طی یک ماه بهطور کامل از بین میرود. الگوریتمهای یادگیری ماشین، بهویژه درخت تصمیم و گرادیان بوستینگ، توانستند روابط پیچیده میان ویژگیهای خاک و شدت آبگریزی را با دقت قابلقبولی مدلسازی کنند. نتایج تحلیل حساسیت و عدم قطعیت نیز نشان داد که متغیرهایی مانند سیلت، EC و OM نقش کلیدی در شکلگیری آبگریزی دارند. بر اساس این یافتهها، پیشنهاد میشود در مدیریت پس از حریق، تمرکز بر پایش کوتاهمدت آبگریزی خاک و استفاده از مدلهای ساده و پایدار برای پیشبینی تغییرات آن صورت گیرد. همچنین، ترکیب دادههای میدانی با دادههای سنجش از دور و توسعه مدلهای منطقهای میتواند به بهبود مدیریت ریسکهای ناشی از آتشسوزی کمک کند. در نهایت، پیشنهاد میشود پژوهشهای آینده به بررسی اثرات بلندمدت آتشسوزی بر سایر خصوصیات خاک و کارکردهای اکوسیستم پرداخته و از الگوریتمهای یادگیری عمیق برای افزایش دقت پیشبینیها بهره گیرند.
کلیدواژهها
موضوعات
عنوان مقاله [English]
Application of Machine Learning Algorithms in Analyzing the Effect of Fire on Soil Water Repellency in Tushan Watershed, Golestan Province
نویسندگان [English]
-
کهزاد حیدری
1
-
Ali Najafinejad
2
-
Ali Mohammadian Behbahani
3
-
Majid Ownegh
4
-
Louis W. Dekker
5
1
Assistant Professor, Soil Conservation and watershed management Research Department, Khuzestan Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO)
2
Professor, Department of Watershed Management, Faculty of Rangeland and Watershed Management, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran
3
Associate Professor, Department of Desert Management, Faculty of Rangeland and Watershed Management, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran
4
Professor, Department of Desert Management, Faculty of Rangeland and Watershed Management, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran
5
Professor, Soil Physics and Land Management Group, Environmental Sciences Department, Wageningen University and Research, Wageningen, The Netherlands
چکیده [English]
Introduction and Goal
Forest fires are among the most destructive environmental disturbances, causing profound impacts on vegetation, wildlife, and soil properties. One of the most critical consequences is the development of soil water repellency (SWR), which reduces infiltration, increases surface runoff, and accelerates erosion. In the Hyrcanian forests of northern Iran, particularly in Golestan Province, the frequency and severity of wildfires have increased in recent years, raising concerns about ecosystem resilience. Traditional approaches such as the Water Drop Penetration Time (WDPT) test provide useful initial classifications but fail to capture the nonlinear and multi-factorial relationships between soil properties and SWR intensity. Machine learning (ML) algorithms, with their ability to model complex interactions, offer a promising alternative. The main objective of this study was to investigate the temporal dynamics of SWR following fire in the Tushan watershed and to evaluate the predictive performance of various ML algorithms in estimating WDPT. This research aims to fill the knowledge gap in Iran and provide practical tools for post-fire risk management and ecosystem restoration.
Materials and Methods
The study was conducted in the Tushan watershed, Golestan Province, part of the UNESCO-listed Hyrcanian forests. The region has a humid to semi-humid climate with an average annual rainfall of 700 mm and mean temperature of 15 °C. Soils are mainly loess-derived with silty loam texture and high organic matter content. A factorial experiment in a completely randomized design was applied with two main factors: land use (coniferous forest, broadleaf forest, and cropland) and fire treatment (burned vs. control). Soil samples were collected at two depths (0–5 and 5–10 cm) and three-time intervals (1 day, 1 week, and 1-month post-fire), totaling 96 samples. Soil physicochemical properties (texture, pH, EC, OC, OM, aggregate stability, bulk density) were measured, and SWR was assessed using the WDPT test. Data preprocessing included outlier detection (IQR), normalization (Z-score), and multicollinearity assessment (VIF). Twelve ML algorithms were implemented in Python (scikit-learn, XGBoost, LightGBM) with hyperparameter tuning via Bayesian optimization and five-fold cross-validation. Model performance was evaluated using R², RMSE, MAE, NSE, and CCC. Sensitivity analysis employed Permutation Feature Importance (PFI) and SHAP values, while uncertainty was assessed using bootstrap resampling and Monte Carlo simulations.
Results and Discussion
Results revealed that fire induced a sharp but short-lived increase in SWR. Mean WDPT rose to ~2.5 minutes one day after fire, declined to <1 minute after one week, and returned to near zero after one month. ANOVA confirmed significant effects of fire treatment and its interaction with time and land use. Among ML models, Decision Tree (R²=0.44) and Gradient Boosting (R²=0.43) outperformed others, while SVM and Bayesian Ridge regression showed weaker predictive power. Sensitivity analysis identified silt, EC, and OM as the most influential predictors of WDPT. SHAP analysis confirmed that higher silt and OM increased repellency, whereas higher EC reduced it. Uncertainty analysis indicated that simpler models such as Decision Tree were more robust to outliers, while ensemble models exhibited higher variability at extreme WDPT values. These findings highlight the transient nature of fire-induced SWR and the potential of ML models, particularly tree-based and boosting methods, to capture complex soil–fire interactions.
Conclusion and Suggestions
This study demonstrated that fire-induced soil water repellency in the Tushan watershed is intense but short-lived, disappearing within one month. Machine learning algorithms, especially Decision Tree and Gradient Boosting, effectively modeled the nonlinear relationships between soil properties and WDPT. Key predictors included silt, EC, and OM, which play central roles in SWR formation. The results suggest that post-fire management should focus on short-term monitoring of SWR and employ simple, robust ML models for prediction. Integrating field data with remote sensing could enhance regional-scale assessments. Future research should explore long-term fire impacts on soil functions and apply deep learning approaches to improve predictive accuracy. These insights can support adaptive management strategies to increase the resilience of Hyrcanian forests under climate change.
کلیدواژهها [English]
-
Forest fire
-
Machine learning algorithms
-
Soil water repellency
-
Sensitivity analysis
-
Uncertainty
)