فرسایش خاک در سراسر جهان یک فرآیند شدید و کنترل نشده است. از بسیاری جهات، این نتیجه فقدان به روز نقشه های فرسایش با وضوح بالا است. در سراسر جهان، مشکل اطلاعات ناکافی به روش های مختلف، عمدتاً به صورت نقطه به نقطه، در مناطق محلی حل می شود. تعمیم نتایج بهدستآمده بهصورت محلی به یک قلمرو وسیعتر، عدم قطعیتها و خطاهای اجتنابناپذیری را ایجاد میکند. برای بخش توسعهیافته روسیه، این مشکل بهویژه ضروری است، زیرا ارزیابی شدت فرآیندهای فرسایش، حتی با استفاده از مدلهای فرسایش، به دلیل فقدان تمام مقیاسهای بزرگ جهانی مورد نیاز، به مقیاس لازم نمیرسد. داده های سنجش از دور و پیچیدگی در نظر گرفتن ویژگی های منطقه ای فرآیندهای فرسایش در چنین مناطق وسیعی. این مطالعه با هدف ارائه یک روش جدید برای نقشه برداری خودکار در مقیاس بزرگ شبکه های فرسایش شیاری بر اساس داده های Sentinel-2 است. یک شبکه عصبی عمیق LinkNet با یک رمزگذار DenseNet برای حل مشکل نقشه برداری خودکار فرسایش شیار استفاده شد. نتایج شناسایی برای منطقه مورد مطالعه بیش از ۳۴۵۰۰۰ کیلومتر مربع در شبکه ای از ۳۰۳۷ حوضه خلاصه شد و برای ارزیابی رابطه با عوامل اصلی طبیعی-انسان زایی تجزیه و تحلیل شد. مدلهای افزایشی تعمیمیافته (GAM) برای مدلسازی وابستگی چگالی فرسایش شیاری برای کشف روابط پیچیده استفاده شد. یک رابطه غیرخطی پیچیده بین فرآیندهای فرسایش و عوامل توپوگرافی، هواشناسی، ژئومورفولوژیکی و انسانی نشان داده شد. یک شبکه عصبی عمیق LinkNet با یک رمزگذار DenseNet برای حل مشکل نقشه برداری خودکار فرسایش شیار استفاده شد. نتایج شناسایی برای منطقه مورد مطالعه بیش از ۳۴۵۰۰۰ کیلومتر مربع در شبکه ای از ۳۰۳۷ حوضه خلاصه شد و برای ارزیابی رابطه با عوامل اصلی طبیعی-انسان زایی تجزیه و تحلیل شد. مدلهای افزایشی تعمیمیافته (GAM) برای مدلسازی وابستگی چگالی فرسایش شیاری برای کشف روابط پیچیده استفاده شد. یک رابطه غیرخطی پیچیده بین فرآیندهای فرسایش و عوامل توپوگرافی، هواشناسی، ژئومورفولوژیکی و انسانی نشان داده شد. یک شبکه عصبی عمیق LinkNet با یک رمزگذار DenseNet برای حل مشکل نقشه برداری خودکار فرسایش شیار استفاده شد. نتایج شناسایی برای منطقه مورد مطالعه بیش از ۳۴۵۰۰۰ کیلومتر مربع در شبکه ای از ۳۰۳۷ حوضه خلاصه شد و برای ارزیابی رابطه با عوامل اصلی طبیعی-انسان زایی تجزیه و تحلیل شد. مدلهای افزایشی تعمیمیافته (GAM) برای مدلسازی وابستگی چگالی فرسایش شیاری برای کشف روابط پیچیده استفاده شد. یک رابطه غیرخطی پیچیده بین فرآیندهای فرسایش و عوامل توپوگرافی، هواشناسی، ژئومورفولوژیکی و انسانی نشان داده شد. کیلومتر به شبکه ای از ۳۰۳۷ حوضه خلاصه شد و برای ارزیابی رابطه با عوامل اصلی طبیعی-انسان زایی تجزیه و تحلیل شد. مدلهای افزایشی تعمیمیافته (GAM) برای مدلسازی وابستگی چگالی فرسایش شیاری برای کشف روابط پیچیده استفاده شد. یک رابطه غیرخطی پیچیده بین فرآیندهای فرسایش و عوامل توپوگرافی، هواشناسی، ژئومورفولوژیکی و انسانی نشان داده شد. کیلومتر به شبکه ای از ۳۰۳۷ حوضه خلاصه شد و برای ارزیابی رابطه با عوامل اصلی طبیعی-انسان زایی تجزیه و تحلیل شد. مدلهای افزایشی تعمیمیافته (GAM) برای مدلسازی وابستگی چگالی فرسایش شیاری برای کشف روابط پیچیده استفاده شد. یک رابطه غیرخطی پیچیده بین فرآیندهای فرسایش و عوامل توپوگرافی، هواشناسی، ژئومورفولوژیکی و انسانی نشان داده شد.
کلید واژه ها:
رول ; فرسایش خاک ؛ شبکه های عصبی ؛ سنجش از دور ؛ مدل سازی رابطه
۱٫ مقدمه
فرسایش خاک عامل اصلی تخریب یک لایه حاصلخیز از زمین های کشاورزی شد. استفاده فشرده از زمین همراه با عوامل طبیعی شرایطی را برای افزایش فرسایش خاک از جمله شیارها، شیارهای فرسایشی و خندقهای زودگذر ایجاد میکند. غالباً این اشکال فرسایشی به خندق های دائمی تبدیل می شوند و منطقه را به طور کامل از گردش کشاورزی خارج می کنند. بنابراین، جای تعجب نیست که محققان در سراسر جهان به مطالعه فرسایش خاک و به ویژه فرسایش شیاری توجه ویژه ای داشته باشند.
هر دو روش میدانی و ریاضی روشهای اصلی برای مطالعه فرسایش خاک هستند. روش میدانی در تخمین حجم تغییرات فرسایش در مناطق محلی بسیار دقیق است، که تا حدودی تفسیر فضایی نتایج را در سطح منطقه یا منظر پیچیده میکند. این روشها شامل روشهای کلاسیک مکانهای مرجع، نشانهها، میکروپروفایلینگ و اندازهگیری طول و عرض شستشوها با متر است. سایت های مرجع امکان تخمین حجم مستقیم خاک شسته شده از قلمرو را فراهم می کنند و فرصتی را برای تغییر مصنوعی شرایط “محیط” فراهم می کنند [ ۱ ]]. بر اساس دادههای چنین سایتهایی، دادههای ایجاد مدلهای ریاضی ارزیابی فرسایش خاک که در زیر مورد بحث قرار خواهد گرفت، بهدست آمد. روش نشانهها و ریزپروفایلینگ تخمین دقیق عمق شستشو در سایتهای نماینده را ممکن میسازد [ ۲ ]. مطالعات با استفاده از این تکنیک ها به یافتن یک همبستگی قوی بین عرض شستشو و عمق آن کمک کرد، که به نوبه خود، حجم خاک شسته شده از قلمرو را تخمین می زند [ ۳ ، ۴ ]. در حال حاضر، روشهای ژئودزیکی مبتنی بر بازسازی امداد با استفاده از دادههای روبشی یا فتوگرامتری، اعم از زمینی و هوابردی، برای ارزیابی فرسایش در حال توسعه هستند. دقیق ترین نتایج را می توان با استفاده از داده های اسکن لیزری زمینی با استفاده از نقاط مرجع [ ۵ ] به دست آورد]. محققان از سرتاسر جهان موفق به ثبت نه تنها فرسایش خندقی [ ۶ ] یا شیاری [ ۷ ] خاک، بلکه همچنین فرسایش خاک ریز و ورقه ای [ ۸ ] می شوند.] که تغییرات آن در میلی متر اول است. متأسفانه استفاده از چنین فناوری هایی برای نظارت مستقیم در مناطق بزرگتر از ۱ هکتار مشکل ساز است. این مشکل با استفاده از اسکن لیزری در هوا حل می شود. با این حال، این فناوری دارای محدودیتهای مربوط به موقعیتیابی تجهیزات اسکن برای تراز بعدی بررسی مکرر است. این واقعیت بلافاصله استفاده از اسکن هوا را برای ارزیابی پویایی فرسایش ریز شیار و ورق منع می کند، اما امکان تخمین کم و بیش خودکار طول و عرض کل فرسایش شیار و خندقی را فراهم می کند. برای این کار از رویکردهای مختلفی استفاده می شود. به عنوان مثال، رایجترین آنها بر اساس مقدار آستانه تعداد سلولهای مدل ارتفاعی دیجیتال (DEM) است که رواناب به سلولهای همسایه امکانپذیر است. بسته به وضوح DEM اولیه به دست آمده از اسکن داده ها، این رویکرد امکان تشخیص عمق شیارها از ۵ سانتی متر را فراهم می کند. با این حال، اسکن لیزری هوا به دلیل هزینه بالای تجهیزات اسکن به طور گسترده ای مورد استفاده قرار نمی گیرد. امروزه سنسورهای اسکن مقرون به صرفه تری بر روی هواپیماهای سرنشین دار و وسایل نقلیه هوایی بدون سرنشین (UAV) نصب شده اند. با این وجود، کاربرد چنین دستگاه هایی برای حل مشکل ارزیابی فرسایش خاک هنوز کشف نشده است – تجزیه و تحلیل تجربه موجود نشان داده است که مهم ترین ارتباط چنین دستگاه هایی در جنگلداری است. حسگرهای اسکن مقرون به صرفه تر روی هواپیماهای سرنشین دار و وسایل نقلیه هوایی بدون سرنشین (UAV) نصب شده اند. با این وجود، کاربرد چنین دستگاه هایی برای حل مشکل ارزیابی فرسایش خاک هنوز کشف نشده است – تجزیه و تحلیل تجربه موجود نشان داده است که مهم ترین ارتباط چنین دستگاه هایی در جنگلداری است. حسگرهای اسکن مقرون به صرفه تر روی هواپیماهای سرنشین دار و وسایل نقلیه هوایی بدون سرنشین (UAV) نصب شده اند. با این وجود، کاربرد چنین دستگاه هایی برای حل مشکل ارزیابی فرسایش خاک هنوز کشف نشده است – تجزیه و تحلیل تجربه موجود نشان داده است که مهم ترین ارتباط چنین دستگاه هایی در جنگلداری است.۹ ]. با وجود گرایش فعلی به سمت سیستمهای اسکن ارزانتر، آنها هنوز به طور گسترده در دسترس اکثر محققان نیستند. ترکیب این عوامل منجر به گسترده ترین استفاده از حسگرهای نوری به عنوان محموله برای پهپادها شده است [ ۱۰ ]. فتوگرامتری پهپاد دستیابی به تراکم ابر نقطهای قابل مقایسه را با دقت رقابتی سیستمهای اسکن از مدلهای به دست آمده ممکن میسازد و به یکی از محصولات نهایی اجازه میدهد که یک هواپیمای ارتوفوتو با وضوح فوقالعاده بالا باشد. استفاده از پهپادها این امکان را فراهم می کند که بررسی های ژئومورفولوژیکی با اطلاعات به روز در مورد وضعیت منطقه بررسی به صورت ارزان، سریع و با دقت کافی ارائه شود. متأسفانه، علیرغم بهره وری کلی بالا، استفاده از پهپادها امکان بررسی مداوم مناطق بزرگ را نمی دهد [ ۱۱ ،۱۲ ]; با این حال، داده های مدل تأیید را فعال می کند.
دادههای مدل بهدستآمده از مطالعات اداری، تخمین شدت فرآیندهای برونزا را در هر دو سطح محلی و جهانی ممکن میسازد. طیف کاملی از مدلهای ریاضی برای ارزیابی فرسایش خاک و خندق توسعه داده شده است که به صورت تجربی و فیزیکی تقسیم میشوند [ ۱۳ ]. شناخته شده ترین و پرکاربردترین مدل های فرسایش خاک عبارتند از USLE [ ۱۴ ]، RUSLE [ ۱۵ ]، MUSLE [ ۱۶ ]، CREAMS [ ۱۷ ]، LISEM [ ۱۸ ] و غیره. WEPP [ ۱۹ ]، RillGrow [ ۲۰ ]، GUEST [ ۲۱ ، ۲۲ ]، و EUROSEM [ ۲۳مدل های ] برای تخمین فرسایش شیاری استفاده می شود. همه این مدل ها مزایا و معایب خود را دارند و دومی اجازه استفاده از این مدل ها را در همه جا نمی دهد. محدودیتهای اصلی مربوط به فقدان دادههای سنجش از دور در مقیاس بزرگ در دسترس عموم است [ ۲۴ ]، مانند مدلهای زمین [ ۲۵ ] و دادههای آب و هوایی قابل مقایسه با جزئیات [ ۲۶ ، ۲۷ ]، که شبیهسازیهای ریاضی مورد نیاز برای نقشهبرداری جریان جریان را نمیدهد. راه ها. فقدان دادههای سنجش از دور دقیق همچنین امکان اعمال تشخیص شی گرا فرسایش شیار [ ۲۸ ] و مدلسازی تصادفی قرار گرفتن در معرض فرسایش را محدود میکند [ ۲۹ ، ۳۰ ].
داده های به دست آمده توسط مدل های فرسایش در قالب توازن فرسایش و تجمع اغلب منعکس کننده توسعه واقعی فرآیندهای فرسایش شیاری نیست. به عنوان مثال، در حوضه های آبریز بخش اروپایی روسیه، غیر معمول نیست که میزان تجمع در کف دره های خشک تمایل به کاهش دارد [ ۳۱ ، ۳۲ ، ۳۳ ]، در حالی که تعداد، طول کل، و بر این اساس، تراکم شبکه ریل از سال به سال افزایش می یابد [ ۳۴ ]. این اغلب به دلیل ویژگی های شخم زدن با ایجاد آبکش های ویژه است که رواناب را از مزارع حفظ می کند و نتایج به دست آمده توسط مدل های فرسایش را خراب می کند.
با توجه به محدودیتهای موجود، رویکردهای مبتنی بر استخراج دستی شستشوها از دادههای سنجش از راه دور، یعنی تصاویر فضایی [ ۳۵ ، ۳۶ ]، برای حل مشکل نقشهبرداری فرسایش شیاری اعمال میشوند. نقشه برداری سنجش از دور فرسایش شیارها با استفاده از Landsat-5 (30 متر) [ ۳۷ ، ۳۸ ]، QuickBird (0.6 متر) و SPOT (5 متر) تصاویر ماهواره ای [ ۳۹ ]، جفت استریو GeoEye-1 [ ۴۰ ] و داده های پهپاد [ ۴۱ ]. تصاویر Sentinel-2 (10 متر) نیز برای ایجاد تصاویر NDVI در طول توسعه مدل پیشبینی استفاده شد [ ۴۲]، اما قبلاً نقشه برداری مستقیماً بر اساس آنها انجام نشده است. چنین راهحلهایی امکان دستیابی به بهترین دقت را فراهم میکنند، اما نیروی کار و کمبازده هستند. برای حل این مشکل، توسعه رویکردهای مبتنی بر اتوماسیون استخراج شستشوی ریل ضروری است که هدف این کار است. داده های منبع مورد استفاده به عنوان مبنای نقشه برداری فهرستی از رویکردهای احتمالی را که می توان برای حل هدف به کار برد، تنظیم می کند. ساده ترین آنها تشخیص شیء بر اساس رویکرد آستانه است، جایی که آستانه، مرز بازتاب ویژگی داده های طیفی شی مورد مطالعه را تعیین می کند. چنین روش هایی برای شناسایی انواع کاربری های مختلف زمین مناسب هستند [ ۴۳ ، ۴۴]. با این حال، نتیجه در هنگام شناسایی شیارها با استفاده از رویکرد مشابه در انواع مختلف خاک، غیر قابل پیش بینی خواهد بود. روشهای یادگیری ماشینی را میتوان برای در نظر گرفتن تغییرپذیری فضایی عوامل محیطی، مانند روش جنگل تصادفی بسیار اثبات شده یا ماشین بردار پشتیبان استفاده کرد [ ۴۵ ، ۴۶ ]. با این حال، چنین رویکردهایی فقط احتمال فرسایش خاک را در یک پیکسل خاص نشان میدهند، در حالی که خود فرسایشها را به یک «الگوی درختمانند» در چشمانداز متمایز نمیکنند. علاوه بر این، روشها به مقدار دادههای ورودی بسیار حساس هستند – هرچه اطلاعات بیشتری برای تجزیه و تحلیل استفاده شود، نتایج سازگارتر خواهند بود. در حوزه های آبخیز کوچک، چنین رویکردهایی را می توان با موفقیت به کار برد. برای مناطق بزرگ، کاربرد آنها مشکوک است.
اخیراً تعداد کارهای مربوط به شبکههای عصبی عمیق (DNN) برای تقسیمبندی معنایی دادههای سنجش از دور افزایش سریعی داشته است. این امر با افزایش کیفیت داده های سنجش از راه دور، در دسترس بودن چارچوب یادگیری عمیق کاربر پسند و افزایش قدرت محاسباتی در دسترس محققان تسهیل شده است. در حال حاضر، DNN ها تفسیر خودکار موفقیت آمیز اشیاء انسانی [ ۴۷ ، ۴۸ ، ۴۹ ]، خطوط ساحلی [ ۵۰ ، ۵۱ ]، کاربری زمین [ ۵۲ ، ۵۳ ، ۵۴ ]، پویایی پوشش گیاهی [ ۵۵ ، ۵۶ ] و فرآیندهای بیرونی را امکان پذیر می کنند.، ۵۸ ]. در همه موارد، نویسندگان به دقت تشخیص بالاتر اشیاء مورد علاقه نسبت به سایر روشها اشاره میکنند و بر مقیاسبندی مدلهای آموزشدیده تأکید میکنند. شبکه های عصبی عمیق برای شناسایی و نقشه برداری از فرسایش شیاری استفاده نشده است. با این وجود، اهمیت مسئله مورد مطالعه و استفاده امیدوارکننده از هوش مصنوعی برای حل این مشکل، ضرورت توسعه روششناسی مناسب را مشخص میکند.
با توجه به تشدید فرسایش شیاری، لزوم تهیه نقشه آن و محدودیتهای بررسی و مدلسازی میدانی، این مطالعه با هدف توسعه و بکارگیری یک روش مبتنی بر شبکه عصبی عمیق برای تشخیص خودکار فرسایش شیاری از دادههای سنجش از دور انجام میشود.
۲٫ منطقه مطالعه
منطقه مورد مطالعه منطقه ولگا میانه روسیه است. این قلمرو در بخش مرکزی دشت اروپای شرقی واقع شده است [ ۵۹]. مجتمع کشاورزی و صنعتی منطقه ولگا میانه (AIC) از اهمیت تمام روسیه برخوردار است. این منطقه یکی از بهترین مکانها را در کشور برای تولید غلات، از جمله محصول غلات ارزشمند گندم، دارد. کشاورزی به دلیل شرایط طبیعی بسیار مطلوب با راندمان بالا مشخص می شود. در عین حال، بخش کشاورزی قلمرو تأثیر قابل توجهی بر مجموعه های طبیعی-سرزمینی، در درجه اول بر روی پوشش خاک دارد. با توجه به شدت شخم، چرای گاو و شرایط طبیعی مساعد برای توسعه فرآیندهای برون زا، این منطقه به شدت تحت تأثیر فرسایش خاک قرار دارد. این وضعیت جدید نیست. تصادفی نیست که قلمرو منطقه ولگا میانه از نظر تاریخی کمربند فرسایشی نامیده می شود. در عین حال، اقدامات ضد فرسایش در دهههای اخیر ماهیت نقطهای و تصادفی دارد.
مساحت مورد مطالعه ۳۴۵۴۷۷ کیلومتر مربع است. منطقه کلان شامل مناطق ماری ال، تاتارستان، چوواشیا، ساراتوف، سامارا، اولیانوفسک و پنزا است. منطقه ولگای میانه در منطقه چشم انداز جنگلی در شمال، منطقه چشم انداز جنگلی-استپی در مرکز و منطقه چشم انداز استپی در جنوب واقع شده است ( شکل ۱ ).
نقش برجسته منطقه ولگا میانه دارای نامتقارن خالدار شیب است: ارتفاع متوسط ۱۴۶ متر، حداکثر ارتفاع ۳۱۶٫۸ متر و حداقل ۱۳٫۲ متر [ ۶۰ ]. آب و هوای این منطقه نسبتاً قاره ای و در جنوب قاره ای است که از منطقه ای به منطقه دیگر به شدت متفاوت است. میانگین بارندگی سالانه از ۴۷۱ تا ۵۴۹ میلی متر در شمال تا ۲۶۴ تا ۴۲۴ میلی متر در جنوب متغیر است.
شیب دامنه های قلمرو به طور کلی برای کشاورزی مطلوب است. یک چهارم منطقه شیب دار تا ۱ درجه است، و بخش قابل توجهی از قلمرو با شیب در محدوده ۱-۲٫۵ درجه مشخص می شود که در منطقه ارتفاعات Bugulminsko-Belebeyevskaya تا ۵ درجه افزایش می یابد [ ۶۰ ]. خطرات فرسایش یکنواخت نیستند و از منطقه ای به منطقه دیگر متفاوت هستند [ ۶۱]. سنگهای خاکساز همگن نیستند و عمدتاً رسی و لوم سنگین هستند. خاکهای شنی و لوم متوسط در شمال منطقه جمهوری ماری ال و لوم سبک در منطقه جنگلی-استپی (استان پنزا) وجود دارد. خاک ها متفاوت است. چرنوزمهای زیرگروههای مختلف غالب هستند، عمدتاً شستهشده (Haplic Chernozems)، و همچنین معمولی (Calcic Chernozems)، معمولی (همچنین هاپلیک Chernozems)، و جنوبی (Haplic Chernozems) (خاکهای استپی). گونههای باقیمانده دارای یک الگوی ناحیهای به وضوح بیان شدهاند، که در آن جنگلهای خاکستری (Haplic Greyzems) برای مناطق جنگلی و شمال منطقه جنگلی-استپی معمولی هستند [ ۶۰ ].
۳٫ مواد و روشها
توسعه و اجرای یک روش برای تشخیص خودکار فرسایش شیار شامل چندین نکته مرتبط است:
-
انتخاب و تهیه داده های سنجش از دور از فضا؛
-
تهیه مجموعه های آموزشی و آزمایشی؛
-
آموزش شبکه عصبی و ارزیابی کیفیت تشخیص ریل.
-
پیاده سازی شبکه عصبی برای کل منطقه مورد مطالعه و برداری از نتایج تشخیص.
-
محاسبه طول فرسایش شیاری به عنوان معیار شاخص چگالی فرسایش شیاری در حوضهها.
-
تجزیه و تحلیل نتایج به دست آمده.
۳٫۱٫ داده های سنجش از راه دور
داده های صورت فلکی ماهواره Sentinel-2 برای تشخیص استفاده شد. بر خلاف سایر منابع داده های سنجش از راه دور چند طیفی، مانند Landsat، MODIS، SPOT، RapidEye و غیره، تصاویر Sentinel-2 بهترین وضوح را در باندهای هدف (۱۰ متر) بدون پرداخت هزینه ارائه می دهد. داده های ترکیبی بدون ابر ماموریت Sentinel-2 برای دوره بهار، آوریل- ژوئن، به عنوان داده های ورودی برای توسعه تکنیک تشخیص فرسایش شیار استفاده شد. تصاویر مادون قرمز نزدیک با وضوح پایه (۱۰ متر) برای تشخیص استفاده شد. کامپوزیت با استفاده از موتور Google Earth (GEE) ایجاد شد [ ۶۲]، محصول «Sentinel-2 MSI: MultiSpectral Instrument, Level-2A» (COPERNICUS/S2_SR). GEE امکان پردازش داده های سنجش از راه دور بزرگ را فراهم می کند و برخی از عملیات معمول را تسهیل می کند. در مجموع ۲۹۸۸ صحنه از هر دو ماهواره S2A و S2B برای ایجاد کامپوزیت استفاده شد. برای ایجاد کامپوزیت، تصاویر ۲۰۱۸-۲۰۱۹ بر اساس تاریخ فیلتر شدند، تصاویر از ابرها و سایه ها پاکسازی شدند، مقادیر روشنایی پیکسل متوسط محاسبه شد، و تصاویر به مرزهای منطقه مورد مطالعه برش داده شدند و در WGS 84/Pseudo- بازتاب داده شدند. Mercator (EPSG:3857) سیستم مختصات طرح ریزی. یک شطرنجی احتمال ابر برای پاک کردن تصاویر از ابرها استفاده شد. احتمال ابر S2 با استفاده از کتابخانه Sentinel2-Cloud-Detector ایجاد می شود (LightGBM [ ۶۳]). قبل از اعمال الگوریتم پایه تقویت گرادیان، همه باندها با استفاده از درون یابی دوخطی تا وضوح ۱۰ متر نمونه برداری می شوند. احتمال ممیز شناور حاصل از ۰ تا ۱ به ۰-۱۰۰ مقیاس می شود و به عنوان UINT8 ذخیره می شود. مناطقی که یک یا همه باندها را از دست داده اند، پوشانده شده اند. مقادیر بالاتر احتمالاً ابرها یا سطوح بسیار بازتابنده (مثلاً سقف یا برف) هستند. از احتمال ۱۵ درصد وجود ابرها در صحنه به عنوان آستانه ابر استفاده شد.
۳٫۲٫ تهیه مجموعه داده های آموزشی
در کامپوزیت چشمه حاصل، منطقهای با متراکمترین شبکه رودخانهای از نظر بصری و وجود طبقات کاربری اصلی آب، انسانی، جنگلی و کشاورزی انتخاب و بریده شد. برای این منطقه بیش از ۲۵۰۰ کیلومتر مربع، شناسایی پیوسته فرسایش شیار به منظور ایجاد مجموعه ای از نمونه های داده مرجع (Ground true, GT) انجام شد ( شکل ۲ ).). تشخیص دستی توسط ابزارهای QGIS با استفاده از دادههای Sentinel-2 و تصاویر با وضوح فوقالعاده بالا (UHR) (بینگ، گوگل و غیره که بهعنوان زیرلایه بدون هزینه در دسترس هستند) انجام شد. انتخاب اصلی روی تصاویر S2 انجام شد. در موارد بحث برانگیز، از تصاویر UHR استفاده شد. آنها همچنین برای عدم انتخاب خندق های دائمی استفاده می شدند. به دلیل دشواری طبقه بندی اشکال فرسایش در چنین قلمرو وسیعی با شرایط طبیعی متفاوت، تمایز اشکال فرسایشی انجام نشد. خندقهای زودگذر» و «نوارها» بهعنوان تمام اشکال فرسایشی که در تصاویر ماهوارهای قابل تفسیر هستند، اما به خندقهای دائمی تعلق ندارند، تعریف شدند. با توجه به وضوح تصویر ماهواره ای، شیارها جزئی ترین شکل فرسایش هستند که به یک خندق زودگذر تبدیل می شوند.
نمونه به دست آمده شطرنجی شد و به وضوح قطعه تصویر ماهواره ای کاهش یافت و سپس هر دو تصویر به تکه های ۲۵۶ × ۲۵۶ پیکسل برش داده شدند. در مجموع، ۱۰۹۳۳ جفت تصویر ماهواره ای-ماسک باینری از این طریق به دست آمده است ( شکل ۳ ). شطرنجهای حاصل بهطور تصادفی تبدیل شدند تا تعداد شطرنجها را سه برابر مصنوعی افزایش دهند. مجموعه داده به دست آمده به مجموعه های آموزشی و آزمایشی به نسبت ۱/۵ تقسیم شد.
۳٫۳٫ آموزش شبکه عصبی عمیق
شبکه عصبی کانولوشنال دسته ای از شبکه های عصبی مصنوعی است که از لایه های کانولوشن برای فیلتر کردن ورودی ها برای اطلاعات مفید استفاده می کند. عملیات کانولوشن شامل ترکیب داده های ورودی (نقشه ویژگی) با یک هسته پیچشی (فیلتر) برای تشکیل یک نقشه ویژگی تبدیل شده است. فیلترها در لایه های کانولوشن (لایه های conv) بر اساس پارامترهای آموخته شده اصلاح می شوند تا مفیدترین اطلاعات را برای یک کار خاص استخراج کنند. شبکه های کانولوشن به طور خودکار تنظیم می شوند تا بهترین ویژگی را بر اساس وظیفه پیدا کنند. کاربردهای شبکههای عصبی کانولوشن شامل سیستمهای پردازش تصویر (تشخیص تصویر، طبقهبندی تصویر، برچسبگذاری ویدئو، تجزیه و تحلیل متن) و گفتار (تشخیص گفتار، پردازش زبان طبیعی و طبقهبندی متن) به همراه سیستمهای هوش مصنوعی پیشرفته، مانند روبات ها،
LinkNet ( شکل ۴ )، یک شبکه عصبی کاملاً کانولوشن برای تقسیم بندی تصویر معنایی، به عنوان معماری شبکه عصبی [ ۶۴ ] انتخاب شد. برخلاف معماری شناخته شده و اثبات شده U-NET [ ۵۷ ]، که برای تقسیم بندی معنایی تصاویر ماهواره ای در مطالعات ژئومورفولوژیکی استفاده شده است [ ۶۵ ]]، LinkNet از بلوک های باقیمانده به جای بلوک های کانولوشن در شبکه های رمزگذار و رمزگشای خود استفاده می کند. معماری شبکه عصبی عمیق LinkNet به طور موثر اطلاعات دریافت شده توسط رمزگذار را با رمزگشا پس از هر بلوک نمونه برداری پایین مبادله می کند. معلوم می شود که این بهتر از استفاده از شاخص های ادغام در رمزگشا یا فقط استفاده از شبکه های کاملاً پیچیده در رمزگشا است. این تکنیک انتقال ویژگی نه تنها دقت خوبی را ارائه می دهد، بلکه اجازه می دهد تا تعداد کمی از پارامترها در رمزگشا استفاده شود.
بلوک اولیه شامل یک لایه کانولوشن با اندازه هسته ۷ × ۷ و گام ۲ است، سپس یک لایه max-pool با اندازه پنجره ۲ × ۲ و یک گام ۲٫ به طور مشابه، آخرین بلوک یک پیچیدگی کامل را انجام می دهد. ، گرفتن نقشه های ویژگی از ۶۴ تا ۳۲ و سپس یک کانولوشن دو بعدی. در نهایت، یک کانولوشن کامل به عنوان یک طبقهبندی کننده با اندازه هسته ۲×۲ استفاده میشود. همانطور که تمرین نشان داده است، این امکان تجمیع معنایی بهتری را فراهم میکند، از جمله ساختارهای دندرو مانند (الگوهای درخت مانند در منظره) و شبکههای شیار. با روش آزمون و خطا، مشخص شد که بهترین نتایج در رمزگشایی ریل ها را می توان با استفاده از یادگیری انتقال به دست آورد، یک روش یادگیری شبکه عصبی عمیق که امکان استفاده از دانش به دست آمده در مورد یک مسئله یادگیری عمیق و اعمال آن را در مورد دیگر فراهم می کند، اما با یک مشکل مشابه۶۶ ] در مورد ما استفاده شد. برخلاف مدلهای مشابه، ویژگیها خلاصه نمیشوند، بلکه قبل از انتقال به لایه بعدی، به یک تانسور منفرد متصل میشوند. الگوریتم یادگیری و پیاده سازی مدل در محیط برنامه نویسی پایتون ۳٫۷ با استفاده از کتابخانه Tensorflow انجام شد. ورودی شبکه عصبی پشته ای از جفت ماسک تصویر بود که در مرحله قبل آماده شد. نظارت EarlyStopping برای جلوگیری از تمرین بیش از حد مدل مورد استفاده قرار گرفت و معیار امتیاز IOU، ضریب جاکارد، برای بررسی قابلیت یادگیری مدل استفاده شد [ ۶۷ ].
۳٫۴٫ تجزیه و تحلیل آماری نتایج به دست آمده
تحقیقات بیشتر برای تجزیه و تحلیل تأثیر عوامل مختلف طبیعی-انسان زایی بر شدت فرآیندهای فرسایش در منطقه مورد مطالعه انجام شد. همبستگی کلاسیک، تحلیل رگرسیون و تحلیل واریانس (AOV) (یک طرفه [ ۶۸ ] و چند متغیره [ ۶۹ )]) برای تجزیه و تحلیل رابطه بین عوامل طبیعی و انسانی بر تراکم شبکه رودخانه استفاده شد. AOV با استفاده از بسته Statsmodel برای Python 3 انجام شد. برای تجزیه و تحلیل روابط پیچیده، تجزیه و تحلیل مبتنی بر مدل های افزایشی تعمیم یافته استفاده شد. مدل افزایشی تعمیم یافته (GAM) یک مدل خطی تعمیم یافته است که در آن یک پیش بینی خطی به صورت خطی به توابع صاف ناشناخته برخی از متغیرهای پیش بینی وابسته است و علاقه بر استنتاج در مورد این توابع صاف متمرکز است. GAM از توابع spline استفاده می کند، توابعی که می توانند برای تقریب توابع دلخواه ترکیب شوند. GAM برای وزنهها جریمههایی در نظر میگیرد تا نزدیک به صفر باقی بمانند، که به طور موثری انعطافپذیری اسپلاینها را کاهش میدهد و احتمال اضافه شدن را کاهش میدهد. پارامتر صافی، که معمولاً برای کنترل انعطاف پذیری منحنی استفاده می شود، سپس با استفاده از اعتبارسنجی متقاطع تنظیم می شود. عوامل طبیعی-انسان زایی ارائه شده دربرای تجزیه و تحلیل از جدول ۱ [ ۶۰ ] استفاده شد.
۴٫ نتایج و بحث
RECNN آموزشدیده (شبکه عصبی کانولوشنال فرسایش شیاری) روی یک مجموعه داده آزمایشی مستقل آزمایش شد. دقت تشخیص ۰٫۶۲، F1-measure 0.76 و تابع ضرر ۰٫۲۷ بود. با تجزیه و تحلیل کیفی نتایج ارزیابی بهدستآمده ( شکل ۵ )، میتوان به سطح نسبتاً بالایی از شناخت شبکه فرسایش شیاری اشاره کرد. نکته حائز اهمیت این است که حتی یک مورد از کشف خندق یا جاده زمینی که در منطقه مورد مطالعه بهجای ریزگردها فراوان است، ثبت نشده باشد.
تصمیم گرفته شد که مدل آموزش دیده و آزمایش شده برای کل منطقه مورد مطالعه اعمال شود ( شکل ۶ ). برای هندسه به دست آمده، طول محاسبه شد که به شبکه ای از حوضه ها [ ۶۰ ] تجمیع شد ( شکل ۷ ). با تجزیه و تحلیل نقشه های به دست آمده، وجود خوشه های خاص مشهود می شود. اولین خوشه – بالاترین تراکم فرسایش رودخانه – در بخش سمت چپ رودخانه ولگا در منطقه ساراتوف قرار دارد. خوشه دوم – منطقه فرسایش متوسط - ساحل راست ولگا در منطقه ساراتوف و زاکامیه جمهوری تاتارستان را مشخص می کند. جمهوریهای سرزمینهای ماری ال و چوواشیا عمدتاً با فرسایش کم شیار مشخص میشوند و خوشه سوم را تشکیل میدهند.
در مجموع، اطلاعات منطقه مورد مطالعه بر روی ۳۰۳۷ حوضه با مساحت متوسط ۱۱۷٫۸۳ کیلومتر مربع جمع آوری شده است. میانگین تراکم فرسایش شیاری در کل منطقه مورد مطالعه ۰٫۲۳ کیلومتر بر مربع است. کیلومتر و حداکثر تراکم ۳٫۷۹ کیلومتر بر مربع است. کیلومتر به طور کلی، توزیع طول کل فرسایش شیاری در منطقه مورد مطالعه منطقی است. یعنی اکثر اندازه گیری ها به طور کلی حاوی مقادیر نسبتاً کمی از طول کل هستند ( شکل ۸ ).
برای بسیاری از عوامل انتخاب شده، هیچ همبستگی قوی با طول کل فرسایش شیاری یافت نشد. فقط برخی از عوامل از نظر آماری معنی دار بودند ( ص< 0.001) روابط ضعیف (r > | 0.3|). به عنوان مثال، یک همبستگی معکوس رابطه بین طول کل فرسایش شیار و پوشش جنگلی، ضریب گرمابی، میانگین بارندگی سالانه، میانگین بارش ماه می تا آگوست و میانگین بارش در فصل گرم را توصیف می کند. رابطه معکوس با پوشش جنگلی بیش از حد واضح است و تنها یک واقعیت شناخته شده را بیان می کند – هر چه پوشش جنگلی قلمرو کمتر باشد، خطر فرسایش خاک و خندقی بیشتر می شود. رابطه معکوس با سایر شاخص ها چندان مشهود نیست. ضریب رطوبت هیدروترمال سلیانینوف (GTK) مشخصه سطح رطوبت موجود در قلمرو است. این به طور گسترده در کشاورزی برای ارزیابی کلی آب و هوا و تخصیص مناطق با سطوح مختلف رطوبت در دسترس برای تعیین سودمندی کشت محصولات مختلف استفاده می شود. این عامل ارتباط تنگاتنگی با میزان بارندگی در قلمرو دارد. رابطه معکوس در اینجا نه چندان با ماهیت وابستگی “هرچه بارندگی بیشتر، فرسایش کمتر” توضیح داده می شود، که نمی تواند، بلکه با تأثیر شرایط آب و هوایی به طور کلی توضیح داده شود. این تا حدی با یک رابطه مستقیم بین طول کل شبکه رودخانه و عواملی مانند مجموع دمای فعال و میانگین حداکثر دمای سالانه برای سال تأیید می شود. ظاهراً با افزایش دما و تغییرات اقلیمی ناشی از گرم شدن کره زمین، ماهیت بارش تغییر می کند – ممکن است به ندرت کاهش یابد.۷۰ , ۷۱ , ۷۲ , ۷۳ , ۷۴ ]. متأسفانه، بررسی مستقیم این فرضیه به دلیل فقدان اطلاعات در مورد میانگین تغییرات شدت بارندگی سالانه غیرممکن است. با این حال، نتایج مشابهی توسط سایر محققانی که در منطقه مورد مطالعه کار کرده اند، گرفته شده است [ ۳۱ ، ۳۲ ، ۷۵ ، ۷۶ ]. با این وجود، هنوز پاسخ روشنی برای این سوال وجود ندارد.
سوال دیگر این است که روش های کلاسیک تحلیل رابطه چگونه می توانند اثر یک عامل واحد را بر متغیر وابسته ارزیابی کنند. وابستگی های خطی در طبیعت نادر هستند و وابستگی های چند جمله ای درجات بالا حتی نادرتر هستند. تجزیه و تحلیل کاربرد ضعیف همبستگی کلاسیک و تحلیل رگرسیون را برای آشکار کردن روابط بین عوامل طبیعی – انسانی و طول شبکه فرسایش نشان داد. برخی از مثالها ( شکل ۹ ، شکل ۱۰ و شکل ۱۱ ) نشان میدهند که وابستگیها به نوع لجستیک یا نمایی نزدیک هستند اما پیچیدهتر هستند. بنابراین، تصمیم گرفته شد از مدل های افزایشی تعمیم یافته (GAM) برای تحلیل وابستگی استفاده شود [ ۷۷]. این مدلها امکان تخمین وابستگیها را در قالب توابع اسپلاین فراهم میکنند، که به فرد امکان تقریب بهتر و مطالعه جامع وابستگی یک عامل به یک متغیر را میدهد [ ۲۴ ، ۷۸ ].
مدل سازی روابط تعمیم یافته در بسته ای برای ساخت مدل های افزایشی تعمیم یافته در زبان پایتون [ ۷۹ ] انجام شد. در طول مدلسازی، روابط معنیدار آماری ( ۰۰۱/ ۰p <)، پایدار و قوی بین چگالی فرسایش شیاری و عوامل طبیعی مانند میانگین ارتفاع حوضه ( شکل ۱۲ الف)، میانگین شیب حوضه ( شکل ۱۲ ب)، محدوده ارتفاعی حوضه یافت شد. ( شکل ۱۳ الف)، پوشش جنگلی حوضه ( شکل ۱۳ ب)، میانگین دمای هوا در ژانویه ( شکل ۱۴ الف)، میانگین حداکثر دمای بلندمدت سالانه ( شکل ۱۴ ب)، میانگین بارش در فصل گرم ( شکل ۱۵)الف)، میانگین ضریب گرمابی حوضه ( شکل ۱۵ ب)، طول جغرافیایی ( شکل ۱۶ الف)، و عرض جغرافیایی ( شکل ۱۶ ب) مرکز حوضه.
مدل های تعمیم یافته روابط شناخته شده بین فرسایش خاک و عوامل طبیعی را تایید کردند و روابط غیرخطی پیچیده ای را نشان دادند. مشاهده می شود که تراکم شبکه فرسایش با افزایش میانگین ارتفاع حوضه پایدار است، اما تا ۱۰۰ متر، پس از آن رشد تراکم با کاهش تراکم و تثبیت آن جایگزین می شود ( شکل ۱۲ A. ). به نظر ما این وابستگی باید در ترکیب با تأثیر شیب متوسط شیب بر تراکم شبکه فرسایش در نظر گرفته شود. در این مورد، رابطه سطحی تر و نزدیکتر به یک رابطه خطی مستقیم است – هر چه شیب بیشتر باشد، چگالی بیشتر است ( شکل ۱۲).ب). با این حال، هنگام تجزیه و تحلیل شیب در حوضه های با ارتفاع متوسط کمتر از ۱۰۰ متر، یک الگوی آشکار می شود – شیب از ۳ درجه تجاوز نمی کند، و شیب این حوضه ها برای کشاورزی، به ویژه به عنوان زمین های زراعی مناسب است. در واقع، در این مناطق، درصد سطح شخم زده بیش از ۵۰٪ است.
تأثیر مورفومتری امداد نیز با وابستگی چگالی فرسایش شیاری به شاخص پراکندگی ارتفاعی در حوضه – تفاوت بین حداکثر و حداقل ارتفاع – تأیید می شود. به طور کلی هرچه اختلاف ارتفاع کمتر باشد، تراکم کمتر می شود، اما اساساً بیشترین کاهش در شدت فرسایش شیاری در حوضه هایی با اختلاف ارتفاع کم (تا ۷۰ متر) مشاهده می شود که پس از آن شدت کاهش تراکم کاهش می یابد. به اندازه تلفظ نیست و اساسا ثابت می ماند ( شکل ۱۳ A). تأثیر توسعه انسانی بر شدت فرآیندهای فرسایش نیز توسط رابطه معکوس بین پوشش جنگلی و تراکم شبکه رودخانه تأیید شده است ( شکل ۱۳ B).
عوامل اقلیمی تأثیر کمتری بر ویژگی فرآیندهای فرسایش در منطقه مورد مطالعه ندارند، و تا حدی مکمل استعداد توپوگرافی و اقتصادی منطقه برای توسعه رودخانهها هستند. رابطه بین تراکم فرسایش شیاری و میانگین دمای هوا در ژانویه جالب است – هر چه میانگین دمای سالانه در سردترین ماه سال کمتر باشد، الگوی فرآیند شدیدتر است ( شکل ۱۴).آ). به نظر می رسد که مربوط به ظرفیت انجماد خاک است که شدت فرآیندهای فرسایش را تضمین می کند. با این حال، به دلیل عدم وجود مدلهای مناسب انجماد خاک در منطقه مورد مطالعه، تأیید این موضوع به طور قابل اعتماد غیرممکن است. دما بر خصوصیات فرآیندهای فرسایش در تابستان نیز تأثیر میگذارد – یک همبستگی مستقیم قوی بین شدت فرآیند و حداکثر دمای هوا که از ۳۶ درجه سانتیگراد شروع میشود وجود دارد ( شکل ۱۴).ب). در ابتدا، نویسندگان این را به ظرفیت تبخیر بالقوه بالا در چنین دماهایی و شدت بارندگی بالا نسبت دادند. با این حال، تجزیه و تحلیل وابستگی فرآیندهای فرسایش به لایه بارش در فصل گرم و نقشه پهنه بندی منطقه مورد مطالعه با حداکثر دما این فرضیه را رد کرد. حداکثر دمای هوا با فرآیندهای فرسایش به طور غیرمستقیم از طریق انواع خاک غالب، به عنوان شرایط برای ظهور یک یا آن نوع، مرتبط است. این امر تأیید می شود زیرا مناطق با حداکثر دمای بیش از ۳۶ درجه در منطقه انتقال نیمه بیابانی و استپ های خشک با انواع خاک شاه بلوط و سولونتز غالب قرار دارند. این نوع خاک ها با تعداد زیادی ترک که به عمق ۵-۶ سانتی متر می رسد مشخص می شوند [ ۸۰ ]]. حتی با وجود یک لایه نزولات جوی سالانه نه زیاد، باران های عبوری یک رواناب سطحی پیوسته بر روی خاک های خشک ایجاد می کند که خاک ها را در امتداد شکاف های موجود فرسایش می دهد و ریزش های پایدار را تشکیل می دهد.
به طور کلی، رابطه بین شدت فرسایش شیاری و رطوبت مستقیم است. روند ثابتی برای افزایش تراکم شبکه فرسایش با افزایش بارندگی در دوره گرم تا ۲۷۰ میلی متر وجود دارد، پس از آن نقش بارندگی کاهش می یابد و در عین حال قانون “بارش زیاد – فرسایش شدیدتر” حفظ می شود ( شکل ۱۵ الف). تثبیت روند، در این مورد، با این واقعیت توضیح داده می شود که ۲۷۰ میلی متر نوعی مرز بین مناطق استپی و جنگلی-استپی است که در آن فصلی واضحی از بارش وجود دارد. در زمان شدیدترین بارندگی (دوره تابستان-پاییز)، پوشش گیاهی با خواص حفاظتی خوب خاک در این مناطق توسعه می یابد [ ۲۴ ]] که عامل غالب تشدید فرسایش خاک می شود. تأثیر عوامل رطوبت به وضوح رابطه بین تراکم فرسایش شیار و مقدار ضریب گرمابی قلمرو را نشان می دهد ( شکل ۱۵ B). چگالی شبکه فرسایش با افزایش GTK تا مقدار ۰٫۷ کاهش مییابد که مرز واضحی بین منطقه خشک و منطقه مرطوب است. شدت پوشش گیاهی حفاظت از خاک با افزایش SCC افزایش مییابد، اما بارش برای پوشش گیاهی کافی میشود تا عملکردهای حفاظت از خاک خود را در هنگام حرکت به منطقه مرطوب کمتر انجام دهد.
تجزیه و تحلیل تأثیر موقعیت جغرافیایی حوضه بر شدت فرآیندهای فرسایش نیز روابط آماری معنیداری را نشان داد. تراکم فرسایش شیاری با حرکت به سمت شرق منطقه مورد مطالعه به صورت خطی کاهش می یابد ( شکل ۱۶ A)، که با این واقعیت توضیح داده می شود که قسمت غربی منطقه مورد مطالعه دارای کرانه راست بالاتری از رودخانه ولگا است و به عنوان یک در نتیجه، مقادیر بالاتری از شیب شیب، که، همانطور که قبلا نشان داده شد، به طور مستقیم بر شدت فرآیند تاثیر می گذارد. الگوی عرضی چندان خطی و پیچیده تر نیست ( شکل ۱۶ب) – با حرکت از جنوب به شمال تا ناحیه استپ های معمولی، تراکم فرسایش شیاری به طور سیستماتیک افزایش می یابد و پس از آن مقداری از شدت فرسایش خاک و تثبیت آن کاهش می یابد که پس از آن، با شروع از بخش شمالی منطقه جنگلی-استپی، افزایش تدریجی دیگری در شدت فعالیت فرسایش وجود دارد. دلایل این امر، همانطور که قبلا نشان داده شد، در ویژگی های ناحیه ای منطقه مورد مطالعه، تغییر در درجه رطوبت و همچنین انواع جوامع گیاهی از جمله جوامع کشاورزی است که در یک منطقه خاص رشد می کنند.
ارزش دارد که به طور جداگانه تأثیر شرایط خاک – زمین شناسی فرآیندهای فرسایش را در نظر بگیریم. تجزیه و تحلیل واریانس یک عاملی برای تجزیه و تحلیل رابطه بین نوع خاک غالب و طول کل فرسایش شیاری انجام شد ( شکل ۱۷ ).
خاکهای اصلی تایگا و جنگلهای پهن برگ مخروطی و همچنین خاکهای هیدرومورفیک کمترین حساسیت را به فعالیت فرسایشی دارند. کمترین طول کل شیارها در خاکهای سود-پودزول (پودزول کم عمق و پودزول عمیق) مشاهده می شود. این خاک های تایگا، به عنوان یک قاعده، توسط جنگل های مخلوط با تاج پوشش متراکم و محافظت خوب در برابر تشکیل رواناب سطحی پوشیده شده است. با حرکت به سمت جنوب، افزایش جزئی در طول کل شبکه رودخانهای روی خاکهای خاکستری جنگلی با انواع مختلف وجود دارد. این خاک ها به طور فعال در مدیریت کشاورزی نقش دارند و شرایط آب و هواشناسی مناسبی دارند. به عقیده ما، حساسیت ضعیف نسبت به فرسایش سرزمینهایی با خاکهای هیدرومورفیک، مشهود است و به طور کلی با استفاده از زمین در چنین خاکهایی مرتبط است – این علفزارها با حداکثر خواص حفاظتی خاک هستند. گروه بعدی خاک ها بیشتر تحت تأثیر فرآیندهای فرسایش قرار می گیرند – خاک های استپی. اینها انواع چرنوزم ها هستند، از چرنوزم های شسته شده شروع می شوند. چرنوزمهای جنوبی، که به دلیل حساسیت به فرسایش در میان خاکهای استپ معمولی «رکورد شکن» عجیبی هستند، متمایز میشوند. چرنوزم های جنوبی در خوشه ای با بیشترین تراکم شبکه فرسایش قرار دارند.شکل ۷). چرنوزم های جنوبی در قسمت جنوبی منطقه استپ پخش شده اند. آنها در شرایط آب و هوای نیمه خشک در زیر استپ های متوسط خاکشیر و غلات تشکیل می شوند. پوشش چمن کم است، دوره نیمه استراحت تابستانی برای اکثر غلات غالب به وضوح بیان می شود. سنگهای خاکساز عمدتاً با لسها و لومهای لسمانند که اغلب حاوی نمکهای به راحتی محلول هستند و همچنین رسوبات eluvial-deluvial نشان داده میشوند. شرایط آبی خاک جامد است. توسعه کشاورزی چرنوزم های جنوبی زیاد است: در بخش اروپایی روسیه از ۵۰٪ فراتر می رود، در حالی که حرکت به سمت شرق، شخم زدن کاهش می یابد و تعداد مراتع افزایش می یابد. محصولات اصلی کشت شده غلات (گندم و ذرت) و حبوبات هستند. مناطق قابل توجهی توسط محصولات صنعتی (چغندرقند و تنباکو)، سبزیجات و خربزه اشغال شده است. خاک های شخم زده مستعد فرسایش آبی و بادی هستند. تخریب ساختاری و شکاف دهی تحت آبیاری گروه آخر، خاک هایی با حداکثر طول کل شبکه فرسایشی – خاک های استپ خشک و نیمه بیابانی است. اینها انواع مختلفی از خاک های شاه بلوط و خاک های سولونتز هستند که توضیحاتی در مورد آنها قبلا داده شد.
تحلیل واریانس یک عاملی نیز برای تجزیه و تحلیل رابطه بین فعالیت فرسایش و نوع غالب سنگهای خاکساز استفاده شد ( شکل ۱۸).). در این مورد، گروه بندی انواع به دلیل خوشه بندی ضمنی مشکل ساز است. با این حال، الگوهای خاصی هنوز مشاهده می شود. افزایش طول کل فرسایش شیاری به طور مستقیم به محتوای رس در سنگ تشکیل دهنده خاک و در ظرفیت نگهداری آب آن، زهکشی بستگی دارد. حداقل طول شبکه فرسایشی نزدیک به صفر بر روی شیل های ضعیف فرسایش پذیر مشاهده می شود. با تجزیه و تحلیل سنگ هایی که فرسایش روی آنها مشاهده می شود، حداقل طول شبکه فرسایش بر روی گروه سنگ هایی قرار می گیرد که به طور مشروط در به اصطلاح “شن ها” متحد شده اند – این سنگ ها و ماسه سنگ های ماسه ای هستند. این سنگها دارای حداکثر ظرفیت نفوذ هستند و اجازه تشکیل رواناب سطحی شستشو و ورود به خاکهایی با حداقل افق هوموس را نمی دهند. مناطق با فرسایش اندکی بهتر از سنگ های رسی و لومی تشکیل شده اند که زیر آنها سنگ های شنی و لومی شنی قرار دارند. و همچنین خود سنگ های لومی سبک. سنگ های لومی متوسط و سنگ های بافت های مختلف با غلبه لوم و رس بهتر فرسایش می شوند. به طور متوسط، سنگ های گچی به راحتی فرسایش پذیر – سنگ آهک و سایر سنگ های کربناته – حتی بهتر فرسایش پذیر هستند. آنها معمولاً خاک های جنگلی خاکستری و چرنوزم های شسته شده را تشکیل می دهند که به شدت در تولید کشاورزی نقش دارند. انتظار میرود بیشترین طول کل شبکه فرسایش در خاک رس مقاوم در برابر آب و سنگهای لوم سنگین باشد که رواناب سطحی روی آنها تشکیل شده و لایههای حاصلخیز خاک را فرسایش میدهد. به طور جداگانه، سنگ های لومی شنی، که ما نتوانستیم رابطه قابل اعتمادی برای آنها پیدا کنیم – این سنگ ها، به خوبی رواناب سطحی را تخلیه می کنند، می توانند در برابر فرآیندهای فرسایشی مقاوم باشند و، چرنوزم های معمولی چین خورده، به دلیل فعالیت اقتصادی فعال در ناحیه حداکثر فرسایش شیاری سقوط می کنند. . سنگ های لومی متوسط و سنگ های بافت های مختلف با غلبه لوم و رس بهتر فرسایش می شوند. به طور متوسط، سنگ های گچی به راحتی فرسایش پذیر – سنگ آهک و سایر سنگ های کربناته – حتی بهتر فرسایش پذیر هستند. آنها معمولاً خاک های جنگلی خاکستری و چرنوزم های شسته شده را تشکیل می دهند که به شدت در تولید کشاورزی نقش دارند. انتظار میرود بیشترین طول کل شبکه فرسایش در خاک رس مقاوم در برابر آب و سنگهای لوم سنگین باشد که رواناب سطحی روی آنها تشکیل شده و لایههای حاصلخیز خاک را فرسایش میدهد. به طور جداگانه، سنگ های لومی شنی، که ما نتوانستیم رابطه قابل اعتمادی برای آنها پیدا کنیم – این سنگ ها، به خوبی رواناب سطحی را تخلیه می کنند، می توانند در برابر فرآیندهای فرسایشی مقاوم باشند و، چرنوزم های معمولی چین خورده، به دلیل فعالیت اقتصادی فعال در ناحیه حداکثر فرسایش شیاری سقوط می کنند. . سنگ های لومی متوسط و سنگ های بافت های مختلف با غلبه لوم و رس بهتر فرسایش می شوند. به طور متوسط، سنگ های گچی به راحتی فرسایش پذیر – سنگ آهک و سایر سنگ های کربناته – حتی بهتر فرسایش پذیر هستند. آنها معمولاً خاک های جنگلی خاکستری و چرنوزم های شسته شده را تشکیل می دهند که به شدت در تولید کشاورزی نقش دارند. انتظار میرود بیشترین طول کل شبکه فرسایش در خاک رس مقاوم در برابر آب و سنگهای لوم سنگین باشد که رواناب سطحی روی آنها تشکیل شده و لایههای حاصلخیز خاک را فرسایش میدهد. به طور جداگانه، سنگ های لومی شنی، که ما نتوانستیم رابطه قابل اعتمادی برای آنها پیدا کنیم – این سنگ ها، به خوبی رواناب سطحی را تخلیه می کنند، می توانند در برابر فرآیندهای فرسایشی مقاوم باشند و، چرنوزم های معمولی چین خورده، به دلیل فعالیت اقتصادی فعال در ناحیه حداکثر فرسایش شیاری سقوط می کنند. . سنگ های گچی به راحتی فرسایش پذیر – سنگ آهک و سایر سنگ های کربناته – حتی بهتر فرسایش پذیر هستند. آنها معمولاً خاک های جنگلی خاکستری و چرنوزم های شسته شده را تشکیل می دهند که به شدت در تولید کشاورزی نقش دارند. انتظار میرود بیشترین طول کل شبکه فرسایش در خاک رس مقاوم در برابر آب و سنگهای لوم سنگین باشد که رواناب سطحی روی آنها تشکیل شده و لایههای حاصلخیز خاک را فرسایش میدهد. به طور جداگانه، سنگ های لومی شنی، که ما نتوانستیم رابطه قابل اعتمادی برای آنها پیدا کنیم – این سنگ ها، به خوبی رواناب سطحی را تخلیه می کنند، می توانند در برابر فرآیندهای فرسایشی مقاوم باشند و، چرنوزم های معمولی چین خورده، به دلیل فعالیت اقتصادی فعال در ناحیه حداکثر فرسایش شیاری سقوط می کنند. . سنگ های گچی به راحتی فرسایش پذیر – سنگ آهک و سایر سنگ های کربناته – حتی بهتر فرسایش پذیر هستند. آنها معمولاً خاک های جنگلی خاکستری و چرنوزم های شسته شده را تشکیل می دهند که به شدت در تولید کشاورزی نقش دارند. انتظار میرود بیشترین طول کل شبکه فرسایش در خاک رس مقاوم در برابر آب و سنگهای لوم سنگین باشد که رواناب سطحی روی آنها تشکیل شده و لایههای حاصلخیز خاک را فرسایش میدهد. به طور جداگانه، سنگ های لومی شنی، که ما نتوانستیم رابطه قابل اعتمادی برای آنها پیدا کنیم – این سنگ ها، به خوبی رواناب سطحی را تخلیه می کنند، می توانند در برابر فرآیندهای فرسایشی مقاوم باشند و، چرنوزم های معمولی چین خورده، به دلیل فعالیت اقتصادی فعال در ناحیه حداکثر فرسایش شیاری سقوط می کنند. . انتظار میرود بیشترین طول کل شبکه فرسایش در خاک رس مقاوم در برابر آب و سنگهای لوم سنگین باشد که رواناب سطحی روی آنها تشکیل شده و لایههای حاصلخیز خاک را فرسایش میدهد. به طور جداگانه، سنگ های لومی شنی، که ما نتوانستیم رابطه قابل اعتمادی برای آنها پیدا کنیم – این سنگ ها، به خوبی رواناب سطحی را تخلیه می کنند، می توانند در برابر فرآیندهای فرسایشی مقاوم باشند و، چرنوزم های معمولی چین خورده، به دلیل فعالیت اقتصادی فعال در ناحیه حداکثر فرسایش شیاری سقوط می کنند. . انتظار میرود بیشترین طول کل شبکه فرسایش در خاک رس مقاوم در برابر آب و سنگهای لوم سنگین باشد که رواناب سطحی روی آنها تشکیل شده و لایههای حاصلخیز خاک را فرسایش میدهد. به طور جداگانه، سنگ های لومی شنی، که ما نتوانستیم رابطه قابل اعتمادی برای آنها پیدا کنیم – این سنگ ها، به خوبی رواناب سطحی را تخلیه می کنند، می توانند در برابر فرآیندهای فرسایشی مقاوم باشند و، چرنوزم های معمولی چین خورده، به دلیل فعالیت اقتصادی فعال در ناحیه حداکثر فرسایش شیاری سقوط می کنند. .
تجزیه و تحلیل واریانس به طور جداگانه توسط مناطق چشم انداز انجام شد و نتیجه را می توان در شکل ۱۹ مشاهده کرد . نتایج نتایج اولیه را تأیید می کند – مناطق استپ و نیمه بیابان های خشک و معمولی بیشتر مستعد فرآیندهای فرسایش هستند.
تجزیه و تحلیل رابطه بین فرآیندهای فرسایش و بار انسانی نیز نتایج قبلی را تایید می کند ( شکل ۲۰ ). امتیاز بار انسانی بر اساس توسعه قلمرو، وجود شهرکها، صنعت و جادهها در انواع مختلف و همچنین تراکم جمعیت داده میشود.
شدت فرآیندهای فرسایش با افزایش بار انسانی افزایش می یابد، اما نه به صورت خطی. حداکثر شدت فرسایش تحت بار انسانی متوسط مشاهده می شود. کاهش طول کل اشکال فرسایش با افزایش بیشتر بار انسانی به کاهش مساحت غیر اشغال شده توسط شهرها، کارخانهها و سایر اشیاء انسانی مرتبط است.
اثر تجمعی بار انسانی، پوشش جنگلی، نوع خاک غالب و سنگ های خاک ساز بیشترین سهم را در توسعه فرآیندهای فرسایش در منطقه مورد مطالعه دارد ( شکل ۲۱ ).
۵٫ نتیجه گیری ها
شبکه های عصبی عمیق می توانند به طور موثر مشکلات ژئومورفولوژیکی را حل کنند و امکان نقشه برداری در مقیاس بزرگ از فرآیندهای فرسایش را فراهم کنند. برای اولین بار در جهان، ارزیابی دقیق تراکم فرسایش شیار و ارتباط آن با عوامل اصلی طبیعی-انسان زایی ارائه شده است. در این صورت تهیه نمونه آموزشی زمان برترین مرحله است که ۲/۳ کل زمان مطالعه را به خود اختصاص می دهد. مدل آموزش دیده اجازه می دهد تا بسیار کارآمد و در سطح قابل قبولی از تشخیص شبکه فرسایش در تصاویر با وضوح بالا، در مورد ما با استفاده از تصاویر Sentinel-2. ما بررسی کردیم که کدام باندهای Sentinel-2 کارآمدترین تشخیص بصری را در مرحله مقدماتی میدهند. در نتیجه آزمایشهای متعدد، بهترین “خوانایی” تصویر توسط یک باند مجزای نزدیک به مادون قرمز نشان داده شد. در مقایسه با سنتز RGB، سنتز رنگ های مصنوعی در ترکیب های مختلف و کانال های دیگر، به طور جداگانه برنده است. یکی دیگر از نکات حساس تحقیق، انتخاب معماری شبکه عصبی برای تقسیم بندی معنایی است. آزمایشهایی با رایجترین معماریها برای چنین کارهایی، از جمله معماری معروف U-Net، و همچنین FPN، PSPNet، و LinkNet در ترکیب با محبوبترین گروههای رمزگذار، مانند VGG، ResNet، SE-ResNet انجام شد. ، ResNeXt، SE-ResNeXt، SENet154، DenseNet، Inception، MobileNet و EfficientNet. بهترین دقت تشخیص در مجموعه تست، ترکیب FPN + EfficientNet را نشان داد. با این حال، هنگام استفاده از مدل آموزش دیده، نتایج تشخیص ضعیف بود. بهترین نتایج از نظر برنامه های کاربردی در دنیای واقعی با استفاده از LinkNet + DenseNet (DenseNet201) به دست آمد. در آینده،
این تجزیه و تحلیل امکان ارزیابی عوامل کلیدی مؤثر بر شدت فرآیندهای فرسایش شیار را در سطح بالایی از اطمینان فراهم کرد. در برخی موارد، دانش موجود در مورد تأثیر برخی عوامل بر فرسایش خاک تأیید شد. علاقه خاص، امکان نقشه برداری از مناطق با بالاترین خطر فرآیندهای فرسایش ناشی از شرایط طبیعی – انسانی است که امکان تولید اقدامات دقیق و موثر برای به حداقل رساندن خطرات را فراهم می کند. تحت شرایط توسعه فشرده کشاورزی، هیچ کاهش بار انسانی را نمی توان مورد بحث قرار داد. اما تناوب زراعی مناسب، کاشت منظم علف های چند ساله و شخم مناسب خطرات موجود را چندین برابر کاهش می دهد.
استفاده از مدلهای افزایشی تعمیمیافته (GAM) برای تجزیه و تحلیل وابستگیها، توصیف روابط پیچیده بین چگالی فرسایش رودخانهای و اقلیم، ژئومورفولوژی و سایر عوامل جغرافیایی را ممکن کرد. متأسفانه، همه پارامترها را نمی توان در تجزیه و تحلیل استفاده کرد. در آینده، مدلسازی دقیق وابستگی فرآیندهای فرسایش به عوامل انجماد خاک و شدت بارش، بهویژه تغییرات شدت در سریهای زمانی، باید انجام شود.
منابع
- یانگ، ی. شی، ی. لیانگ، ایکس. هوانگ، تی. فو، اس. لیو، ب. ارزیابی ساختار از حرکت (SfM) فتوگرامتری در اندازهگیری فرسایش شیاری و بیندریلی در یک لس معمولی. ژئومورفولوژی ۲۰۲۱ ، ۳۸۵ ، ۱۰۷۷۳۴٫ [ Google Scholar ] [ CrossRef ]
- دی استفانو، سی. فرو، وی. پامپالون، وی. Sanzone، F. بررسی میدانی فرسایش آبکی و زودگذر در منطقه آزمایشی Sparacia، جنوب ایتالیا. کاتنا ۲۰۱۳ ، ۱۰۱ ، ۲۲۶-۲۳۴٫ [ Google Scholar ] [ CrossRef ]
- مورگاتروید، آل. ترنان، JL تأثیر جنگلکاری بر فرسایش بانک جریان و شکل کانال. زمین گشت و گذار. روند. Landf. ۱۹۸۳ ، ۸ ، ۳۵۷-۳۶۹٫ [ Google Scholar ] [ CrossRef ]
- نزدیک شدن، MA; نورتون، LD; بولگاکف، دی. لاریونوف، جی.آ. غرب، LT; Dontsova، KM Hydraulics و Erosion in Eroding Rills. منبع آب Res. ۱۹۹۷ ، ۳۳ ، ۸۶۵-۸۷۶٫ [ Google Scholar ] [ CrossRef ]
- یرمولایف، OP؛ گفوروف، AM; عثمانوف، BM ارزیابی شدت و دینامیک فرسایش با استفاده از اسکن لیزری زمینی. علم خاک اوراسیا ۲۰۱۸ ، ۵۱ ، ۸۱۴-۸۲۶٫ [ Google Scholar ] [ CrossRef ]
- کوچیوبا، دبلیو. جانیکی، جی. رودزیک، جی. Stępniewski، K. مقایسه روشهای حجمی و سنجش از دور (TLS) برای ارزیابی توسعه یک خندق جنگلی دائمی. نات. خطرات ۲۰۱۵ ، ۷۹ ، ۱۳۹-۱۵۸٫ [ Google Scholar ] [ CrossRef ]
- وینچی، آ. بریگانته، آر. تودیسکو، اف. مانوکی، اف. Radicioni, F. اندازه گیری فرسایش شیار با اسکن لیزری. Catena ۲۰۱۵ ، ۱۲۴ ، ۹۷-۱۰۸٫ [ Google Scholar ] [ CrossRef ]
- عثمانوف، بی. یرمولایف، او. Gafurov، A. برآورد شدت فرسایش شیب با استفاده از اسکن لیزری زمینی. Proc. بین المللی دانشیار هیدرول. علمی ۲۰۱۵ ، ۳۶۷ ، ۵۹-۶۵٫ [ Google Scholar ] [ CrossRef ]
- هو، تی. سان، ایکس. سو، ی. گوان، اچ. سان، س. کلی، م. Guo, Q. توسعه و ارزیابی عملکرد یک سیستم UAV-Lidar بسیار کم هزینه برای کاربردهای جنگلداری. Remote Sens. ۲۰۲۱ , ۱۳ , ۷۷٫ [ Google Scholar ] [ CrossRef ]
- نکس، اف. Remondino, F. UAV for 3D Mapping Applications: A Review. Appl. Geomat. ۲۰۱۴ ، ۶ ، ۱-۱۵٫ [ Google Scholar ] [ CrossRef ]
- گفوروف، AM امکان استفاده از هواپیمای بدون سرنشین برای ارزیابی فرسایش خاک. اوچنیه زاپ. کازان دانشگاه سر. Estestv. ناوک. ۲۰۱۷ ، ۱۵۹ ، ۶۵۴-۶۶۷٫ [ Google Scholar ]
- گافوروف، الف. جنبههای روششناختی ساخت یک DEM با وضوح بالا از سرزمینهای بزرگ با استفاده از پهپادهای کمهزینه در نمونهای از مجتمع آئولیان ساریکوم، داغستان، روسیه. هواپیماهای بدون سرنشین ۲۰۲۱ ، ۵ ، ۷٫ [ Google Scholar ] [ CrossRef ]
- پاندی، ا. هیمانشو، SK; Mishra, SK; مدلهای فرسایش خاک و رسوب مبتنی بر فیزیکی سینگ، VP مورد بازبینی مجدد قرار گرفتند. Catena ۲۰۱۶ ، ۱۴۷ ، ۵۹۵-۶۲۰٫ [ Google Scholar ] [ CrossRef ]
- ویشمایر، WH; اسمیت، DD پیش بینی تلفات فرسایش باران – راهنمای برنامه ریزی حفاظت ; وزارت کشاورزی ایالات متحده: Betsville، MD، ایالات متحده آمریکا، ۱۹۷۸٫
- رنارد، KG; فاستر، GR; ویزیس، GA; پورتر، JP RUSLE: تجدید نظر شده جهانی معادله از دست دادن خاک. J. حفظ آب خاک. ۱۹۹۱ ، ۴۶ ، ۳۰-۳۳٫ [ Google Scholar ]
- صادقی، SHR; غلامی، ل. درویشان، ع.ک. سعیدی، ص. مروری بر کاربرد مدل MUSLE در سراسر جهان. هیدرول. علمی J. ۲۰۱۴ ، ۵۹ ، ۳۶۵-۳۷۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- Knisel، WG CRAMS : یک مدل مقیاس میدانی برای مواد شیمیایی، رواناب و فرسایش از سیستمهای مدیریت کشاورزی . اداره کشاورزی، علوم و آموزش و پرورش: بالتیمور، MD، ایالات متحده آمریکا، ۱۹۸۰٫ [ Google Scholar ]
- د رو، APJ; Wesseling، CG; جتن، وی جی؛ Ritsema، C. LISEM: یک مدل هیدرولوژیکی و فرسایش خاک مبتنی بر فیزیکی که در یک GIS گنجانده شده است. در کاربرد سیستم های اطلاعات جغرافیایی در هیدرولوژی و مدیریت منابع آب ; Kovar, K., Nachtnebel, HP, Eds. IAHS: Wallingford، UK، ۱۹۹۶; جلد ۲۳۵، ص ۳۹۵–۴۰۳٫ [ Google Scholar ]
- فلانگان، دی سی; Ascough, JC; نزدیک شدن، MA; مدل پروژه پیشبینی فرسایش آب (WEPP) لافلن، JM. در فرسایش چشم انداز و مدل سازی تکامل ; Harmon، RS، Doe، WW، Eds. Springer: Boston, MA, USA, 2001; صص ۱۴۵-۱۹۹٫ شابک ۹۷۸-۱-۴۶۱۵-۰۵۷۵-۴٫ [ Google Scholar ]
- Favis-Mortlock، DT; بوردمن، جی. پارسونز، ای جی. Lascelles، B. ظهور و فرسایش: مدلی برای شروع و توسعه ریل. هیدرول. روند. ۲۰۰۰ ، ۱۴ ، ۲۱۷۳-۲۲۰۵٫ [ Google Scholar ] [ CrossRef ]
- Misra, RK; رز، کاربرد CW و تحلیل حساسیت مدل فرسایش مبتنی بر فرآیند GUEST. یورو J. Soil Sci. ۱۹۹۶ ، ۴۷ ، ۵۹۳-۶۰۴٫ [ Google Scholar ] [ CrossRef ]
- محمودآبادی، م. قدیری، ح. رز، سی. یو، بی. رفاهی، ح. روحی پور، ح. ارزیابی GUEST و WEPP با رویکردی جدید برای تعیین ظرفیت انتقال رسوب. جی هیدرول. ۲۰۱۴ ، ۵۱۳ ، ۴۱۳-۴۲۱٫ [ Google Scholar ] [ CrossRef ]
- مورگان، RPC؛ کوینتون، JN; اسمیت، RE; گاورز، جی. پوسن، JWA؛ اورسوالد، ک. چیشی، جی. توری، دی. Styczen، ME مدل فرسایش خاک اروپا (EUROSEM): رویکردی پویا برای پیشبینی انتقال رسوب از مزارع و حوضههای آبریز کوچک. زمین گشت و گذار. روند. Landf. ۱۹۹۸ ، ۲۳ ، ۵۲۷-۵۴۴٫ [ Google Scholar ] [ CrossRef ]
- موخاراموا، اس. ساولیف، آ. ایوانف، م. گفوروف، آ. یرمولایف، او. برآورد عامل مدیریت پوشش فرسایش خاک در بخش اروپایی روسیه. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۶۴۵٫ [ Google Scholar ] [ CrossRef ]
- مالتسف، کالیفرنیا؛ گولوسف، وی. گفوروف، مدلهای رقومی ارتفاعی AM و استفاده از آنها برای ارزیابی نرخ فرسایش خاک در زمینهای زراعی. اوچنیه زاپ. کازان Universiteta Seriya Estestv. ناوک. ۲۰۱۸ ، ۱۶۰ ، ۵۱۴-۵۳۰٫ [ Google Scholar ]
- Pielke، RA; پنبه، WR; Walko، RL; ترمبک، سی جی; لیون، WA; گراسو، LD; نیکولز، من؛ موران، دکتر. وسلی، دی. لی، تی جی; و همکاران یک سیستم مدلسازی هواشناسی جامع – RAMS. هواشناسی اتمس. فیزیک ۱۹۹۲ ، ۴۹ ، ۶۹-۹۱٫ [ Google Scholar ] [ CrossRef ]
- شفیلد، جی. گوتتی، جی. Wood, EF توسعه یک مجموعه داده جهانی ۵۰ ساله با وضوح بالا از اجبارهای هواشناسی برای مدلسازی سطح زمین. جی. کلیم. ۲۰۰۶ ، ۱۹ ، ۳۰۸۸-۳۱۱۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- شروتی، RBV; کرل، ن. جتن، V. استخراج ویژگی آبکی مبتنی بر شی با استفاده از تصاویر با وضوح فضایی بالا. ژئومورفولوژی ۲۰۱۱ ، ۱۳۴ ، ۲۶۰-۲۶۸٫ [ Google Scholar ] [ CrossRef ]
- کونوسنتی، سی. آنجلری، س. کاپادونیا، سی. روتیگلیانو، ای. اگنسی، وی. مرکر، ام. ارزیابی حساسیت فرسایش گالی با استفاده از رگرسیون لجستیک مبتنی بر GIS: موردی از سیسیل (ایتالیا). ژئومورفولوژی ۲۰۱۴ ، ۲۰۴ ، ۳۹۹-۴۱۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- کونوسنتی، سی. اگنسی، وی. کاما، م. Caraballo-Arias، NA; Rotigliano، E. ارزیابی حساسیت فرسایش آبکی با استفاده از خطوط رگرسیون تطبیقی چند متغیره و حسابداری برای اتصال زمین. تخریب زمین توسعه دهنده ۲۰۱۸ ، ۲۹ ، ۷۲۴-۷۳۶٫ [ Google Scholar ] [ CrossRef ]
- گولوسف، وی. گوساروف، آ. شریفیلین، ا. ایوانووا، NN; گفوروف، آ. یرمولایف، او. Rysin، I. استفاده از ۱۳۷Cهای مشتق شده از بمب و چرنوبیل برای ارزیابی روند تلفات خاک در مناطق مختلف چشم انداز روسیه اروپایی. در مجموعه مقالات چهاردهمین سمپوزیوم بین المللی برهمکنش بین رسوبات و آب، تائورمینا، ایتالیا، ۱۷ تا ۲۲ ژوئن ۲۰۱۷؛ پ. ۱۰٫ [ Google Scholar ]
- گوساروف، AV; گولوسف، وی. Sharifullin، AG; گافوروف، AM روند معاصر در فرسایش چرنوزمهای قابل کشت جنوبی (Haplic Chernozems Pachic) در غرب استان اورنبورگ (روسیه). علم خاک اوراسیا ۲۰۱۸ ، ۵۱ ، ۵۶۱-۵۷۵٫ [ Google Scholar ] [ CrossRef ]
- گولوسف، وی. کویتر، ا. ایوانف، م. مالتسف، ک. گوساروف، آ. شریفلین، ا. رادچنکو، I. ارزیابی روند نرخ فرسایش خاک در دو منطقه کشاورزی روسیه اروپایی در ۶۰ سال گذشته. J. Soils Sediments ۲۰۱۸ ، ۱۸ ، ۳۳۸۸-۳۴۰۳٫ [ Google Scholar ] [ CrossRef ]
- گفوروف، AM با استفاده از وسایل نقلیه هوایی بدون سرنشین برای ارزیابی فرسایش خاک. دانشگاه ایالتی بلگورود علمی گاو نر نات. علمی ۲۰۱۹ ، ۴۳ ، ۱۸۲-۱۹۰٫ [ Google Scholar ] [ CrossRef ]
- یرمولایف، OP؛ مدودوا، RA; Platoncheva، EV روشهای روششناختی برای نظارت بر فرسایش زمینهای کشاورزی در بخش اروپایی روسیه با استفاده از تصاویر ماهوارهای. اوچنیه زاپ. کازان دانشگاه سر. Estestv. ناوک. ۲۰۱۷ ، ۱۵۹ ، ۶۶۸-۶۸۰٫ [ Google Scholar ]
- یرمولایف، او. پلاتونچوا، ای. Essuman-Quainoo، B. دینامیک فضایی-زمانی کمربند آبکی زودگذر در دامنه های شخم زده حوضه رودخانه ها در مناظر طبیعی و انسانی شرق دشت روسیه. Geosciences ۲۰۲۰ , ۱۰ , ۱۶۷٫ [ Google Scholar ] [ CrossRef ]
- Seutloali، KE; دوبی، تی. Mutanga، O. ارزیابی و نقشهبرداری شدت فرسایش خاک با استفاده از دادههای ماهواره چندطیفی ۳۰ متری Landsat در سرزمینهای سابق آفریقای جنوبی ترانسکی. فیزیک شیمی. Earth Parts A/B/C ۲۰۱۷ , ۱۰۰ , ۲۹۶–۳۰۴٫ [ Google Scholar ] [ CrossRef ]
- سعادت، ح. آداموفسکی، جی. طائفی، وی. نامدار، م. شریفی، ف. Ale-Ebrahim, S. رویکردی جدید برای نقشهبرداری شدت فرسایش شیاری و بینالمللی مقیاس منطقهای با استفاده از ارزیابیهای شاخص روشنایی از تصاویر ماهوارهای با وضوح متوسط. کاتنا ۲۰۱۴ ، ۱۱۳ ، ۳۰۶-۳۱۳٫ [ Google Scholar ] [ CrossRef ]
- Desprats، JF; راکلوت، دی. روسو، م. سردان، او. گارسین، ام. Le Bissonnais, Y.; بن اسلیمن، ای. فوشه، ج. Monfort-Climent، D. نقشه برداری از ویژگی های فرسایش خطی با استفاده از تصاویر ماهواره ای با وضوح بالا و بسیار بالا. تخریب زمین توسعه دهنده ۲۰۱۳ ، ۲۴ ، ۲۲-۳۲٫ [ Google Scholar ] [ CrossRef ]
- فیوروچی، اف. آردیزون، اف. روسی، ام. توری، دی. استفاده از تصاویر ماهوارهای استریوسکوپی برای نقشهبرداری رودخانهها و خندقهای زودگذر. Remote Sens. ۲۰۱۵ ، ۷ ، ۱۴۱۵۱–۱۴۱۷۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- کاشتانوف، آن. ورنیوک، یی. ساوین، آی.ای. شچپوتف، وی وی. Dokukin، PA; شاریچف، دی وی؛ نقشه برداری لی، KA از فرسایش شیاری خاک های زراعی بر اساس بررسی وسایل نقلیه هوایی بدون سرنشین. علم خاک اوراسیا ۲۰۱۸ ، ۵۱ ، ۴۷۹-۴۸۴٫ [ Google Scholar ] [ CrossRef ]
- کاریداس، سی. بوارور، او. Zdruli، P. نقشه برداری از الگوهای فرسایش مکانی-زمانی خاک در حوضه رودخانه Candelaro، ایتالیا، با استفاده از مدل G2 با تصاویر Sentinel2. Geosciences ۲۰۲۰ ، ۱۰ ، ۸۹٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- والتر، وی. طبقهبندی مبتنی بر شی دادههای سنجش از راه دور برای تشخیص تغییر. ISPRS J. Photogramm. Remote Sens. ۲۰۰۴ , ۵۸ , ۲۲۵-۲۳۸٫ [ Google Scholar ] [ CrossRef ]
- ژانگ، اف. لی، جی. ژانگ، بی. شن، Q. بله، اچ. وانگ، اس. Lu, Z. یک روش استخراج آستانه دینامیک خودکار ساده برای طبقهبندی آبهای بزرگ از تصاویر شاخص آب Landsat-8 OLI. بین المللی J. Remote Sens. ۲۰۱۸ , ۳۹ , ۳۴۲۹–۳۴۵۱٫ [ Google Scholar ] [ CrossRef ]
- قوش، ع. Maiti، R. ارزیابی حساسیت به فرسایش خاک با استفاده از رگرسیون لجستیک، درخت تصمیم و جنگل تصادفی: مطالعه بر روی حوضه رودخانه مایوراکشی در شرق هند. محیط زیست علوم زمین ۲۰۲۱ ، ۸۰ ، ۳۲۸٫ [ Google Scholar ] [ CrossRef ]
- غذا، تلویزیون؛ نگوین، اچ. تران، X.-L. Hoang، N.-D. پیشبینی فرسایش خاک ناشی از بارندگی بر اساس هیبریداسیون تکامل دیفرانسیل تطبیقی و طبقهبندی ماشین بردار پشتیبان. ریاضی. مشکل مهندس ۲۰۲۱ ، ۲۰۲۱ ، e6647829. [ Google Scholar ] [ CrossRef ]
- لیو، ی. ژو، جی. چی، دبلیو. لی، ایکس. گراس، ال. شائو، کیو. ژائو، ز. نی، ال. فن، ایکس. Li, Z. ARC-Net: یک شبکه کارآمد برای استخراج ساختمان از تصاویر هوایی با وضوح بالا. دسترسی IEEE ۲۰۲۰ ، ۸ ، ۱۵۴۹۹۷–۱۵۵۰۱۰٫ [ Google Scholar ] [ CrossRef ]
- کای، جی. Chen, Y. MHA-Net: شبکه توجه ترکیبی چند مسیری برای استخراج ردپای ساختمان از تصاویر سنجش از دور با وضوح بالا. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. ۲۰۲۱ , ۱۴ , ۵۸۰۷–۵۸۱۷٫ [ Google Scholar ] [ CrossRef ]
- لو، ال. لی، پی. Yan, X. استخراج ساختمان مبتنی بر یادگیری عمیق از تصاویر سنجش از دور: یک بررسی جامع. Energies ۲۰۲۱ , ۱۴ , ۷۹۸۲٫ [ Google Scholar ] [ CrossRef ]
- بلیز، M.-A.; اخلوفی، کارشناسی ارشد یادگیری عمیق برای تقسیمبندی خط ساحلی در ارتفاع پایین . فقط آنلاین؛ SPIE: اورلاندو، فلوریدا، ایالات متحده آمریکا، ۲۰۲۱؛ جلد ۱۱۷۵۲٫ [ Google Scholar ]
- آریال، بی. اسکارزاگا، اس ام. Vargas Zesati، SA; ولز-ریس، م. فوئنتس، او. Tweedie، C. تقسیمبندی معنایی نیمه خودکار خطوط سواحل قطب شمال با استفاده از تصاویر هوایی با وضوح بسیار بالا، شاخصهای طیفی و رویکردهای یادگیری ماشینی با نظارت ضعیف. Remote Sens. ۲۰۲۱ , ۱۳ , ۴۵۷۲٫ [ Google Scholar ] [ CrossRef ]
- گارگ، آر. کومار، ا. بانسال، ن. پراتیک، ام. کومار، S. تقسیم بندی معنایی داده های تصویری PolSAR با استفاده از مدل یادگیری عمیق پیشرفته. علمی Rep. ۲۰۲۱ , ۱۱ , ۱۵۳۶۵٫ [ Google Scholar ] [ CrossRef ]
- دونگ، ی. لی، اف. هونگ، دبلیو. ژو، ایکس. Ren, H. بخش بندی معنایی پوشش زمین ناحیه بندر با تصاویر SAR با وضوح بالا بر اساس SegNet. در سال ۲۰۲۱ SAR در عصر کلان داده (BIGSARDATA) ؛ موسسه مهندسین برق و الکترونیک (IEEE): Piscataway, NJ, USA, 2021; صص ۱-۴٫ [ Google Scholar ] [ CrossRef ]
- وی، اچ. خو، X. او، ن. ژانگ، ایکس. Dai, Y. Deanet: رمزگذار دوگانه با شبکه توجه برای بخش بندی معنایی تصاویر سنجش از دور. Remote Sens. ۲۰۲۱ , ۱۳ , ۳۹۰۰٫ [ Google Scholar ] [ CrossRef ]
- ایلاریونوا، اس. ترکین، ا. ایگناتیف، وی. Oseledets، I. نقشه برداری از گونه های درختی در تصاویر ماهواره ای Sentinel-2 با طبقه بندی نظارت ضعیف و نمونه برداری شی گرا. Forests ۲۰۲۱ , ۱۲ , ۱۴۱۳٫ [ Google Scholar ] [ CrossRef ]
- آهنگ، جی. وو، اس. لی، CKF; Serbin، SP; Wolfe، BT; Ng، MK; Ely، KS; بوگونوویچ، م. وانگ، جی. لین، ز. و همکاران پایش فنولوژی برگ در جنگلهای استوایی مرطوب با استفاده از روش یادگیری عمیق مبتنی بر سوپرپیکسل برای تصاویر سری زمانی از سایبان درختان. ISPRS J. Photogramm. Remote Sens. ۲۰۲۲ ، ۱۸۳ ، ۱۹-۳۳٫ [ Google Scholar ] [ CrossRef ]
- گفوروف، AM; یرمولایف، OP تشخیص خودکار آبکند: شبکه های عصبی و بینایی کامپیوتری. Remote Sens. ۲۰۲۰ ، ۱۲ ، ۱۷۴۳٫ [ Google Scholar ] [ CrossRef ]
- دو، بی. ژائو، ز. هو، ایکس. وو، جی. هان، ال. سان، ال. گائو، Q. پیشبینی حساسیت زمین لغزش بر اساس تقسیمبندی معنایی تصویر. محاسبه کنید. Geosci. ۲۰۲۱ ، ۱۵۵ ، ۱۰۴۸۶۰٫ [ Google Scholar ] [ CrossRef ]
- یرمولایف، او. عثمانوف، بی. گفوروف، آ. پوسن، جی. ودنیوا، ای. لیستسکی، اف. Nicu، ارزیابی IC نرخ تبدیل خط ساحلی و پایش زمین لغزش در بانک مخزن کویبیشف (روسیه) با استفاده از دادههای چند منبعی. Remote Sens. ۲۰۲۱ , ۱۳ , ۴۲۱۴٫ [ Google Scholar ] [ CrossRef ]
- یرمولایف، OP؛ موخاراموا، اس.اس. مالتسف، کالیفرنیا؛ ایوانف، MA; Ermolaeva, PO; گایازوف، هوش مصنوعی؛ Mozzherin، VV; خارچنکو، اس وی؛ مارینینا، OA; Lisetskii، سیستم اطلاعات جغرافیایی FN و ژئوپورتال “حوضه رودخانه های روسیه اروپایی”. IOP Conf. سر. محیط زمین. علمی ۲۰۱۸ , ۱۰۷ , ۰۱۲۱۰۸٫ [ Google Scholar ] [ CrossRef ]
- گفوروف، AM; ریسین، II; گولوسف، وی. گریگوریف، دوم؛ Sharifullin، AG برآورد نرخ اخیر عقب نشینی سر خندق در دامنه جنوبی دشت اروپای شرقی با استفاده از مجموعه ای از روش های ابزاری. وستن مسک. دانشگاه Seriya 5 Geogr. ۲۰۱۸ ، ۲۰۱۸ ، ۶۱–۷۱٫ [ Google Scholar ]
- گولیک، ن. هنچر، م. دیکسون، ام. ایلیوشچنکو، اس. تاو، دی. Moore, R. Google Earth Engine: Planetary-Scale Geospatial Analysis for Everyone. سنسور از راه دور محیط. ۲۰۱۷ ، ۲۰۲ ، ۱۸-۲۷٫ [ Google Scholar ] [ CrossRef ]
- بشکه.؛ منگ، کیو. فینلی، تی. وانگ، تی. چن، دبلیو. ما، دبلیو. بله، س. لیو، تی.-ای. LightGBM: درخت تصمیم برای تقویت گرادیان بسیار کارآمد. در پیشرفتها در سیستمهای پردازش اطلاعات عصبی ۳۰ (NIPS 2017) ؛ Curran Associates, Inc.: Long Beach, CA, USA, 2017; جلد ۳۰٫ [ Google Scholar ]
- چاوراسیا، ا. Culurciello، E. LinkNet: بهرهبرداری از بازنماییهای رمزگذار برای تقسیمبندی معنایی کارآمد. در مجموعه مقالات IEEE Visual Communications and Image Processing (VCIP) 2017، سن پترزبورگ، FL، ایالات متحده آمریکا، ۱۰–۱۳ دسامبر ۲۰۱۷؛ صص ۱-۴٫ [ Google Scholar ]
- رونبرگر، او. فیشر، پی. Brox، T. U-Net: شبکه های کانولوشن برای تقسیم بندی تصویر زیست پزشکی. arXiv ۲۰۱۵ ، arXiv:1505.04597. [ Google Scholar ]
- ایاندولا، اف. موسکویچ، م. کارایف، اس. گیرشیک، آر. دارل، تی. Keutzer، K. DenseNet: پیادهسازی هرمهای توصیفگر ConvNet کارآمد. arXiv ۲۰۱۴ ، arXiv:1404.1869. [ Google Scholar ]
- Jaccard, P. توزیع فلور در منطقه آلپ. فیتول جدید. ۱۹۱۲ ، ۱۱ ، ۳۷-۵۰٫ [ Google Scholar ] [ CrossRef ]
- Miller, RG, Jr. Beyond ANOVA: Basics of Applied Statistics ; مطبوعات CRC: Boca Raton، FL، USA، ۱۹۹۷; شابک ۹۷۸-۰-۴۱۲-۰۷۰۱۱-۲٫ [ Google Scholar ]
- هابرتی، سی جی; اولجنیک، اس. MANOVA کاربردی و تجزیه و تحلیل متمایز . جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، ۲۰۰۶; شابک ۹۷۸-۰-۴۷۱-۷۸۹۴۶-۸٫ [ Google Scholar ]
- گرویسمن، PYA; کارل، TR; ایسترلینگ، DR; نایت، RW; جیماسون، پی اف. هنسی، کی جی. سوپیه، ر. صفحه، CM؛ ویبیگ، جی. فورتونیاک، ک. و همکاران تغییرات در احتمال بارش شدید: شاخص های مهم تغییرات آب و هوایی. در شرایط آب و هوایی و اقلیم شدید ; Karl, TR, Nicholls, N., Ghazi, A., Eds. Springer: Dordrecht، هلند، ۱۹۹۹; ص ۲۴۳-۲۸۳٫ شابک ۹۷۸-۹۰-۴۸۱-۵۲۲۳-۰٫ [ Google Scholar ]
- Dore، MHI تغییر آب و هوا و تغییرات در الگوهای بارش جهانی: چه می دانیم؟ محیط زیست بین المللی ۲۰۰۵ ، ۳۱ ، ۱۱۶۷-۱۱۸۱٫ [ Google Scholar ] [ CrossRef ]
- زولینا، او. سیمر، سی. گولف، اس.کی. Kollet, S. تغییر ساختار بارش اروپا: دورههای مرطوب طولانیتر که منجر به بارندگیهای فراوان میشوند: تغییر ساختار بارش اروپا. ژئوفیز. Res. Lett. ۲۰۱۰ ، ۳۷ ، ۱-۵٫ [ Google Scholar ] [ CrossRef ]
- اولچف، آ. نوونکو، ای. پوپوف، وی. پامپورا، تی. Meili، M. شواهدی از تغییر دما و بارندگی در ۱۰۰ سال گذشته در یک رکورد گرده با وضوح بالا از جنگل شمالی اروپای مرکزی روسیه. هولوسن ۲۰۱۷ ، ۲۷ ، ۷۴۰-۷۵۱٫ [ Google Scholar ] [ CrossRef ]
- Zolotokrylin، A. چرنکووا، E. تغییرات فصلی در بارش شدید در روسیه در چند دهه گذشته و تأثیر آنها بر فعالیت های حیاتی جمعیت انسانی. Geogr. محیط زیست حفظ کنید. ۲۰۱۷ ، ۱۰ ، ۶۹-۸۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- گولوسف، وی. گوساروف، آ. لیتوین، ال. یرمولایف، او. چیژیکووا، ن. صفینا، جی. Kiryukhina، Z. ارزیابی نرخ فرسایش خاک در نیمه جنوبی دشت روسیه: روش شناسی و نتایج اولیه. Proc. بین المللی دانشیار هیدرول. علمی ۲۰۱۷ ، ۳۷۵ ، ۲۳-۲۷٫ [ Google Scholar ] [ CrossRef ]
- شریفلین، ا. گوساروف، آ. گفوروف، آ. Essuman-Quainoo، B. برآورد اولیه روند رسوب گذاری معاصر در پایین دره خشک حوضه های مرتبه اول مناطق مختلف چشم انداز دشت روسیه با استفاده از ۱۳۷ CS به عنوان نشانگر زمان. IOP Conf. سر. محیط زمین. علمی ۲۰۱۸ , ۱۰۷ , ۰۱۲۰۲۲٫ [ Google Scholar ] [ CrossRef ]
- هستی، تی. تبشیرانی، ر. مدل های افزایشی تعمیم یافته ; Chapman & Hall/CRC: Boca Raton، FL، USA، ۱۹۹۹; شابک ۹۷۸-۰-۴۱۲-۳۴۳۹۰-۲٫ [ Google Scholar ]
- یرمولایف، او. موخاراموا، اس. ودنیوا، E. مدلسازی رواناب رودخانه در قلمرو اروپایی روسیه. Catena ۲۰۲۱ , ۲۰۳ , ۱۰۵۳۲۷٫ [ Google Scholar ] [ CrossRef ]
- سرون، دی. برومیت، سی. عابدی، H. Hlink Dswah/Pygam: V0.8.0 ; زنودو: ژنو، سوئیس، ۲۰۱۸٫ [ Google Scholar ]
- بابایان، لس آنجلس; پروتوپوپوف، VM حاصلخیزی خاکهای شاه بلوط سبک در عناصر مختلف توپوگرافی حوزه آبخیز. علم خاک اوراسیا ۱۹۹۷ ، ۳۰ ، ۱۱۱۳-۱۱۱۶٫ [ Google Scholar ]
شکل ۱٫ منطقه مورد مطالعه. ۰—منطقه ساراتوف، ۱—منطقه پنزا، ۲—جمهوری چوواشیا، ۳—منطقه سامارا، ۴—جمهوری تاتارستان، ۵—جمهوری ماری ال، و ۶—منطقه اولیانوفسک.
شکل ۲٫ قطعه ای از داده های حقیقت زمین فرسایش شیاری (GT).
شکل ۳٫ مثالی از یک پچ تصویر ماهواره ای ( A ) و یک ماسک باینری ( B ) از فرسایش شیار.
شکل ۴٫ طرح معماری DNN LinkNet [ ۶۴ ].
شکل ۵٫ نمونه ای از نتایج اعمال RECNN به مجموعه داده آزمایشی.
شکل ۶٫ نتایج تشخیص فرسایش شیاری در کل منطقه مورد مطالعه ( A ) و منطقه بزرگ شده با جریان های شناخته شده در تصویر Sentinel 2 ( B ).
شکل ۷٫ نقشه چگالی فرسایش شیاری. ربع ها فواصل زمانی را محاسبه می کنند.
شکل ۸٫ توزیع طول فرسایش شیاری کل (m) ( A ) و توزیع نرمال شده طول کل فرسایش شیاری ( B ).
شکل ۹٫ رابطه خطی طول کل فرسایش شیاری با حداکثر دمای هوا.
شکل ۱۰٫ رابطه خطی طول کل فرسایش شیاری با تغییرات ارتفاعی در حوضه.
شکل ۱۱٫ رابطه خطی طول کل فرسایش شیاری به میانگین بارندگی سالانه از اردیبهشت تا آگوست.
شکل ۱۲٫ وابستگی چگالی فرسایش شیاری به عوامل توپوگرافی – ارتفاع متوسط (m) ( A ) و شیب متوسط شیب (درجه) ( B ) در حوضه.
شکل ۱۳٫ وابستگی تراکم فرسایش شیاری به محدوده ارتفاعی (m) ( A ) و پوشش جنگلی متوسط (%) ( B ) در حوضه.
شکل ۱۴٫ وابستگی چگالی فرسایش شیاری به عوامل دما (°C) – میانگین دمای سالانه در ژانویه ( A ) و میانگین حداکثر دمای سالانه در فصل گرم ( B ).
شکل ۱۵٫ وابستگی چگالی فرسایش شیاری به میانگین بارندگی سالانه در دوره گرم (mm) ( A ) و مقدار ضریب گرمابی (GTK) ( B ) در حوضه.
شکل ۱۶٫ وابستگی چگالی فرسایش شیاری به موقعیت جغرافیایی: ( A ) – طول جغرافیایی (m)، ( B ) – عرض جغرافیایی (m).
شکل ۱۷٫ وابستگی طول شبکه فرسایش به نوع خاک غالب. انواع خاک در مواد تکمیلی آورده شده است.
شکل ۱۸٫ وابستگی طول شبکه فرسایش به نوع غالب سنگ های خاک ساز. انواع سنگ در مواد تکمیلی آورده شده است.
شکل ۱۹٫ رابطه بین طول شبکه فرسایش شیاری و ناحیه چشم انداز.
شکل ۲۰٫ وابستگی طول شبکه فرسایش شیاری به بار انسانی.
شکل ۲۱٫ قطعه QQ از MANOVA بین شبکه رودخانه و پوشش جنگلی، بار انسانی، نوع خاک غالب و سنگ های خاک ساز.
بدون دیدگاه