DOI: https://doi.org/10.1007/s12665-025-12803-2
تاريخ النشر: 2026-01-20
المؤلف: Abdul Alim Mohammadi وآخرون
الموضوع الرئيسي: تآكل التربة ونقل الرواسب
نظرة عامة
تدرس هذه الدراسة فعالية مؤشرات الاتصال الرسوبي في التنبؤ بإنتاج الرواسب لإدارة مستدامة لحوض المياه في حوض كارا أحمد في نهر غوكسون، تركيا، وخاصة في المناطق التي تعاني من نقص البيانات. من خلال نمذجة إنتاج الرواسب عبر 196 حوض فرعي و69 حدث مطري على مدى عقد من الزمن باستخدام عوامل قائمة على نظم المعلومات الجغرافية، تقارن الأبحاث النتائج من معادلة فقدان التربة العالمية المنقحة (RUSLE) ومعادلة فقدان التربة العالمية المعدلة (MUSLE). تكشف النتائج عن وجود علاقة قوية بين النموذجين (R² = 0.87 على مستوى الحدث؛ R² = 0.93 على مستوى الحوض الفرعي)، مع نطاق إنتاج الرواسب من 0.02 إلى 16.46 طن هكتار⁻¹ لـ MUSLE ومن 0.04 إلى 10.63 طن هكتار⁻¹ لـ RUSLE، مما يشير إلى أن كلا النموذجين يمكنهما تقدير إنتاج الرواسب بفعالية تحت ظروف متغيرة.
علاوة على ذلك، توضح الدراسة أن دمج مؤشرات الاتصال الرسوبي—مثل مؤشر الاتصال (IC)، ونسبة تسليم الرواسب (SDR)، ومؤشر الرطوبة الطبوغرافية (TWI)—مع خوارزميات التعلم الآلي (ML) (لا سيما XGBoost وغابة عشوائية) يمكن أن يعيد إنتاج تقديرات إنتاج الرواسب التجريبية بدقة عالية (R² = 0.912-0.942). ومع ذلك، تم تدريب النماذج على نتائج من سيناريوهات استخدام الأراضي والمناخ الثابتة، مما قد يحد من قابليتها للتطبيق في التنبؤ بالأحداث الرسوبية المتطرفة. يؤكد المؤلفون على الحاجة إلى التحقق الميداني ودمج العوامل البيئية الديناميكية في الأبحاث المستقبلية لتعزيز قوة النموذج وقابليته للتطبيق في ظروف أحواض المياه المتنوعة. لا يحسن هذا النهج المتكامل موثوقية التنبؤ فحسب، بل يقدم أيضًا حلاً قابلاً للتوسع لتقدير إنتاج الرواسب في المناطق غير المقاسة أو ذات البيانات المحدودة.
مقدمة
تسلط المقدمة الضوء على التحدي المستمر لتآكل التربة في إدارة الأراضي المستدامة والحفاظ على موارد المياه، وخاصة في المناطق المتأثرة بتغير المناخ وتغيرات استخدام الأراضي. كانت النماذج التقليدية مثل معادلة فقدان التربة العالمية المنقحة (RUSLE) ومعادلة فقدان التربة العالمية المعدلة (MUSLE) أدوات أساسية في التنبؤ بتآكل التربة وإنتاج الرواسب. ومع ذلك، فإن اعتمادها على المعلمات التجريبية والافتراضات العامة يحد من فعاليتها في المناظر الطبيعية المعقدة. سعت التطورات الأخيرة إلى تعزيز هذه النماذج من خلال دمج تقنيات التعلم الآلي، التي تحسن دقة التنبؤ من خلال أساليب قائمة على البيانات. على سبيل المثال، أظهرت الدراسات في حوض بورغرق، المغرب، أن دمج نسب تسليم الرواسب (SDR) مع RUSLE واستخدام مجموعات بيانات التربة عالية الدقة حسّن بشكل كبير من تقديرات إنتاج الرواسب على المدى الطويل.
علاوة على ذلك، أدى دمج النماذج التجريبية مع الاستشعار عن بعد (RS) ونظم المعلومات الجغرافية (GIS) إلى تقدم أبحاث تآكل التربة، مما يمكّن من تقييمات عالية الدقة عبر مقاييس زمنية مختلفة. يسهل استخدام نماذج الارتفاع الرقمية (DEMs) وبيانات الاستشعار عن بعد متعددة الأوقات توليد بيانات الإدخال الحيوية لنمذجة تآكل التربة، بما في ذلك خصائص التضاريس وتغيرات استخدام الأراضي. كما تؤكد المقدمة على أهمية الاتصال الرسوبي في الهيدرولوجيا، الذي يؤثر على نقل الرواسب وإدارة أحواض المياه. تم ملاحظة علاقة إيجابية قوية بين إنتاج الرواسب والاتصال، مما يبرز الحاجة إلى مؤشرات اتصال دقيقة في تقييم الاستجابات الهيدرولوجية. وقد حسّنت الدراسات الحديثة نمذجة نقل الرواسب من خلال ربط RUSLE بنظرية الاتصال، مما يحسن من تقديرات إنتاج الرواسب فيما يتعلق بتغيرات استخدام الأراضي والديناميات الهيدرولوجية.
طرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك مصادرها وطرق إعدادها، بالإضافة إلى إعداد التجربة. كما يصف القسم المنهجيات المطبقة لجمع البيانات وتحليلها، مما يضمن إمكانية إعادة إنتاج النتائج وموثوقيتها. يتم تحديد التحليلات الإحصائية التي تم إجراؤها لتفسير البيانات، بالإضافة إلى أي برامج أو أدوات تم استخدامها في العملية.
علاوة على ذلك، يبرز القسم الضوابط والمتغيرات التي تم أخذها في الاعتبار خلال التجارب، مما يوفر إطارًا واضحًا لفهم الظروف التي تم الحصول فيها على النتائج. بشكل عام، يخدم هذا القسم في إثبات صرامة وصلاحية البحث الذي تم إجراؤه.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. عادة ما يتضمن بيانات كمية، وتحليلات إحصائية، وأي أرقام أو جداول ذات صلة توضح النتائج. غالبًا ما تتم مقارنة النتائج مع الفرضيات أو التوقعات الأولية، مما يبرز الاتجاهات الكبيرة، أو العلاقات، أو الشذوذات الملحوظة خلال الدراسة.
في هذا القسم، قد يناقش المؤلفون أيضًا تداعيات نتائجهم، مؤكدين كيف تساهم في المعرفة الحالية في هذا المجال. عادة ما يتم الاعتراف بأي قيود للنتائج، بالإضافة إلى المجالات المحتملة للبحث المستقبلي، لتوفير فهم شامل لتأثير الدراسة. بشكل عام، يخدم هذا القسم في التحقق من أهداف البحث وإظهار أهمية النتائج ضمن السياق الأوسع للتخصص.
مناقشة
تسلط المناقشة الضوء على التقدم في نماذج التعلم الآلي (ML) لتقييم قابلية تآكل التربة، مع التأكيد على فعالية الخوارزميات مثل الشبكات العصبية الاصطناعية (ANN)، والشبكات العصبية التلافيفية (CNN)، وآلات الدعم الناقل (SVM) في تعزيز دقة التنبؤ بما يتجاوز النماذج التجريبية التقليدية. دمجت الدراسات الحديثة تقنيات التفسير مثل SHapley Additive exPlanations (SHAP) لتوضيح تأثير المتغيرات المدخلة المختلفة على ديناميات الرواسب، مما يوفر رؤى أعمق في العمليات الفيزيائية الأساسية. ومع ذلك، لا يزال هناك فجوة كبيرة في التقييم الشامل لنماذج التعلم الآلي لكل من الجريان السطحي وتصريف الرواسب، حيث تناولت معظم الأبحاث الحالية هذه العمليات بشكل منفصل. تهدف هذه الدراسة إلى سد هذه الفجوة من خلال استكشاف إمكانية استخدام مؤشرات الاتصال الرسوبي كمدخلات لخوارزميات التعلم الآلي لتكرار تقديرات إنتاج الرواسب من النماذج التجريبية المعروفة، وخاصة معادلة فقدان التربة العالمية المنقحة (RUSLE) ومعادلة فقدان التربة العالمية المعدلة (MUSLE)، دون الاعتماد على بيانات الرواسب الملاحظة.
تم إجراء البحث في حوض كارا أحمد في نهر غوكسون في تركيا، باستخدام إطار عمل قائم على نظم المعلومات الجغرافية لتقدير إنتاج الرواسب القائم على الأحداث من 69 حدث مطري-جرياني تم تسجيله بين عامي 2009 و2019. من خلال تدريب خمسة نماذج تعلم آلي—غابة عشوائية (RF)، وتعزيز التدرج الشديد (XGBoost)، والانحدار بواسطة آلات الدعم (SVR)، والشبكات العصبية الاصطناعية (ANN)، وأقرب الجيران (k-NN)—على مقاييس الاتصال الرسوبي المستمدة من المناظر الطبيعية، تقيم الدراسة قدرتها على تقريب مخرجات RUSLE وMUSLE. تشير النتائج إلى أن مقاييس الاتصال الرسوبي يمكن أن تعمل كمتنبئات بديلة فعالة لإنتاج الرواسب، مما يوفر إطار عمل جديد وقليل البيانات لتقدير إنتاج الرواسب في المناطق غير المقاسة أو ذات البيانات المحدودة. لا يعزز هذا النهج فقط الصرامة المنهجية لتقدير إنتاج الرواسب، بل له أيضًا تداعيات عملية على إدارة أحواض المياه وتقييم مخاطر التآكل.
DOI: https://doi.org/10.1007/s12665-025-12803-2
Publication Date: 2026-01-20
Author(s): Abdul Alim Mohammadi et al.
Primary Topic: Soil erosion and sediment transport
Overview
This study investigates the efficacy of sediment connectivity indices in predicting sediment yield for sustainable watershed management in the Göksun Çayı Karaahmet sub-basin, Türkiye, particularly in data-scarce regions. By modeling sediment yield across 196 sub-catchments and 69 rainfall events over a decade using GIS-based factors, the research compares outputs from the Revised Universal Soil Loss Equation (RUSLE) and Modified Universal Soil Loss Equation (MUSLE). The findings reveal a strong correlation between the two models (R² = 0.87 at the event scale; R² = 0.93 at the sub-catchment scale), with sediment yields ranging from 0.02 to 16.46 t ha⁻¹ for MUSLE and 0.04 to 10.63 t ha⁻¹ for RUSLE, indicating that both models can effectively estimate sediment yield under varying conditions.
Furthermore, the study demonstrates that integrating sediment connectivity indices—such as the Index of Connectivity (IC), Sediment Delivery Ratio (SDR), and Topographic Wetness Index (TWI)—with machine learning (ML) algorithms (notably XGBoost and Random Forest) can replicate empirical sediment yield estimates with high accuracy (R² = 0.912-0.942). However, the models were trained on outputs from static land use and climate scenarios, which may limit their applicability in predicting extreme sediment events. The authors emphasize the need for field validation and the incorporation of dynamic environmental factors in future research to enhance model robustness and applicability in diverse watershed conditions. This integrated approach not only improves prediction reliability but also offers a scalable solution for sediment yield estimation in ungauged or data-limited regions.
Introduction
The introduction highlights the persistent challenge of soil erosion in sustainable land management and water resource conservation, particularly in areas affected by climate change and land-use alterations. Traditional models like the Revised Universal Soil Loss Equation (RUSLE) and Modified Universal Soil Loss Equation (MUSLE) have been instrumental in predicting soil erosion and sediment yield. However, their reliance on empirical parameters and generalized assumptions limits their effectiveness in complex landscapes. Recent advancements have sought to enhance these models by integrating machine learning techniques, which improve prediction accuracy through data-driven approaches. For instance, studies in the Bouregreg Watershed, Morocco, demonstrated that incorporating sediment delivery ratios (SDR) with RUSLE and utilizing high-resolution soil datasets significantly improved long-term sediment yield predictions.
Furthermore, the integration of empirical models with remote sensing (RS) and geographical information systems (GIS) has advanced soil erosion research, enabling high-resolution assessments across various timescales. The use of digital elevation models (DEMs) and multi-temporal remote sensing data facilitates the generation of critical input data for modeling soil erosion, including terrain attributes and land cover changes. The introduction also emphasizes the importance of sediment connectivity in hydrology, which influences sediment transport and watershed management. A strong positive correlation between sediment yield and connectivity has been observed, underscoring the need for accurate connectivity indices in evaluating hydrological responses. Recent studies have further enhanced sediment transport modeling by coupling RUSLE with connectivity theory, thereby improving predictions of sediment yield in relation to land use changes and hydrological dynamics.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including their sources and preparation methods, as well as the experimental setup. The section also describes the methodologies applied to collect and analyze data, ensuring reproducibility and reliability of results. Statistical analyses performed to interpret the data are specified, along with any software or tools utilized in the process.
Furthermore, the section emphasizes the controls and variables considered during the experiments, providing a clear framework for understanding the conditions under which the findings were obtained. Overall, this section serves to establish the rigor and validity of the research conducted.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It typically includes quantitative data, statistical analyses, and any relevant figures or tables that illustrate the outcomes. The results are often compared against the initial hypotheses or expectations, highlighting significant trends, correlations, or anomalies observed during the study.
In this section, the authors may also discuss the implications of their findings, emphasizing how they contribute to the existing body of knowledge in the field. Any limitations of the results, as well as potential areas for future research, are usually acknowledged to provide a comprehensive understanding of the study’s impact. Overall, this section serves to validate the research objectives and demonstrate the significance of the findings within the broader context of the discipline.
Discussion
The discussion highlights the advancements in machine learning (ML) models for assessing soil erosion susceptibility, emphasizing the efficacy of algorithms such as Artificial Neural Networks (ANN), Convolutional Neural Networks (CNN), and Support Vector Machines (SVM) in enhancing predictive accuracy beyond traditional empirical models. Recent studies have integrated interpretability techniques like SHapley Additive exPlanations (SHAP) to elucidate the influence of various input variables on sediment dynamics, thereby providing deeper insights into the underlying physical processes. However, a significant gap remains in the comprehensive evaluation of ML models for both runoff and sediment discharge, as most existing research has addressed these processes in isolation. This study aims to bridge this gap by exploring the potential of sediment connectivity indices as inputs for ML algorithms to replicate sediment yield estimates from established empirical models, specifically the Revised Universal Soil Loss Equation (RUSLE) and the Modified Universal Soil Loss Equation (MUSLE), without relying on observed sediment data.
The research is conducted in the Göksun Çayı Karaahmet sub-catchment in Türkiye, utilizing a GIS-based framework to estimate event-based sediment yield from 69 rainfall-runoff events recorded between 2009 and 2019. By training five ML models—Random Forest (RF), Extreme Gradient Boosting (XGBoost), Support Vector Regression (SVR), ANN, and k-Nearest Neighbors (k-NN)—on landscape-derived sediment connectivity metrics, the study assesses their ability to approximate RUSLE and MUSLE outputs. The findings suggest that landscape connectivity metrics can serve as effective surrogate predictors for sediment yield, offering a novel, data-light framework for estimating sediment yield in ungauged or data-scarce regions. This approach not only enhances the methodological rigor of sediment yield estimation but also has practical implications for watershed management and erosion risk assessment.