fa ارزیابی مدل‌های شبکه عصبی مصنوعی و حداکثر آنتروپی در پهنه‌بندی حساسیت فرسایش آبکندی حوزه آبخیز سد گلستان تخصصي Special پژوهشي Research <strong><span dir="RTL"><span style="color:black;"><span style="font-family:B Lotus;"><span style="font-size:12.0pt;">پهنه &shy;بندی حساسیت فرسایش آبکندی و تعیین فاکتورهای کنترل&shy; کننده آن بسیار مهم و حیاتی است. این مطالعه با هدف بررسی توزیع مکانی فرسایش آبکندی با استفاده از دو مدل شبکه عصبی مصنوعی و حداکثر آنتروپی و تعیین عوامل اثرگذار بر این نوع فرسایش در حوزه آبخیز سد گلستان انجام شد. لذا 14 عامل، شامل عوامل توپوگرافی، سایر عوامل و تلفیق عوامل (14 عامل) به عنوان فاکتورهای پیش‌بینی&shy; کننده حساسیت در نظر گرفته شدند. از مجموع 1042 موقعیت فرسایش آبکندی، به صورت تصادفی و به نسبت 30 و 70 درصد به ترتیب به عنوان داده&shy; های اعتبارسنجی و آزمون در نظر گرفته شدند. نتایج حاصل از آزمون </span></span></span></span><span style="color:black;"><span style="font-family:Times New Roman,serif;"><span style="font-size:10.0pt;">Jackknife</span></span></span><span dir="RTL"><span style="color:black;"><span style="font-family:B Lotus;"><span style="font-size:12.0pt;"> نشان داد که پارامترهای ارتفاع، بارندگی و عمق دره مهم &shy;ترین متغیرهای اثرگذار بر پیش &shy;بینی فرسایش آبکندی می&shy; باشند. نتایج مدل &shy;سازی نشان داد که بهترین دقت مدل بر اساس منحنی </span></span></span></span><span style="color:black;"><span style="font-family:Times New Roman,serif;"><span style="font-size:10.0pt;">ROC</span></span></span><span dir="RTL"><span style="color:black;"><span style="font-family:B Lotus;"><span style="font-size:12.0pt;"> در حالت آموزش (923 /0) و در مرحله اعتبارسنجی (902 /0)، مدل شبکه عصبی مصنوعی بوده است و این شرایط زمانی حاصل می&shy; شود که همه عوامل در مدل &shy;سازی دخالت داده شوند. بر اساس این مدل بیش از 20 درصد حوزه (45633 هکتار) دارای حساسیت زیاد و خیلی زیاد به فرسایش آبکندی است.</span></span></span></span></strong> Zoning of gully erosion susceptibility and determining the factors controlling gully erosion is very important and vital. The aim of this study was to investigate the spatial distribution of gully erosion using two models of ANN and MaxEnt and to determine the factors affecting this type of erosion in Golestan Dam basin. Therefore, 14 factors in the form of three divisions, including topographic factors, other factors and combination of factors (14 factors) were considered as predictors of sensitivity. Out of 1042 gully erosion points, 30 and 70 percent were randomly classified as validation and test data, respectively. The results of Jackknife test showed that the parameters of height, rainfall and depth of valley are the most important variables affecting the prediction of gully erosion. The results of the modeling showed that the best accuracy of the model based on the ROC curve in the training model (0.923) and in the validation, stage (0.902) was the artificial neural network model, and this condition is achieved when all the factors in the modeling be involved. According to this model, about more than 20 percent of the domain (45633 ha) has a high sensitivity and is very susceptible to gully erosion.<div dir="RTL" style="text-align: left;"></div> توزیع مکانی, شبکه عصبی مصنوعی, حساسیت, فرسایش آبکندی, یادگیری ماشینی spatial distribution, artificial neural network, susceptibility, gully erosion, machine learning 12 23 http://jwmsei.ir/browse.php?a_code=A-10-839-2&slc_lang=fa&sid=1 Ali Shahbazi علی شهبازی ali.shahbazi65@yahoo.com 100319475328460014700 100319475328460014700 No Ph.D Graduated in Watershed Science and Engineering, Faculty of Natural Resources, University of Tehran. دانش آموخته‌ی دکتری گروه علوم و مهندسی آبخیز، دانشکده منابع طبیعی، دانشگاه تهران. Farzaneh Vakili tajareh فرزانه وکیلی تجره vakili.farzane.t@ut.ac.ir 100319475328460014701 100319475328460014701 No M.Sc Graduated in Watershed Science and Engineering, Faculty of Natural Resources, University of Tehran. دانش آموخته‌ی کارشناسی ارشد گروه علوم و مهندسی آبخیز، دانشکده منابع طبیعی، دانشگاه تهران. Ehsan Alvandi احسان الوندی alvandiu_2010@yahoo.com 100319475328460014702 100319475328460014702 No Ph.D Graduated in Watershed Science and Engineering, Gorgan University of Agricultural Sciences and Natural Resources. دانش آموخته‌ی دکتری گروه علوم و مهندسی آبخیز، دانشگاه علوم کشاورزی و منابع طبیعی گرگان. Asghar Bayat اصغر بیات omid.asadi@ut.ac.ir 100319475328460014703 100319475328460014703 No M.Sc Student in Watershed Science and Engineering, Faculty of Natural Resources, University of Tehran. دانشجوی کارشناسی ارشد گروه علوم و مهندسی آبخیز، دانشکده منابع طبیعی، دانشگاه تهران. Omid Asadi nalivan امید اسدی نلیوان omid.asadi@ut.ac.ir 100319475328460014704 100319475328460014704 Yes Ph.D Graduated in Watershed Science and Engineering, Gorgan University of Agricultural Sciences and Natural Resources دانش آموخته‌ی دکتری گروه علوم و مهندسی آبخیز، دانشگاه علوم کشاورزی و منابع طبیعی گرگان