علی شهبازی - Ph.D Graduated in Watershed Science and Engineering, Faculty of Natural Resources, University of Tehran.
فرزانه وکیلی تجره - M.Sc Graduated in Watershed Science and Engineering, Faculty of Natural Resources, University of Tehran.
احسان الوندی - Ph.D Graduated in Watershed Science and Engineering, Gorgan University of Agricultural Sciences and Natural Resources.
اصغر بیات - M.Sc Student in Watershed Science and Engineering, Faculty of Natural Resources, University of Tehran.
امید اسدی نلیوان - Ph.D Graduated in Watershed Science and Engineering, Gorgan University of Agricultural Sciences and Natural Resources

پهنه ­بندی حساسیت فرسایش آبکندی و تعیین فاکتورهای کنترل­ 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 ۱۴ عامل، شامل عوامل توپوگرافی، سایر عوامل و تلفیق عوامل (۱۴ عامل) به عنوان فاکتورهای پیش بینی­ کننده حساسیت در نظر گرفته شدند. از مجموع ۱۰۴۲ موقعیت فرسایش آبکندی، به صورت تصادفی و به نسبت ۳۰ و ۷۰ درصد به ترتیب به عنوان داده­ های اعتبارسنجی و آزمون در نظر گرفته شدند. نتایج حاصل از آزمون Jackknife نشان داد که پارامترهای ارتفاع، بارندگی و عمق دره مهم ­ترین متغیرهای اثرگذار بر پیش ­بینی فرسایش آبکندی می­ باشند. نتایج مدل ­سازی نشان داد که بهترین دقت مدل بر اساس منحنی ROC در حالت آموزش (۹۲۳ /۰) و در مرحله اعتبارسنجی (۹۰۲ /۰)، مدل شبکه عصبی مصنوعی بوده است و این شرایط زمانی حاصل می­ شود که همه عوامل در مدل ­سازی دخالت داده شوند. بر اساس این مدل بیش از ۲۰ درصد حوزه (۴۵۶۳۳ هکتار) دارای حساسیت زیاد و خیلی زیاد به فرسایش آبکندی است.

spatial distribution, artificial neural network, susceptibility, gully erosion, machine learning, توزیع مکانی, شبکه عصبی مصنوعی, حساسیت, فرسایش آبکندی, یادگیری ماشینی