Оценка подверженности территории Центрального Черноземья к развитию овражной эрозии c применением методов машинного обучения

Цель. Продемонстрировать новый подход для оценки предрасположенности терри­тории к развитию овражной эрозии на основе алгоритмов машинного обучения.

Процедура и методы. Ключевыми исследовательскими методами стали: моделирова­ние на основе машинного обучения (с использованием метода сглаженной много­уровневой оценки) и геоинформационное моделирование. Для анализа существу­ющих подходов к оценке предрасположенности территории к развитию овражной эрозии использован анализ литературных источников. Непосредственно для про­ведения самой оценки авторы применили один из современных методов машинного обучения — CatBoost, который предусматривает создание ансамбля из нескольких моделей машинного обучения (ансамблирование моделей).

Результаты. Предложен новый метод — сглаженной многоуровневой оценки предрас­положенности территории к развитию овражной эрозии на примере Воробьёвского района Воронежской области. Рассмотрены сходства и различия предлагаемого под­хода с уже существующими методами, базирующимися на идее ансамблирования. Обоснованы 2 новые метрики для оценки точности работы предлагаемого метода — RF1 и NDF. Введены понятия мягкого, жёсткого и взвешенного уровней модели­рования, позволившие оценить вклад морфометрии рельефа в развитие овражной эрозии. Установлено, что наибольшее влияние на этот процесс оказывают абсо­лютные и относительные высоты местности, LS-фактор, водосборная площадь и экспозиция склона. Вместе они объясняют 95% площадей существующей овражной эрозии в регионе. По итогам моделирования на территории Воробьёвского района Воронежской области было выявлено 2 853 га земель с высокой и очень высокой предрасположенностью к развитию овражной эрозии. В ландшафтном отношении им соответствуют остепненные долинно-балочные склоны южных экспозиций, от­личающиеся наибольшей протяжённостью, крутизной и высотой, имеющие вогну­тый поперечный профиль и значительные водосборные площади.

Теоретическая и/или практическая значимость. Предложен новый подход на основе методов машинного обучения по оценке территории на предмет её предрасположен­ности к развитию овражной эрозии. С практической точки зрения, предлагаемые в работе идеи и сам методический подход могут быть использованы для получения более надежного результата по сравнению с рядом классических методов и техноло­гий машинного обучения, что особенно актуально при анализе крупных регионов с высокой неравномерностью распределения овражных форм рельефа.

1. География овражной эрозии / под. ред. Е. Ф. Зориной. М.: МГУ, 2006. 324 с.

2. Дроздов К. А. Распространение овражной эрозии на территории Центральных черноземных областей // Региональные ландшафтные исследования. 2022. Вып. 6. С. 65–75.

3. Ермолаев О. П., Рысин И. И., Голосов В. Н. Картографирование овражной эрозии на востоке Русской равнины // Геоморфология. 2017. № 2. С. 38–51. DOI 10.15356/0435-4281-2017-2-38-51

4. Корецкий Н. А., Бевз В. Н. Естественные факторы оврагообразования и их географический анализ на территории Воробьевского района Воронежской области // Региональные ландшафтные исследования. 2022. Вып. 6. С. 20–38.

5. Корецкий Н. А., Бевз В. Н. Методические вопросы моделирования вероятности проявления овражной эрозии с использованием машинного обучения // Известия Дагестанского государственного педагогического университета. Естественные и точные науки. 2023. Т. 17/ № 4. С. 19–24. DOI: 10.31161/1995-0675-2022-16-1-19-24

6. Корецкий Н. А., Бевз В. Н. Некоторые закономерности проявления овражной эрозии на территории Воробьёвского района Воронежской области // Региональные ландшафтные исследования. 2020. Вып. 4. C. 113–122.

7. Сидорчук А. Ю. Экспресс-метод оценки овражного потенциала // Вестник Московского университета. Серия 5: География. 2021. № 1. С. 54–61.

8. A 30 m global map of elevation with forests and buildings removed / L. Hawker, P. Uhe, L. Paulo, J. Sosa // Environmental Research Letters. 2022. Vol. 17. P. 024016. DOI: 10.1088/1748-9326/ac4d4f

9. Breiman L. Random Forests // Machine Learning. 2001. Vol. 45. P. 5–32. DOI: 10.1023/A:1010933404324

10. CatBoost: unbiased boosting with categorical features / L. Prokhorenkova, G. Gusev, A. Vorobev, A. V. Dorogush, A. Gulin // Journal of Functional Analysis. 2017. Vol. 1706. P. 09516.

11. Comparison of machine learning models for gully erosion susceptibility mapping / A. Arabameri, Wei Chen, M. Loche, Xia Zhao, Yang Li, L. Lombardo, A. Cerda, et al. // Geoscience Frontiers. 2020. Vol. 11. P. 1609–1620. DOI: 10.1016/j.gsf.2019.11.009

12. GIS-based gully erosion susceptibility modeling, adapting bivariate statistical method and AHP approach in Gombe town and environs Northeast Nigeria / O. Igwe, U. I. John, O. Solomon, O. Ozioko // Geoenviron Disasters. 2020. Vol. 7. DOI: 10.1186/s40677-020-00166-8

13. Florinsky I. V. Digital Terrain Analysis in Soil Science and Geology. Amsterdam: Elsevier Inc., 2016. 486 p.

14. Identification of gully erosion activity and its influencing factors: A case study of the Sunshui River Basin / Fengjie Fan, Xingli Gu, Jun Luo, Bin Zhang, Hui Liu, Haiqing Yang, Lei Wang // PLoS ON. 2024. Vol. 19. DOI: 10.1371/journal.pone.0309672

15. Integrated machine learning and geospatial analysis enhanced gully erosion susceptibility modeling in the Erer watershed in Eastern Ethiopia / T. B. Gelete, P. Pasala, N. G. Abay, G. Weldu // Environmental Informatics and Remote Sensing. 2024. Vol. 12. P. 1–20. DOI: 10.3389/fenvs.2024.1410741

16. Machine Learning-Based Gully Erosion Susceptibility Mapping: A Case Study of Eastern India / S. Saha, J. Roy, A. Arabameri, J. Roy, T. Blaschke // Sensors. 2020. Vol. 20. P. 1313. DOI: 10.3390/s20051313

17. Shary P. A., Sharaya L. S., Mitusov A. V. Fundamental quantitative methods of land surface analysis // Geoderma. 2002. Vol. 107. P. 1–32. DOI: 10.1016/S0016-7061(01)00136-7

18. Sidorchuk A. The Theoretical Approach to the Modelling of Gully Erosion in Cohesive Soil // Earth. 2022. Vol. 3. P. 228–244. DOI: 10.3390/earth3010015

19. Wang Y., Zhang Y., Chen H. Gully erosion susceptibility prediction in Mollisols using machine learning models // Journal of Soil and Water Conservation. 2023. Vol. 78. P. 385–396. DOI: 10.2489/jswc.2023.00019