Türkiye'de Geokonumsal Teknolojisi ve Makine Öğrenimi Kullanarak Toprak Erozyonunun Arazi Kullanımına ve Arazi Örtüsü Değişimine Karşı Hassasiyetinin Mekansal Değerlendirmesi

Abstract

Toprak aşınabilirliğinin ve bununla ilişkili endekslerin farklı arazi kullanımları arasındaki mekansal değişkenliğini anlamak, sürdürülebilir arazi kullanımı planlaması ve yönetimi için kritik öneme sahiptir. Bu değişkenleri ölçmek için kullanılan geleneksel yöntemler genellikle zaman alıcı ve maliyetlidir. Bunu ele almak için çalışmada, toprak aşınabilirliğini ve kil oranı, kritik organik madde seviyesi, kabuk oluşumu, dağılma oranı ve toprak agregat stabilitesi gibi indekslerini tahmin etmek için verimli ve uygun maliyetli alternatifler olarak dijital toprak haritalama (DSM) ve makine öğrenimi (ML) modelleri kullanılmıştır. 50 toprak yüzey örneği (0-20 cm derinlik) orman, tarım ve mera arazi kullanımlarından toplanmıştır. Toprağın fizikokimyasal özellikleri laboratuvar analizleri ile belirlenmiştir. Çalışmada Çoklu Doğrusal Regresyon (MLR) ve Rastgele Orman (RF), Destek Vektör Makinesi (SVM), Yapay Sinir Ağı (ANN) ve dört tek modelden oluşan bir topluluk dahil olmak üzere makine öğrenimi modelleri kullanılmıştır. Bu modeller tekrarlanan 10 kat çapraz doğrulama yöntemi kullanılarak eğitilmiş ve kök ortalama kare hatası (RMSE), ortalama mutlak hata (MAE) ve belirleme katsayısına (R²) göre değerlendirilmiştir. Sonuçlar, YSA modelinin toprak aşınabilirliğini tahmin etmede diğerlerinden daha iyi performans gösterdiğini ortaya koymuştur (R² = 0.98, MAE = 0.00341, RMSE = 0.0031. SVM ve RF modelleri de iyi performans göstermiş, SVM toprak aşınabilirliği tahmini için R² = 0,93, MAE = 0,00541, RMSE = 0,0038 ve RF R² = 0,87, MAE = 0,0037, RMSE = 0,00557 değerlerine ulaşmıştır. Arazi kullanımları arasında toprak aşınabilirliğinin mekansal tahmini farklı modeller ortaya koymuştur. Orman toprakları en düşük ortalama aşınabilirlik değerlerini (0.0313 t-ha-¹-h-MJ-¹-mm-¹) sergilemiş, bu da daha iyi toprak yapısı ve organik madde içeriği nedeniyle erozyona karşı daha yüksek direnç gösterdiklerini yansıtmıştır. Buna karşılık, tarımsal arazi kullanımları en yüksek ortalama aşınabilirlik değerlerini (0,0320 t-ha-¹-h-MJ-¹-mm-¹) kaydetmiştir, bu da muhtemelen erozyona duyarlılığı artıran sık toprak işleme ve azalan bitki örtüsünden kaynaklanmaktadır. Calcaric Cambisol'ler en fazla, Lithic Leptosol'ler ise en az erozyona yatkın toprak türleri olarak belirlenmiştir. Havzanın %81,18'i düşük aşınabilirlik sınıfında yer alarak erozyona karşı dirençli olduğunu göstermektedir. Çalışma, makine öğrenimi modellerinin toprak aşınabilirliğini doğru tahmin ettiğini ve elde edilen haritaların arazi yönetimi için değerli olduğunu ortaya koymuştur.Understanding the spatial variability of soil erodibility and its associated indices across different land uses is critical for sustainable land use planning and management. Traditional methods for measuring these variables are often time-consuming and costly. To address this, the study employed digital soil mapping (DSM) and machine learning (ML) models as efficient and cost-effective alternatives to predict soil erodibility and its indices, including clay ratio, critical level of organic matter, crust formation, dispersion ratio, and soil aggregate stability. 50 soil surface samples (0–20 cm depth) were collected from forest, agricultural, and pasture land uses. Soil physicochemical properties were determined through laboratory analyses. The study utilized Multiple Linear Regression (MLR) and machine learning models, including Random Forest (RF), Support Vector Machine (SVM), Artificial Neural Network (ANN), and an ensemble of the four single models. These models were trained using the repeated 10-fold cross-validation method and evaluated based on root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination (R²). The results demonstrated that the ANN model outperformed others in predicting soil erodibility (R² = 0.98, MAE = 0.00341, RMSE = 0.0031. The SVM and RF models also performed well, with SVM achieving R² = 0.93, MAE = 0.00541, RMSE = 0.0038, and RF achieving R² = 0.87, MAE = 0.0037, RMSE = 0.00557 for soil erodibility prediction. The spatial prediction of soil erodibility across land uses revealed distinct patterns. Forest soils exhibited the lowest mean erodibility values (0.0313 t·ha⁻¹·h·MJ⁻¹·mm⁻¹), reflecting their higher resistance to erosion due to better soil structure and organic matter content. In contrast, agricultural land uses recorded the highest mean erodibility values (0.0320 t·ha⁻¹·h·MJ⁻¹·mm⁻¹), likely due to frequent tillage and reduced vegetation cover, which increase erosion susceptibility. Among soil types, Calcaric Cambisols were identified as the most erosion-prone, while Lithic Leptosols were the least susceptible, attributed to differences in soil texture, structure, and organic matter content. Finally, the basin was classified based on soil erodibility classes. The analysis showed that 81.18% of the basin (covering 546.6 km²) falls under the less erodible class, highlighting the basin's overall resilience to erosion. In conclusion, the study demonstrates that machine learning-based models can accurately predict soil erodibility and its indices. The resulting maps provide a valuable baseline for land use planning, natural resource management, and decision-making processes.