فرسایش خاک مهمترین عامل تخریب زمین¬ها در سطح جهان، به¬ویژه در مناطق نیمه¬خشک، است که استفاده پایدار از منابع خاک جهان را تهدید می¬کند. کمبود دانسته¬ها در زمینه فرسایش و رسوب به پیچیدگی فرآیندهای فرسایش مرتبط است که پیش¬بینی فرسایش خاک را هزینه¬بر، وقت گیر و دشوار می¬کند. این دشواری منجر به توسعه مدل‌ها و ابزارهای مختلفی شده است که به دنبال ساده‌سازی مدل¬های فرسایش خاک و بهبود درک ما از الگو و فرآیندهای فرسایش خاک هستند. بدین منظور این پژوهش در چهار بخش شامل پیش¬بینی برخی از ویژگی¬های فیزیکی و مکانیکی موثر بر فرسایش خاک با مدل-های یادگیری ماشین، پیش¬بینی فاکتور فرسایش¬پذیری خاک با روش¬های مختلف یادگیری ماشین، مقایسه نقشه¬برداری سنتی و نقشه¬برداری رقومی در پیش¬بینی فرسایش خاک با مدل RUSLE و برآورد رواناب و رسوب با استفاده از مدل SWAT در زیرحوضه آبخیز مندرجان انجام شد. مساحت تقریبی حوضه مورد مطالعه 22000 هکتار است که با روش نمونه-برداری مربع لاتین هایپرکیوب شرطی 100 نمونه¬ خاک رویین (0تا 30 سانتی¬متر) برداشت شد. نتایج پیش¬بینی برخی از ویژگی¬های فیزیکی و مکانیکی موثر بر فرسایش خاک با مدل¬های یادگیری ماشین نشان داد که مدل جنگل تصادفی نسبت به دو مدل کیوبیست و ماشین بردار پشتیبان نتایج قابل قبول¬تری را ارائه می¬دهد و زمانی که مدل از متغیرهای محیطی (توپوگرافی و سنجش از دور)، داده¬های طبقه¬بندی به همراه ویژگی¬های خاک استفاده می¬کند، دقت قابل قبول¬تری ارائه می-دهد. پیش¬بینی فاکتور فرسایش¬پذیری خاک با روش¬های مختلف یادگیری ماشین با دو رویکرد انجام شد. نتایج این بخش از پژوهش نشان داد که روش¬های یادگیری ماشین با موفقیت توزیع مکانی فرسایش¬پذیری خاک را پیش¬بینی نمودند و همچنین این پیش¬بینی¬ها در رویکرد دوم قابل اعتمادتر و دارای دقت بیش¬تری بود. مقایسه نقشه¬برداری سنتی و نقشه¬برداری رقومی در پیش¬بینی فرسایش خاک با مدل RUSLE گویای این واقعیت بود که نتایج به¬دست آمده با دو روش مذکور تفاوت چندانی با هم نداشتند. این یافته مؤید آن است که مدل RUSLE با داده¬های محدود و بسیار ساده می¬تواند پیش¬بینی خوبی از فرسایش خاک در منطقه ارائه دهد. فرسایش کل منطقه برابر 177908 تن در سال (با میانگین حدود 8 تن در هکتار در سال) و میزان رسوب تحویلی در نقطه خروجی حوضه برابر 83/2 تن در هکتار در سال برآورد شد. رسوب خروجی ازحوضه نیز با چهار مدل مختلف نسبت تحویل رسوب برآورد شد که مدل Slope-based با برآورد 74/2 تن در هکتار در سال نتایج قابل قبول و نزدیکتری به داده¬های واقعی ایستگاه هیدرومتری نشان داد. در بخش برآورد رواناب و رسوب با استفاده از مدل SWAT ضریب تبیین و نش-ساتکلیف برای واسنجی و صحت¬سنجی رواناب به ترتیب برابر 69/0، 64/0، 72/0 و 66/0 بدست آمد. همچنین ضرایب مزبور برای واسنجی و صحت¬سنجی رسوب به ترتیب برابر 62/0، 60/0، 58/0 و 55/0 بود. با بررسی روند جریان شبیه¬سازی شده با مدل SWAT در مراحل واسنجی و صحت¬سنجی برای رواناب و رسوب گویای این بود که مدل با دقت قابل قبولی توانست رخدادها را در زیرحوضه آبخیز مندرجان پیش¬بینی نماید. میزان تولید رسوبی در نقطه خروجی توسط مدل SWAT برای داده¬های واسنجی برابر 7/4 تن در هکتار در سال برآورد شد که مقدار میانگین داده¬های مشاهداتی در این سال¬ها برابر 93/3 تن در هکتار در سال بود. نتایج مدل¬های RUSLE و SWAT نسبت به داده¬های واقعی به¬ترتیب کم¬برازش و بیش¬برازش داشتند. کلاس فرسایش¬ خاک منطقه با روش¬های RUSLE و SWAT تهیه شد و مناطق با کلاس¬های شدید و بسیار شدید قرار گرفت که نیاز به اقدامات فوری برای عملیات حفاظت بیولوژیک و مکانیکی دارند تا منجر به کاهش رسوب به مخزن سد زاینده¬رود گردد.

واژه¬های کلیدی: فرسایش خاک، فرسایش¬پذیری خاک، یادگیری ماشین، مدل RUSLE و SWAT.