Моделирование овражной эрозии  методом сглаженной многоуровневой оценки

Н.А. Корецкий; А.С. Горбунов; В.Н. Бевз; В.А. Караваев

doi:10.46698/VNC.2025.27.78.017

Н.А. Корецкий Воронежский государственный университет, Россия, 394018, г. Воронеж, Университетская площадь, 1
А.С. Горбунов Воронежский государственный университет, Россия, 394018, г. Воронеж, Университетская площадь, 1
В.Н. Бевз Воронежский государственный университет, Россия, 394018, г. Воронеж, Университетская площадь, 1
В.А. Караваев Институт географии РАН, Россия, 119017, г. Москва, Старомонетный пер., 29

DOI: https://doi.org/10.46698/VNC.2025.27.78.017

Ключевые слова: овражная эрозия, моделирование овражной эрозии, CatBoost, ансамблевый подход, геоинформационные системы, машинное обучение, восприимчивость территории к эрозии

Резюме

Актуальность работы. Овражная эрозия один из основных негативных экзогенных процессов в лесостепной зоне Русской равнины. В условиях интенсификации сельского хозяйства требуется постоянное слежение и прогнозирование ее развития. В статье авторы пытаются показать подход к моделированию эрозии методом сглаженной многоуровневой оценки восприимчивости территории. Цель исследования заключается в разработке нового метода оценки развития овражной эрозии на основе машинного обучения. Предлагаемая технология дает более точные результаты по оценке восприимчивости территории к овражной эрозии, по сравнению с рядом классических подходов. Безусловным ее преимуществом является возможность применения для анализа крупных территорий с высокой неравномерностью распределения оврагов. Методы исследования. Ключевыми исследовательскими методами выступали: моделирование на основе машинного обучения и геоинформационное моделирование. В разработке широко использован один из наиболее современных методов машинного обучения CatBoost, положенный в основу разрабатываемого подхода. Главная его особенность – это объединение нескольких моделей, решающих разные задачи, в одну более сильную. Результаты исследования. Проиллюстрирована реализация метода сглаженной многоуровневой оценки восприимчивости территории к овражной эрозии на примере лесостепи Калачской возвышенности (Воробьёвский район, Воронежской области). Рассматриваются сходства и различия предлагаемого подхода с уже существующими методами. Обосновываются две новые метрики для оценки точности работы предлагаемого метода – RF1 и NDF, приводятся соответствующие формулы. Вводятся понятия внешнего, внутреннего и регуляризационного уровней моделирования, а также иллюстрируется практический смысл использования каждого из них для решения поставленной задачи. Обосновывается использование подхода сглаженной многоуровневой оценки восприимчивости территории к овражной эрозии с учетом блока специальных геоморфологических факторов и производных от них на базе цифровой модели рельефа FABDEM v1-2. Предложенная технология показала высокую точность описания овражной эрозии (0.95) и может быть применена для анализа других территорий.

Литература

Бабешко В.А., Евдокимова О.В., Бабешко О.М., Зарецкая М.В., Снетков Д.А., Хрипков Д.А., Евдокимов В.С. О новых подходах к проблеме прогноза возникновения оползня. // Экологический вестник научных центров Черноморского экономического сотрудничества. – 2021. – Т. 18. No 3. – С. 15–22. DOI: 10.31429/vestnik-18-3-15-22.

Викторов А.С. Моделирование морфологических особенностей абразионных берегов с развитием оползневых процессов в криолитозоне. // Геоэкология. Инженерная гео-логия, гидрогеология, геокриология. – 2022. – No 6. – С. 28–36.

Ганиева С.А., Мехтиев Д.Т. Вопросы моделирования смещений из-за оползней, возникающих при землетрясениях. // Геодезия и картография. – 2015. – No 9. – С. 27–31.

Заалишвили В.Б., Мельков Д.А., Габараев А.Ф., Мерзликин Т.И. Нелинейные колебания грунтовой толщи по инструментальным и численным данным. // Геология и геофизика Юга России. – 2021. – Т. 11. No 4. – С. 70–82. DOI: 10.46698/VNC.2021.77.59.006.

Заалишвили В.Б., Мельков Д.А., Габараев А.Ф., Мерзликин Т.И., Фидарова. Нелинейные эффекты в геологических объектах по данным математического моделирования. // Материалы VIII Международной конференции «Опасные природные и техногенные процессы в горных регионах: модели, системы, технологии». Владикавказ: ГФИ ВНЦ РАН, 2022. – С. 329–336.

Исаева Г.С., Шамбетов З.С. Моделирование движения оползней методом гидродинамики сглаженных частиц. // Фундаментальные и прикладные вопросы горных наук. – 2022. – Т. 9. No 1. – С. 27–32.

Кан К., Зеркаль О.В. Оценка устойчивости сейсмогенного оползня на основе трёх-мерного моделирования при землетрясении. // Научный альманах. – 2018. – No 9-2(47). – С. 119–122.

Махинов А.Н. Крупный оползень и вызванное им цунами в Бурейском водохранилище. // Геоморфология. – 2020. – No 3. – С. 31–43. DOI: 10.31857/S0435428120030086.

Михайлов В.О. Математическое моделирование катастрофических селей, обвалов и оползней. // Наука и современность. – 2010. – No 2-1. – С. 72–78.

Стогний В.В., Заалишвили В.Б., Пономарёва Н.Л. Современная геодинамика и сейсмичность Северного Кавказа: проблемы мониторинга. // Геология и геофизика Юга России. – 2022. – Т. 12. No 2. – С. 34–52. DOI: 10.46698/VNC.2022.25.32.003.

Флоринский И.В. Анализ цифровых моделей высот для выделения линейных структур земной поверхности. Автореф. дисс. канд. техн. наук: 05.24.02 / Флоринский Игорь Васильевич. – М.: МГУ, 1993. – 17 с.

Черноморец С.С., Михайлов В.О. Численное моделирование катастрофических селей, обвалов и оползней с применением трёхмерной дискретной модели. // ГеоРиск. – 2012. – No 1. – С. 16–27.

Шарый П.А. Геоморфологический анализ пространственной изменчивости почв и экосистем. Автореф. дисс. д-ра биол. наук: 03.02.08 / Шарый Петр Александрович. – Ростов-на-Дону: ЮФУ, 2016. – 49 с.

Arabameri A., Chen W., Loche M., Zhao X., Li Y., Lombardo L., Cerda A., Pradhan B., Bui D.T. Comparison of machine learning models for gully erosion susceptibility mapping. // Geoscience Frontiers. – 2020. – No. 11. – рp. 1609–1620. DOI: 10.1016/j.gsf.2019.11.009.

Breiman L. Random Forests. // Machine Learning. – 2001. – No. 45. – pp. 5–32. DOI: 10.1023/A:1010933404324.

Fan F., Gu X., Luo J., Zhang B., Liu H., Yang H. et al. Identification of gully erosion activity and its influencing factors: A case study of the Sunshui River Basin. // PLoS ONE. – 2024. – No. 19. – рp. 1609–1620. DOI: 10.1371/journal.pone.0309672.

Gelete T. B., Pasala P., Abay N.G., Weldu G., Yasin K.H., Kebede E., Abdula I.A. Integrated machine learning and geospatial analysis enhanced gully erosion susceptibility modeling in the Erer watershed in Eastern Ethiopia. // Environmental Informatics and Remote Sensing. – 2024. – No. 12. – рp. 1–20. DOI: 10.3389/fenvs.2024.1410741.

Igwe O., John U.I., Solomon O. et al. GIS-based gully erosion susceptibility modeling, adapting bivariate statistical method and AHP approach in Gombe town and environs Northeast Nigeria. // Geoenviron Disasters. – 2020. – No. 7. DOI: 10.1186/s40677-020-00166-8.

Saha S., Roy J., Arabameri A., Blaschke T., Bui D.T. Machine learning-based gully erosion susceptibility mapping: A case study of Eastern India. // Sensors. – 2020. – No. 20. – pp. 1313. DOI: 20.1313.10.3390/s20051313.

Wang Y., Zhang Y., Chen H. Gully erosion susceptibility prediction in Mollisols using machine learning models. // Journal of Soil and Water Conservation. – 2023. – No. 78. – pp. 385–396. DOI: 10.2489/jswc.2023.00019.