摩洛哥乌姆尔-艾比尔(Oum Er Rbia)河流域受到水力侵蚀作用的严重影响,并导致了土壤流失、土地退化以及水坝中的泥沙沉积。基于此,我们使用三种机器学习(ML)技术来估计土壤侵蚀脆弱性,包括随机森林(RF)、k近邻(kNN)和极端梯度增强(XGBoost)。基于Google Earth和其他数据档案以及已发表的研究,确定了3034个已知土壤侵蚀位置,这些数据的80%被用于训练土壤侵蚀模型,其余20%用于测试模型。Boruta算法确定了17个最相关的环境和地质因素,它们被选为土壤侵蚀建模的主要影响因素。基于敏感性、特异性、精确度和Kappa系数,评估了ML模型的性能。评估结果表明,RF、kNN和XGBoost在研究区内对水力土壤侵蚀的预测表现优良。所有模型均生成了土壤侵蚀敏感性(SES)图,并进行了比较,随后使用受试者操作特性(ROC)曲线和曲线下面积(AUC)进行了验证。根据ROC结果,所有导出的地图都是可靠的潜在水力土壤侵蚀率预测器。AUC值证明,尽管RF的预测性能优于(AUC = 92%)其他模型(kNN AUC = 90%,XGBoost AUC = 91%),但实际上所有模型的性能都相当好,准确率非常高。因此,本研究中采用的基于ML算法的方法可以成为其他类似环境中进行土壤侵蚀建模和绘图的有用工具。此外,我们的研究结果还为决策者提供了有益的信息,可以帮助他们提出适当的措施来避免乌姆尔-艾比尔(Oum Er-Rbia)流域的土壤流失。