پیش بینی و پهنه بندی کیفیت آب زیرزمینی با استفاده از مدل های سیستم اطلاعات جغرافیایی (GIS) و روش های یادگیری ماشین (مطالعه موردی: دشت زاهدان)

روند صعودی جمعیت در چند دهه اخیر، محدودیت منابع آب و بهره­برداری بیش ازحد از سفره­های زیرزمینی باعث به بارآمدن خسارات غیرقابل جبران کمی و کیفی به آبخوان­های کشور شده است. در تحقیق حاضر مدل ­های سیستم اطلاعات جغرافیایی (GIS) و تکنیک­های یادگیری ماشین (ML) با استفاده از متغیرهای کیفی قابل دسترس به منظور پیش­بینی و پهنه­بندی شوری و SAR آب زیرزمینی و مقایسه دقت روش­های مذکور در محدوده­ی دشت زاهدان مورد ارزیابی قرار گرفت. داده­های ورودی بر اساس نمونه­برداری­های کیفیت آب در سال آبی ۱۳۹۷ از ۵۹ حلقه چاه مشاهداتی بود. بررسی پارامترها نشان داد که در دشت زاهدان، پارامترهای EC، SAR و TDS دارای تغییرپذیری زیاد (۴۱%CV> ) و اسیدیته دارای تغییرپذیری کم (۱۶/۴ %CV= ) می­باشد. نتایج تحلیل­های زمین­آماری نشان داد که برای پارامترهای TDS و EC مدل IDW با توان دو و برای پارامترهای pH و SAR روش کریجینگ معمولی با حداقل RMSE بهترین نتیجه را در مرحله آزمون ارائه داد. ارزیابی عملکرد مدل­های یادگیری ماشین نشان داد که هر سه مدل RF، ANN و SVM با کسب R۲ بالای ۹۰ درصد و مقادیر NRMSE زیر ۱۵ درصد برای همه پارامترها (به استثنای اسیدیته) نتایج قابل­قبولی از خود نشان دادند. هرچند در مرحله آموزش تخمین­های بهتری نسبت به مرحله آزمون مشاهده شد. مقایسه مدل ­های مختلف GIS و یادگیری ماشین نیز حاکی از برتری قابل­توجه مدل­های یادگیری ماشین در تخمین پارامترهای مورد بررسی می­باشد. در­نهایت می­توان نتیجه گرفت که در شرایط نبود امکانات برای بررسی میدانی کیفیت آب زیرزمینی، روش­های داده­محور جایگزین قابل اطمینانی برای پایش کیفی آب می­باشد.

کلیدواژه ها:

پایش منابع آب ، جنگل تصادفی ، داده کاوی ، سیستان و بلوچستان ، هدایت الکتریکی