استفاده از الگوریتم های یادگیری ماشین برای مدل سازی منابع آب زیرزمینی در دشت موسیان استان ایلام

امروزه میزان برداشت از آبهای زیرزمینی بیش از میزان تغذیه آبهای زیرزمینی است که این عامل باعث افت شدید سطح سفره های آب زیرزمینی شده است. مراتع و جنگل ها بعنوان اصلی ترین مکان های تغذیه سفره های آب زیرزمینی محسوب می شوند، درحالی که بیشترین برداشت از این منابع در کاربری کشاورزی انجام می شود. هدف اصلی از پژوهش حاضر استفاده از الگوریتم های یادگیری ماشین شامل رگرسیون جنگل تصادفی و تابع آنتروپی شانون برای مدل سازی منابع آب زیرزمینی در مراتع نیمه خشک غرب ایران می باشد. برای این هدف، ابتدا لایه های اطلاعاتی شامل: درجه شیب، جهت شیب، ارتفاع از سطح دریا، فاصله از گسل، شکل شیب، فاصله از آبراهه، فاصله از جاده، بارندگی، لیتولوژی و کاربری اراضی تهیه شد. پس از تعیین وزن پارامترها با استفاده از تابع آنتروپی شانون و سپس تعیین طبقات آن ها، در محیط سامانه های اطلاعات جغرافیایی، از ترکیب وزن پارامترها و طبقات آن ها نقشه نهایی مناطق دارای پتانسیل منابع آب زیرزمینی مدل سازی گردید.  بعلاوه، برای اجرای مدل جنگل تصادفی از نرم ­افزار R ۳.۵.۱ و بسته randomForest استفاده شد. در تحقیق حاضر از اعتبارسنجی ضربدری k-fold برای صحت سنجی مدل ها استفاده گردید. به منظور ارزیابی کارایی مدل های جنگل تصادفی و آنتروپی شانون برای پتانسیل یابی منابع آب زیرزمینی، از شاخص­های آماری MAE، RMSE و R۲ استفاده شد. نتایج ارزیابی نشان داد که مدل جنگل تصادفی با دقت (RMSE: ۳.۴۱, MAE: ۲.۸۵ R² = ۰.۸۲۵,) دارای دقت بالاتری نسبت به مدل آنتروپی شانون با دقت (R² = ۰.۷۲۷, RMSE: ۴.۳۶, MAE: ۳.۳۴) می باشد. یافته های مدل جنگل تصادفی نشان داد که قسمت زیادی از منطقه مورد مطالعه دارای پتانسیل متوسط (۲۲/۲۶۹۵۴ هکتار) و مساحت خیلی اندکی (۶۱/۲۰۵ هکتار) بدون پتانسیل آب زیرزمینی می باشد. از طرفی، نتایج مدل آنتروپی شانون نشان داد که قسمت اعظمی از منطقه مورد مطالعه دارای پتانسیل متوسط (۰۵/۲۴۶۳۳ هکتار) و مساحت خیلی اندکی (۱۲/۱۵۰۲ هکتار) بدون پتانسیل آب زیرزمینی می باشد.

کلیدواژه ها:

Groundwater Potential ، Random Forest Model ، Entropy Shannon ، Musian Plain. ، پتانسیل آب زیرزمینی ، مدل جنگل تصادفی ، آنتروپی شانون ، دشت موسیان.