علیرضا نفرزادگان - University of Hormozgan
علی اکبر محمدی فر - University of Hormozgan
فریبرز محمدی - University of Hormozgan
محمد کاظمی - University of Hormozgan

   آب زیرزمینی به­عنوان یکی از منابع قابل توجه برای آب شیرین در نظر گرفته می­شود. هدف از این پژوهش، به کار بردن چهار مدل یادگیری ماشین شامل جنگل تصادفی، ماشین بردار پشتیبان، Bioclim و Domain به منظور تهیه نقشه پتانسیل آب زیرزمینی در حوزه آبخیز کهورستان استان هرمزگان است. نوآوری این پژوهش استفاده از الگوریتم های Bioclim و Domain به­ منظور شبیه سازی پتانسیل آب زیرزمینی و مقایسه آن با دو تکنیک جنگل تصادفی و ماشین بردار پشتیبان و همچنین ترکیب این چهار مدل بر اساس یک رابطه ابتکاری و جدید می ­باشد. برای این منظور، ۱۱ معیار شامل درصد شیب، جهت شیب، انحنای سطح، انحنای مقطع، شاخص پوشش گیاهی تعدیل شده بر حسب خاک(SAVI) ، شاخص اصلاح شده نرمال تفاضل آب (MNDWI)، فاکتور طول و تندی شیب (LS)، شاخص قدرت جریان (SPI)، شاخص رطوبت توپوگرافیک (TWI)، کاربری اراضی و فاصله از آبراهه ها در نظر گرفته شد. همچنین از داده­های ۱۱۳ چاه که دارای دبی پمپاژ بالا بودند برای فرآیندهای شبیه­ سازی (۷۰ درصد) و اعتبارسنجی (۳۰ درصد) استفاده شد. قبل از مدل سازی آزمون هم­ خطی بر روی معیارها انجام شد و مشاهده گردید هیچ  ­نوع هم ­خطی بین متغیرها وجود ندارد. ارزیابی کارآیی مدل سازی با منحنی ROC نشان داد که هر چهار روش استفاده شده دارای دقت خیلی خوب و AUC بالای ۹۰ درصد جهت پیش ­بینی می ­باشند. بررسی وزن معیارها بر اساس روش جنگل تصادفی نشان داد که معیار کاربری و پوشش اراضی و فاصله از آبراهه دارای بالاترین وزن می ­باشند. در ادامه نتایج چهار روش با یک رابطه پیشنهادی ترکیب گردید. نقشه نهایی نشان داد که ۲۱/۴ درصد از منطقه مورد مطالعه دارای پتانسیل خوب از نظر آب زیرزمینی می ­باشد.

Bioclim algorithm, Domain algorithm, Random Forest, Spatial analysis, Support Vector Machine, آنالیز مکانی, الگوریتم Bioclim, الگوریتم Domain, جنگل تصادفی, ماشین بردار پشتیبان