استفاده از الگوریتم های یادگیری ماشین برای مدل سازی منابع آب زیرزمینی در دشت موسیان استان ایلام(مقاله علمی وزارت علوم)
منبع:
تحلیل فضایی مخاطرات محیطی سال ۱۰ پاییز ۱۴۰۲ شماره ۳
۱۸۲-۱۶۳
حوزه های تخصصی:
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 3.5.1 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 شاخص های آماری MAE، RMSE و R2 استفاده شد. نتایج ارزیابی نشان داد که مدل جنگل تصادفی با دقت (RMSE: 3.41, MAE: 2.85 R² = 0.825,) دارای دقت بالاتری نسبت به مدل آنتروپی شانون با دقت (R² = 0.727, RMSE: 4.36, MAE: 3.34) می باشد. یافته های مدل جنگل تصادفی نشان داد که قسمت زیادی از منطقه مورد مطالعه دارای پتانسیل متوسط (22/26954 هکتار) و مساحت خیلی اندکی (61/205 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 (05/24633 هکتار) و مساحت خیلی اندکی (12/1502 هکتار) بدون پتانسیل آب زیرزمینی می باشد.