کاربرد الگوریتم های درخت وایازی تقویت شده، درخت مدل پشتیبان و جنگل تصادفی برای ارزیابی احتمال آب های زیرزمینی

Abstract

آب های زیرزمینی، به دلیل رشد جمعیت و صنعتی شدن در مناطق مختلف جهان، به طور غیرقابل کنترلی مورد بهرهبرداری قرار میگیرند. هدف این پژوهش، ارزیابی پتانسیل آب‌های زیرزمینی توسط الگوریتم‌های پیشرفته یادگیری ماشین و با استفاده از معیارهای توپوگرافی، هیدرولوژی، محیطی و زمین‌شناسی می‌باشد. برای انجام این کار، از سه الگوریتم پیشرفته یادگیری ماشین شامل درخت رگرسیون تقویت شده (BRT)، درخت مدل لجستیک (LMT) و جنگل تصادفی (RF) استفاده شد. لذا جهت پیاده‌سازی، داده‌های ژئوهیدرولوژیکی 37 حلقه چاه آب زیرزمینی در دشت بیرجند استان خراسان جنوبی جمع‌آوری شد و از طریق انتخاب تصادفی به نسبت 70 به 30 به مجموعه داده‌های آموزشی و اعتبارسنجی تقسیم شدند. در نهایت، نقشه‌های پتانسیل آب زیرزمینی با استفاده از الگوریتم‌های BRT، LMT و RF تهیه شدند. به منظور اعتبار‌سنجی الگوریتم‌های پیش‌بینی پتانسیل آب زیرزمینی، سطح زیر منحنی (AUC) و معیارهای آماری نرخ پیش‌بینی‌شده مثبت، نرخ پیش‌بینی‌شده منفی، حساسیت، ویژگی و دقت مورد استفاده قرار گرفتند. نتایج نشان داد که مدلLMT (865/0 =AUC) عملکرد بهتری نسبت به مدل‌های BRT و RF در پیش‌بینی پتانسیل آب زیرزمینی منطقه موردمطالعه دارد.