تعیین پتانسیل آب زیرزمینی با استفاده مدل‌های یادگیری ماشین جمعی در بستر GIS (مطالعۀ موردی: دشت بیرجند)

چکیده مقاله

پیش‌بینی پتانسیل آب‌های زیرزمینی جهت توسعه و برنامه‌ریزی سیستماتیک منابع آب بسیار بااهمیت است. هدف اصلی این مطالعه، توسعه مدل‌های یادگیری ماشین جمعی شامل جنگل تصادفی (RF)‏، رگرسیون منطقی‏ (LR) ‏و بیز ساده ‏(NB) توسط الگوریتم طبقه‌بندی‌کننده زیرفضای تصادفی ‏(RS)، جهت پیش‌بینی مناطق بالقوه آب زیرزمینی ‏‏در دشت بیرجند می‌باشد. لذا جهت پیاده‌سازی، داده‌های ژئوهیدرولوژیکی 37 حلقه چاه آب زیرزمینی (تعداد چاه‌ها، موقعیت مکانی چاه‌ها و تراز آب زیرزمینی یا سطح ایستابی) و 17 معیار هیدرولوژی، توپوگرافی، زمین‌شناسی و محیطی مورداستفاده قرار گرفت. روش انتخاب ویژگی کمترین مربعات ماشین بردار پشتیبان ‏(LSSVM) جهت تعیین معیارهای مؤثر به منظور افزایش عملکرد الگوریتم‌های یادگیری ماشین استفاده شد. در نهایت نقشه‌های پیش‌بینی پتانسیل آب‌ زیرزمینی با استفاده از مدل‌های RF-RS، LR-RS و NB-RS تهیه شدند. عملکرد این مدل‌ها با استفاده از سطح زیر منحنی (AUC) و سایر شاخص‌های آماری مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل ترکیبی RF-RS (‏867/0 =AUC)‏‏ قابلیت پیش‌بینی بسیار بالایی برای پتانسیل آب زیرزمینی در منطقه موردمطالعه دارد. هم‌چنین مشخص شد که معیار ارتفاع بیشترین اهمیت را در پیش‌بینی پتانسیل آب زیرزمینی در منطقه موردمطالعه دارد. نتایج مطالعه حاضر می‌تواند جهت اتخاذ تصمیمات و برنامه‌ریزی مناسب در استفاده بهینه از منابع آب زیرزمینی مفید باشد.