شبیه سازی پتانسیل آب های زیرزمینی حوضه کهورستان با بهره گیری از رویکرد ترکیبی مدل های داده کاوی

آب زیرزمینی به عنوان یکی از منابع قابل توجه برای آب شیرین در نظر گرفته می شود. 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 الگوریتم‌های bioclim و domain به منظور شبیه‌سازی 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، 11 معیار شامل درصد شیب، جهت شیب، انحنای سطح، انحنای مقطع، شاخص پوشش گیاهی تعدیل شده بر حسب خاک(savi) ، شاخص اصلاح‌شده نرمال تفاضل آب (mndwi)، فاکتور طول و تندی شیب (ls)، شاخص قدرت جریان (spi)، شاخص رطوبت توپوگرافیک (twi)، کاربری اراضی و فاصله از آبراهه‌ها در نظر گرفته شد. همچنین از داده های 113 چاه که دارای دبی پمپاژ بالا بودند برای فرآیندهای شبیه سازی (70 درصد) و اعتبارسنجی (30 درصد) استفاده شد. قبل از مدل‌سازی آزمون هم خطی بر روی معیارها انجام شد و مشاهده گردید هیچ نوع هم خطی بین متغیرها وجود ندارد. ارزیابی کارآیی مدل‌سازی با منحنی roc نشان داد که هر چهار روش استفاده شده دارای دقت خیلی خوب و auc بالای 90 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 21/4 درصد از منطقه مورد مطالعه دارای پتانسیل خوب از نظر آب زیرزمینی می باشد.

Simulating Groundwater Potential in Kahurestan Watershed by Utilizing a Combined Approach of Data-Mining Models

GGroundwater is considered as one of the most remarkable sources of fresh water. The aim of the current research is to apply four machine learning models of Random Forest (RF), Support Vector Machine (SVM), Bioclim, and Domain to groundwater potential mapping in Kahurestan watershed, Hormozgan province. The innovation of the research is to employ Bioclim and Domain algorithms to groundwater potential simulation, to compare them with the two techniques of RF and SVM and to combine these four models by an innovative and new equation. For this purpose, 11 criteria including slope percent, slope aspect, plan curvature, profile curvature, soil adjusted vegetation index (SAVI), modified normalized difference water index (MNDWI), slope length and steepness factor (LS), stream power index (SPI), topographic wetness index (TWI), land use, and distance to streams were considered. Also, the data of 113 highdischarge wells were used for simulation (70%) and validation (30%)processes. The collinearity test was performed prior to modeling which indicated that there was no relationship between the variables. Evaluation of the modeling performance with the ROC curve showed that all four methods used had very good accuracies and AUC values higher than 90% for prediction. The survey on the weight of the criteria based on the RF method demonstrated that the land use/cover and distance to streams criteria has the highest weight. The final map revealed that 21.4% of the area under study has good groundwater potential.