کاربرد الگوریتم‌های درخت وایازی تقویت‌شده، درخت مدل پشتیبان، و جنگل تصادفی برای ارزیابی احتمال آب‌های زیرزمینی

به‌دلیل رشد جمعیت و صنعتی‌شدن در منطقه‌های گوناگون جهان، از آب‌های زیرزمینی به‌طور مهارناپذیری بهره‌برداری می‌شود. هدف این پژوهش، ارزیابی احتمال آب‌های زیرزمینی با الگوریتم‌های پیشرفته‌ی یادگیری ماشین و با معیارهای پستی‌بلندی، آب‌شناسی، محیطی و زمین‌شناسی است. برای انجام این کار سه الگوریتم پیش‌رفته‌ی یادگیری ماشین شامل درخت وایازی تقویت‌شده، درخت مدل پشتیبان، و جنگل تصادفی به‌کار برده‌شد. داده‌های آب‌شناسی 37 چاه آب زیرزمینی در دشت بیرجند، استان خراسان جنوبی، جمع‌آوری، و با انتخاب تصادفی به نسبت 70 به 30 به مجموعه‌ی داده‌های آموزشی و اعتبارسنجی تقسیم کرده‌شد. نقشه‌های احتمال آب زیرزمینی با سه الگوریتم تهیه شد. برای اعتبار‌سنجی الگوریتم‌های پیش‌بینی احتمال آب زیرزمینی، سطح زیر منحنی و معیارهای آماری نرخ پیش‌بینی‌شده‌ی مثبت، نرخ پیش‌بینی‌شده‌ی منفی، حساسیت، ویژگی، و دقت به‌کار برده‌شد. نتیجه‌ نشان داد که درخت مدل پشتیبان (0/865 =auc) کارکرد بهتری در پیش‌بینی احتمال آب زیرزمینی منطقه دارد.

using boosted regression tree, logistic model tree, and random forest algorithms to evaluate the groundwater potential

groundwater is exploited uncontrollably due to population growth and industrialization in different parts of the world. the purpose of this study is to evaluate the groundwater potential by advanced machine learning algorithms using topographical, hydrological, environmental, and geological criteria. to do this, three advanced machine learning algorithms were used, including boosted regression tree (brt), logistic model tree (lmt), and random forest (rf). therefore, for implementation, geohydrological data of 37 groundwater wells in birjand plain of south khorasan province were collected and randomly selected in a ratio of 70 to 30 were divided into training and validation data sets. finally, groundwater potential maps were prepared using brt, lmt, and rf algorithms. in order to validate the groundwater potential prediction algorithms, the area under the curve (auc) and the statistical criteria of positive predictive rate, negative predictive rate, sensitivity, specificity, and accuracy were used. the results showed that the lmt model (auc = 0.865) has a better performance than the brt and rf models in predicting the groundwater potential of the study area.