مدل‌سازی و ارزیابی عملکرد شاخص خشکسالی منابع آب زیرزمینی با استفاده از الگوریتم‌های xgboost و svm در دشت قروه-دهگلان، استان کردستان

دشت قروه- دهگلان بزرگ‌ترین دشت استان کردستان است که از نظر کشاورزی اهمیت زیادی برای این استان دارد و آگاهی از وضعیت منابع آب زیرزمینی و مدیریت بهینه دشت، بررسی دقیق نوسانات سطح آب زیرزمینی ضروری است. هدف این پژوهش، بررسی و به‌کارگیری مدل‌های یادگیری ماشین برای بهبود دقت پیش‌بینی‌ها و ارتقای مدیریت منابع آب زیرزمینی در دشت قروه- دهگلان است که شاخص خشکسالی منابع آب‌های زیرزمینی (gri) به‌عنوان یک شاخص قابل اعتماد برای پایش وضعیت خشکدشت قروه- دهگلان بزرگ‌ترین دشت استان کردستان است که از نظر کشاورزی اهمیت زیادی برای این استان دارد و آگاهی از وضعیت منابع آب زیرزمینی و مدیریت بهینه دشت، بررسی دقیق نوسانات سطح آب زیرزمینی ضروری است. هدف این پژوهش، بررسی و به‌کارگیری مدل‌های یادگیری ماشین برای بهبود دقت پیش‌بینی‌ها و ارتقای مدیریت منابع آب زیرزمینی در دشت قروه- دهگلان است که شاخص خشکسالی منابع آب‌های زیرزمینی (gri) به‌عنوان یک شاخص قابل اعتماد برای پایش وضعیت خشکسالی منطقه مورد مطالعه طی دوره زمانی 1379 تا 1399 مورد استفاده قرار گرفت. نتایج نشان می‌دهد، که مقدار شاخص gri روند کاهشی داشته و در سال 1397 خشکسالی هیدروژئولوژیکی با درجات بالا در منابع آب زیرزمینی این منطقه رخ داده است که در صورت ادامه این روند، منطقه با بحران جدی کاهش سطح آب زیرزمینی و عواقب ناشی از آن مواجه خواهد شد. پیش‌بینی‌ها با استفاده از مدل‌های یادگیری ماشین نشان دادند که هر دو مدل یادگیری ماشین (ماشین بردار پشتیبان و افزایش گرادیان شدید) به خوبی با داده‌های تجربی شاخص خشکسالی منابع آب‌های زیرزمینی مطابقت دارند. صحت‌سنجی مدل‌های استفاده‌شده در پیش‌بینی این شاخص با استفاده از نمودار تیلور نشان داد مدل افزایش گرادیان شدید (xgboost) با ضریب همبستگی (r=0.93) و خطای میانگین مربعات ریشه‌ای (rmse=0.071) بهترین عملکرد را در پیش‌بینی شاخص gri داشت هم‌چنین مدل ماشین بردار پشتیبان با ضریب همبستگی (r=0.87) و rmse=0.149، عملکرد بالایی در پیش‌بینی شاخص موردنظر نشان داد. نتایج این تحقیق موید این مطلب است که مدل‌های یادگیری ماشین ابزار مناسبی برای پیش‌بینی شاخص‎ خشکسالی منبع آب زیرزمینی هستند لذا استفاده از آن‎ها در سایر محدوده‌های مشابه پیشنهاد می‌شود.سالی منطقه مورد مطالعه طی دوره زمانی 1379 تا 1399 مورد استفاده قرار گرفت. نتایج نشان می‌دهد، که مقدار شاخص gri روند کاهشی داشته و در سال 1397 خشکسالی هیدروژئولوژیکی با درجات بالا در منابع آب زیرزمینی این منطقه رخ داده است که در صورت ادامه این روند، منطقه با بحران جدی کاهش سطح آب زیرزمینی و عواقب ناشی از آن مواجه خواهد شد. پیش‌بینی‌ها با استفاده از مدل‌های یادگیری ماشین نشان دادند که هر دو مدل یادگیری ماشین (ماشین بردار پشتیبان و افزایش گرادیان شدید) به خوبی با داده‌های تجربی شاخص خشکسالی منابع آب‌های زیرزمینی مطابقت دارند. صحت‌سنجی مدل‌های استفاده‌شده در پیش‌بینی این شاخص با استفاده از نمودار تیلور نشان داد مدل افزایش گرادیان شدید (xgboost) با ضریب همبستگی (r=0.93) و خطای میانگین مربعات ریشه‌ای (rmse=0.071) بهترین عملکرد را در پیش‌بینی شاخص gri داشت هم‌چنین مدل ماشین بردار پشتیبان با ضریب همبستگی (r=0.87) و rmse=0.149، عملکرد بالایی در پیش‌بینی شاخص موردنظر نشان داد. نتایج این تحقیق موید این مطلب است که مدل‌های یادگیری ماشین ابزار مناسبی برای پیش‌بینی شاخص‎ خشکسالی منبع آب زیرزمینی هستند لذا استفاده از آن‎ها در سایر محدوده‌های مشابه پیشنهاد می‌شود. 

modeling and evaluating the performance of groundwater resources drought index using xgboost and svm algorithms in ghorveh-dehgolan plain in kurdistan province

the ghorveh-dehgolan plain is the largest plain in kurdistan province, which is of great importance for this province in terms of agriculture, and knowledge of the status of groundwater resources and optimal management of the plain is a detailed study of groundwater level fluctuations. the aim of this research is to investigate and apply machine models to improve the accuracy of predictions and promote groundwater resource management in the ghorveh-dehgolan plain, where the groundwater resources index (gri) is a reliable indicator for monitoring the drought status of the study area during the period. it was used from 1379 to 1399. the results show that the value of the gri index has a decreasing trend and in 1397, a high degree of hydrogeological drought occurred in the groundwater resources of this region, which in the continuation of this trend will be accompanied by a serious crisis of groundwater level reduction and the consequences for the region. predictions using machine learning models show that both machine learning models (support vector machine and boost) fit well with the experimental data of the groundwater resource drought index. validation of the models used in predicting this index using taylor plot showed that the boost intensity model (xgboost) with correlation coefficient (r=0.93) and root mean square error (rmse=0.071) had the best performance in predicting the gri index as well as the machine learning model. support vector with correlation coefficient (r=0.87) and rmse=0.149 showed high performance in predicting the index. the results of this study confirm that machine learning models are suitable for groundwater resource drought prediction indices, which are recommended in other similar areas.