پتانسیل یابی چشمه‌های آب زیرزمینی با استفاده از ترکیب جدید شبکه عصبی کانولوشنی با الگوریتم‌های بهینه‌سازی نهنگ (woa)و کلونی زنبور عسل (abc)

منابع آب زیرزمینی محدود و استفاده زیاد از آن‌ها به چالش‌های اساسی برای توسعه پایدار در سراسر جهان تبدیل شده‌اند. در این مطالعه ترکیبی از روش تجزیه و تحلیل نسبت ارزیابی گام‌به‌گام اوزان (swara)، روش یادگیری عمیق شبکه عصبی کانولوشن (cnn)، بهینه‌سازی نهنگ (woa) و الگوریتم‌های کلونی زنبور عسل (abc)، استفاده شد که رویکرد نوآورانه‌ای ارائه می‌دهد تا نقشه پتانسیل چشمه‌های آب زیرزمینی استان کرمانشاه، تولید شود. در مرحله اول، یک نقشه شامل 301 مکان چشمه با دبی بالای 30 متر مکعب بر ثانیه و در ادامه سیزده پارامتر به عنوان متغیرهای مستقل ایجاد شدند. برای تعیین وزن معیارها، تعیین ارتباط بین پتانسیل ایجاد چشمه و عوامل انتخاب شدۀ روش swara مورد استفاده قرار گرفت. سپس برای تهیۀ نقشۀ پتانسیل چشمه های آب زیرزمینی از مدل ترکیبی cnn-woa، استفاده شد در انتها از منحنی مشخصۀ عملکرد(roc) برای ارزیابی مدل ها استفاده شد. نتایج حاصل از اعتبارسنجی مجموعه دادۀ آموزش برای مدل های swara-cnn-woa، swara-cnn-abc به ترتیب 86 و 91 درصد است نتایج نشان داد با اختلاف کم، مدل swara-cnn-abc عملکرد بهتری نسبت به مدل دیگر داشت. به علاوه ارزیابی نرخ پیش‌بینی مشخص نمود که مقادیر زیر منحنی roc برای مدل‌های swara-cnn-abc، swara-cnn-woa به ترتیب 87 و 88 درصد است. بر اساس نتایج، با وجود عملکرد عالی تمام مدل‌ها، مدل swara-cnn-abc پیش بینی دقیق‌تری انجام داده است. مدل‌های ترکیبی ارائه شده در پژوهش حاضر می توانند به عنوان یک روش کارآمد و موثر برای بهبود پتانسیل یابی آب زیرزمینی مورد استفاده قرار گیرند.

groundwater spring potential mapping using a novel hybrid of convolutional neural network with whale optimization algorithms (woa) and bee colony (abc)

limited groundwater resources and their overuse have become fundamental challenges for sustainable development worldwide. in this study, a combination of step-by-step weighted evaluation ratio analysis (swara), deep learning method of convolutional neural network (cnn), whale optimization (woa) and bee colony algorithms (abc) be applied, which approach provides an innovative method to produce the groundwater spring potential in kermanshah province. in the first stage, a map containing 301 spring locations with a flow rate of more than 30 cubic meters per second and 304 points without springs was prepared. thirteen parameters were created as independent variables. the swara method was used to determine the weight of the criteria, decision-making indicators and determine the relationship between the spring creation potential and the selected factors. then, cnn-woa hybrid model be applied to prepare the groundwater spring potential, and then it will be evaluated from the performance characteristic curve (roc) and some other statistical evaluations. the validation of the training dataset illustrated that the success rate for swara-cnn-woa, swara-cnn-abc models is 86%, 91%, respectively. the results showed that the swara-cnn-abc model performed better than other models with a small difference. in addition, the prediction rate evaluation revealed that the values under the roc curve for swara-cnn-abc, swara-cnn-woa models are 87%, 88%, respectively. based on the results, despite the excellent performance of all models, the swara-cnn-abc model has made more accurate predictions. the hybrid models presented in this study can be used as an efficient and effective methodology to improve groundwater potential.