ارزیابی مقایسه ای مدل های درخت تصمیم (m5) و حداقل مربعات ماشین بردار پشتیبان (ls_svm) در پیش بینی سطح آب زیرزمینی دشت مشهد

موضوع: پیش‌بینی سطح ایستابی سفرۀ آب زیرزمینی یکی از گام‌های اساسی مدیریت بهینۀ منابع آب در مناطق خشک و نیمه‌خشک محسوب می‌شود. امروزه کاربرد مدل‌های هوش مصنوعی در تخمین تراز آب زیرزمینی به‌دلیل سهولت استفاده و دقت بالای آن‌ها در برآورد معادله‌های پیچیده و غیرخطی ریاضی رو به افزایش است.هدف: مطالعۀ حاضر با هدف برآورد سطح آب آبخوان دشت مشهد با استفاده از مدل درخت تصمیم (m5) و مقایسۀ آن با مدل حداقل مربعات ماشین بردار پشتیبان  (ls-svm) تحت 10 سناریو انجام شده است.روش تحقیق: بدین منظور از داده‌های اقلیمی ماهانه (بارش، تبخیر و دما) و اطلاعات سطح آب زیرزمینی 60 چاه پیزومتری در دورۀ آماری 10ساله استفاده و مدل‌های به‌کاررفته با استفاده از آماره‌هایی همچون ضریب تعیین (r2)، rmse و mbe مورد ارزیابی قرار گرفت.یافته‌ها: نتایج مدل ls-svm نشان داد بیشترین دقت شبیه‌سازی متعلق به سناریوی 4 و سپس 9 بوده و سایر سناریوهای مورد استفاده دقت بسیار پایینی در شبیه‌سازی سطح آب دارند. مقدار خطای mbe در سناریوهای 4 (0/151-) و 9 (0/018-) نشان داد مدل سطح آب زیرزمینی را کمتر از واقعیت شبیه‌سازی نموده است. براساس نتایج شبیه‌سازی سطح آب توسط مدل درخت تصمیم در تمام سناریوها قابل قبول بوده و سناریوهای 4 و 5 با ضریب تعیین 0/999 و 0/986، به‌ترتیب بیشترین و کمترین دقت را دارند. به‌طورکلی در هر دو مدل مورد استفاده، سناریوی 4 سطح آب زیرزمینی را با دقت تقریباً مشابهی شبیه‌سازی نموده است. مقایسۀ نتایج مدل‌ها حاکی از حساسیت بیشتر مدلls-svm  نسبت به مدل m5 در برابر تغییرات پارامترهای ورودی است، به‌طوری‌که مدل درخت تصمیم برخلاف مدل حداقل مربعات ماشین بردار پشتیبان در تمام سناریوها نتایج قابل قبولی دارد.نتیجه‌گیری: درمجموع مقایسۀ مدل‌های مورد استفاده حاکی از این است که انتخاب مناسب پارامترهای اقلیمی و بررسی و تحلیل داده‌ها تاثیر قابل توجهی بر دقت پیش‌بینی‌ها دارد.

comparative evaluation of decision tree (m5) and least square support vector machine (ls-svm) models for groundwater level prediction in the mashhad plain

objective: predicting the groundwater table level is considered one of the fundamental steps in the optimal management of water resources in arid and semi-arid regions. nowadays, the application of intelligent models for estimating groundwater levels is increasing due to their ease of use and high accuracy in estimating complex and nonlinear mathematical equations. the aim of the present study is to estimate the groundwater table level of the mashhad plain aquifer using the decision tree model (m5) and to compare it with the least squares support vector machine model (ls-svm) under 10 different scenarios.method: for this purpose, monthly climatic data (precipitation, evaporation, and temperature) and groundwater level information from 60 piezometric wells over a 10-year statistical period were utilized, and the employed models were evaluated using statistics such as the coefficient of determination (r2), rmse, and mbe.results: the results of the ls-svm model indicated that the highest simulation accuracy belonged to scenario 4, followed by scenario 9, while the other scenarios exhibited very low accuracy in simulating the water level. the mbe error values in scenarios 4 (-0/151) and 9 (-0/018) showed that the model simulated the groundwater level lower than reality. based on the results of the water level simulation using the decision tree model, all scenarios were acceptable, and the scenarios 4 and 5 having the highest and lowest accuracy with coefficient of determination of 0/999 and 0/86, respectively. overall, in both models used, scenario 4 simulated the groundwater level with almost similar accuracy. a comparison of the results of the models indicated that the ls-svm model is more sensitive to changes in input parameters than the m5 model, such that the decision tree model, unlike the least squares support vector machine model, provided acceptable results in all scenarios.conclusions: in summary, the comparison of the models used suggests that the appropriate selection of climatic parameters and the examination and analysis of data have a significant impact on the accuracy of predictions.