استفاده از الگوریتم‌های یادگیری ماشین برای مدل‌سازی منابع آب زیرزمینی در دشت موسیان استان ایلام

امروزه میزان برداشت از آبهای زیرزمینی بیش از میزان تغذیه آبهای زیرزمینی است که این عامل باعث افت شدید سطح سفره‌های آب زیرزمینی شده است. مراتع و جنگل‌ها بعنوان اصلی‌ترین مکان‌های تغذیه سفره‌های آب زیرزمینی محسوب می‌شوند، درحالی‌که بیشترین برداشت از این منابع در کاربری کشاورزی انجام می‌شود. هدف اصلی از پژوهش حاضر استفاده از الگوریتم‌های یادگیری ماشین شامل رگرسیون جنگل تصادفی و تابع آنتروپی شانون برای مدل‌سازی منابع آب زیرزمینی در مراتع نیمه‌خشک غرب ایران می‌باشد. برای این هدف، ابتدا لایه‌های اطلاعاتی شامل: درجه شیب، جهت شیب، ارتفاع از سطح دریا، فاصله از گسل، شکل شیب، فاصله از آبراهه، فاصله از جاده، بارندگی، لیتولوژی و کاربری اراضی تهیه شد. پس از تعیین وزن پارامترها با استفاده از تابع آنتروپی شانون و سپس تعیین طبقات آن‌ها، در محیط سامانه‌های اطلاعات جغرافیایی، از ترکیب وزن پارامترها و طبقات آن‌ها نقشه نهایی مناطق دارای پتانسیل منابع آب زیرزمینی مدل‌سازی گردید.  بعلاوه، برای اجرای مدل جنگل تصادفی از نرم افزار r 3.5.1 و بسته randomforest استفاده شد. در تحقیق حاضر از اعتبارسنجی ضربدری k-fold برای صحت‌سنجی مدل‌ها استفاده گردید. به منظور ارزیابی کارایی مدل‌های جنگل تصادفی و آنتروپی شانون برای پتانسیل‌یابی منابع آب زیرزمینی، از شاخص های آماری mae، rmse و r2 استفاده شد. نتایج ارزیابی نشان داد که مدل جنگل تصادفی با دقت (rmse: 3.41, mae: 2.85 r^² = 0.825,) دارای دقت بالاتری نسبت به مدل آنتروپی شانون با دقت (r^² = 0.727, rmse: 4.36, mae: 3.34) می‌باشد. یافته‌های مدل جنگل تصادفی نشان داد که قسمت زیادی از منطقه مورد مطالعه دارای پتانسیل متوسط (26954/22هکتار) و مساحت خیلی اندکی (205/61 هکتار) بدون پتانسیل آب زیرزمینی می‌باشد. از طرفی، نتایج مدل آنتروپی شانون نشان داد که قسمت اعظمی از منطقه مورد مطالعه دارای پتانسیل متوسط (24633/05 هکتار) و مساحت خیلی اندکی (1502/12 هکتار) بدون پتانسیل آب زیرزمینی می‌باشد.

using machine learning algorithms for modeling groundwater resources in arid rangeland western iran

in recent years, groundwater discharge is more than recharge, resulting in a drop-down in groundwater levels. rangeland and forest are considered the main recharge areas of groundwater, while the most uses of these resources are done in agricultural areas. the main goal of this research is to use machine learning algorithms including random forest and shannon’s entropy function to model groundwater resources in a semi-arid rangeland in western iran. therefore, the layers of slope degree, slope aspect, elevation, distance from the fault, the shape of the slope, distance from the waterway, distance from the road, rainfall, lithology, and land use were prepared. after determining the weight of the parameters using shannon’s entropy function and then determining their classes, the final map of the areas with the potential of groundwater resources was modeled from the combination of the weight of the parameters and their classes. in addition, r 3.5.1 software and the randomforest package were used to run the random forest (rf) model. in this research, k-fold cross-validation was used to validate the models. moreover, the statistical indices of mae, rmse, and r2 were used to evaluate the efficiency of the rf model and shannon’s entropy for finding the potential of underground water resources. the results showed that the rf model with accuracy (rmse: 3.41, mae: 2.85, r² = 0.825) has higher accuracy than shannon’s entropy model with accuracy (r² = 0.727, rmse: 4.36, mae: 3.34). the findings of the random forest model showed that most of the studied area has medium potential (26954.2 ha) and a very small area (205.61 ha) has no groundwater potential. on the other hand, the results of shannon’s entropy model showed that most of the studied area has medium potential (24633.05 ha) and a very small area (1502.1 ha) has no groundwater potential.