پیش بینی و پهنه بندی کیفیت آب زیرزمینی با استفاده از مدل های سیستم اطلاعات جغرافیایی (gis) و روش های یادگیری ماشین‌ (مطالعه موردی: دشت زاهدان)

روند صعودی جمعیت در چند دهه اخیر، محدودیت منابع آب و بهره برداری بیش ازحد از سفره های زیرزمینی باعث به بارآمدن خسارات غیرقابل جبران کمی و کیفی به آبخوان های کشور شده است. در تحقیق حاضر مدل‌ های سیستم اطلاعات جغرافیایی (gis) و تکنیک های یادگیری ماشین (ml) با استفاده از متغیرهای کیفی قابل دسترس به منظور پیش بینی و پهنه بندی شوری و sar آب زیرزمینی و مقایسه دقت روش های مذکور در محدوده ی دشت زاهدان مورد ارزیابی قرار گرفت. داده های ورودی بر اساس نمونه برداری های کیفیت آب در سال آبی 1397 از 59 حلقه چاه مشاهداتی بود. بررسی پارامترها نشان داد که در دشت زاهدان، پارامترهای ec، sar و tds دارای تغییرپذیری زیاد (cv>41%) و اسیدیته دارای تغییرپذیری کم (cv = 4.16%) می باشد. نتایج تحلیل های زمین آماری نشان داد که برای پارامترهای tds و ec مدل idw با توان دو و برای پارامترهای ph و sar روش کریجینگ معمولی با حداقل rmse بهترین نتیجه را در مرحله آزمون ارائه داد. ارزیابی عملکرد مدل های یادگیری ماشین نشان داد که هر سه مدل rf، ann و svm با کسب r2 بالای 90 درصد و مقادیر nrmse زیر 15 درصد برای همه پارامترها (به استثنای اسیدیته) نتایج قابل قبولی از خود نشان دادند. هرچند در مرحله آموزش تخمین های بهتری نسبت به مرحله آزمون مشاهده شد. مقایسه مدل‌ های مختلف gis و یادگیری ماشین نیز حاکی از برتری قابل توجه مدل های یادگیری ماشین در تخمین پارامترهای مورد بررسی می باشد. در نهایت می توان نتیجه گرفت که در شرایط نبود امکانات برای بررسی میدانی کیفیت آب زیرزمینی، روش های داده محور جایگزین قابل اطمینانی برای پایش کیفی آب می باشد.

predicting and zoning of groundwater quality using geographical information system (gis) models and machine learning methods (case study: zahedan plain)

in recent decades, the growing population, limited water resources, and overexploitation of aquifers have caused irreparable damage to the quantity and quality of the country’s aquifers. in the current study, geographical information system (gis) models and machine learning (ml) techniques using available groundwater quality variables were applied for the prediction and zoning of salinity and sar of groundwater in the zahedan plain and then the accuracy of these methods was compared.the input data were based on water quality sampling in 2018 from 59 observation wells. the study of parameters showed that in zahedan plain, ec, sar, and tds parameters had high variability (cv>41%) and acidity showed low variability (cv = 4.16%). the results of the geostatistical analysis showed that the idw model represented better results with the power value of 2 for tds and ec parameters while for ph and sar parameters, the ordinary kriging method revealed the best result with minimum rmse in the test stage. performance evaluation of ml models showed that all three models rf, ann, and svm showed acceptable results with r2 above 90% and nrmse values below 15% for all parameters (except acidity). however, better estimations were observed in the training step than in the test step. a comparison of different gis models and ml also revealed the notable superiority of ml models in estimating these parameters. finally, it can be concluded that under a shortage of field facilities for the assessment of groundwater quality, data-driven methods can be a reliable alternative to water quality monitoring.