تعیین پتانسیل آب زیرزمینی با استفاده مدل‌های یادگیری ماشین جمعی در بستر Gis (مطالعۀ موردی: دشت بیرجند)

پیش‌بینی پتانسیل آب‌های زیرزمینی جهت توسعه و برنامه‌ریزی سیستماتیک منابع آب بسیار بااهمیت است. هدف اصلی این مطالعه، توسعه مدل‌های یادگیری ماشین جمعی شامل جنگل تصادفی (rf)‏، رگرسیون منطقی‏ (lr) ‏و بیز ساده ‏(nb) توسط الگوریتم طبقه‌بندی‌کننده زیرفضای تصادفی ‏(rs)، جهت پیش‌بینی مناطق بالقوه آب زیرزمینی ‏‏در دشت بیرجند می‌باشد. لذا جهت پیاده‌سازی، داده‌های ژئوهیدرولوژیکی 37 حلقه چاه آب زیرزمینی (تعداد چاه‌ها، موقعیت مکانی چاه‌ها و تراز آب زیرزمینی یا سطح ایستابی) و 17 معیار هیدرولوژی، توپوگرافی، زمین‌شناسی و محیطی مورداستفاده قرار گرفت. روش انتخاب ویژگی کمترین مربعات ماشین بردار پشتیبان ‏(lssvm) جهت تعیین معیارهای موثر به منظور افزایش عملکرد الگوریتم‌های یادگیری ماشین استفاده شد. در نهایت نقشه‌های پیش‌بینی پتانسیل آب‌ زیرزمینی با استفاده از مدل‌های rfrs، lrrs و nbrs تهیه شدند. عملکرد این مدل‌ها با استفاده از سطح زیر منحنی (auc) و سایر شاخص‌های آماری مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل ترکیبی rfrs (‏0.867 =auc)‏‏ قابلیت پیش‌بینی بسیار بالایی برای پتانسیل آب زیرزمینی در منطقه موردمطالعه دارد. هم‌چنین مشخص شد که معیار ارتفاع بیشترین اهمیت را در پیش‌بینی پتانسیل آب زیرزمینی در منطقه موردمطالعه دارد. نتایج مطالعه حاضر می‌تواند جهت اتخاذ تصمیمات و برنامه‌ریزی مناسب در استفاده بهینه از منابع آب زیرزمینی مفید باشد.

Determination of groundwater potential using ensemble machine learning models in GIS (Case Study: Birjand plain)

Predicting the potential of groundwater is very important for the systematic development and planning of water resources. The main purpose of this study was to develop ensemble machine learning models including random forest (RF), logistic regression (LR) and Naïve Bayes (NB) by random subspace Classifier (RS) algorithm to predict groundwater potential areas in Birjand plain. Therefore, for implementation, geohydrological data of 37 groundwater wells (Number of wells, location of wells and groundwater level or Water table) and 17 hydrology, topographic, geological and environmental criteria were used. The least squares support vector machine (LSSVM) feature selection method used to determine the effective criteria to increase the performance of machine learning algorithms. Finally, groundwater potential prediction maps were prepared using RFRS, LRRS and NBRS models. The performance of these models evaluated using the area under the curve (AUC) and other statistical indicators. The results showed that the RFRS hybrid model (AUC = 0.867) has a very high predictability for groundwater potential in the study area. It was also found that the elevation criterion is most important in predicting the groundwater potential in the study area. The results of the present study can be useful for making appropriate decisions and planning regarding the optimal use of groundwater resources.