ارزیابی توانایی مدل ‌های‌ درختی جنگل تصادفی و m5p در برآورد سطح ایستابی دشت سراوان با استفاده از داده‌های هواشناسی

آب‌های زیرزمینی یکی از کلیدی‌ ترین منابع آب در سطح کره خاکی هستند که در بخش کشاورزی، صنعت و شرب دارای اهمیت بوده و ضامن حیات برای نسل آینده به شمار می‌آیند. در این تحقیق از 227 سری داده مربوط پارامترهای هواشناسی و آب زیرزمینی دشت سراوان در استان سیستان و بلوچستان جهت پیش‌بینی و برآورد سطح ایستابی آب زیرزمینی با استفاده مدل‌های هوشمند یادگیری ماشین استفاده شد. از این تعداد سری داده، 159 سری برای استفاده در بخش آموزش مدل‌ها و 68 سری برای آزمون مدل‌ها در سناریوهای طراحی‌شده تخصیص یافت. عملکرد مدل‌های جنگل تصادفی و m5p در برآورد متوسط سطح ایستابی دشت سراوان مورد ارزیابی قرار گرفت. عملکرد مدل‌ها با استفاده از شاخص‌های آماری ضریب همبستگی (r)، خطای مجذور میانگین مربعات (rmse) و خطای بایاس میانگین (mbe) مقایسه شد. نتایج به‌دست‌آمده نشان داد هر دو مدل بکاررفته از توانایی خوبی در مدل‌سازی سطح ایستابی برخوردارند، اما مدل m5p با ضریب همبستگی بالاتر خطاهای کمتری نسبت به مدل جنگل تصادفی دارد. سناریوی چهارم مدل m5p با مقادیر ضریب همبستگی، mbe و rmse به ترتیب 0.961، 0.0001- و 0.727 در بخش آموزش و 0.871، صفر و 0.265 در بخش آزمون به عنوان بهترین مدل در بین سناریوهای دو مدل انتخاب شد. پیشنهاد می‌شود سطح ایستابی دشت سراوان با سایر روش‌های هوش مصنوعی و یادگیری ماشین نیز ارزیابی و با مطالعه حاضر مقایسه شود.

evaluating the ability of random forest and m5p tree-based models in groundwater level estimating of saravan plain using meteorological data

groundwater is one of the key sources of water on the surface of the earth, which is important in agriculture, industry and drinking, and is considered as the guarantor of life for the future generation. in this research, 227 data series related to meteorological and groundwater parameters of saravan plain in sistan and baluchistan province were used to predict and estimate the groundwater level using intelligent machine learning models. out of this number of data series, 159 series were allocated for use in model training and 68 series for model testing in designed scenarios. the performance of random forest and m5p models was evaluated in estimating the monthly mean groundwater level of saravan plain. the performance of the models was compared using statistical indices of correlation coefficient (r), root mean square error (rmse) and mean bias error (mbe). the obtained results showed that both used models have a good ability to groundwater level modeling, but the m5p model with a higher correlation coefficient has fewer errors than the random forest model. the fourth scenario of the m5p model is selected as the best model among the scenarios of two models with correlation coefficient, mbe and rmse values of 0.961, -0.0001 and 0.727 in the training section and 0.871, zero and 0.265 in the test section, respectively. it is suggested that the groundwater level of saravan plain be evaluated with other methods of artificial intelligence and machine learning, and compared with the present study.