ارزیابی کارایی مدل‌های فردی و ترکیبی در شناسایی پهنه‌های مستعد نفوذپذیری (حوزۀ آبخیز ماربره- استان لرستان)

برآورد تغذیۀ آب‌های زیرزمینی با در نظر گرفتن سایر عوامل اقتصادی، اجتماعی و هیدرولوژیکی موثر بر آن، کلید اصلی درک آبخوان‌ها، پیش‌بینی دسترسی بالقوه و پایداری این منابع است. هدف از پژوهش حاضر، بررسی کارایی مدل‌های منفرد و ترکیبی و اثر فرآیند ترکیب در افزایش کارایی مدل‌های فردی بود که به این منظور این فرآیند در تعیین مناطق مستعد تغذیۀ آب‌های زیرزمینی در حوزۀ آبخیز ماربره استان لرستان به‌کار برده شد. در ابتدا، لایه‌های اطلاعاتی موثر بر تغذیه تهیه و همراه با داده‌های نمونه‌برداری شده نفوذ حاصل از استوانۀ مضاعف، وارد مدل‌های بیزین و جنگل تصادفی شدند. سپس به‌منظور تقویت نتایج، این دو مدل در قالب چند سناریو با یکدیگر ترکیب شدند. کارایی مدل‌ها، با استفاده از شاخص‌های roc، cci و tss، مورد ارزیابی قرار گرفت. میزان نفوذپذیری در پنج طبقه بسیار زیاد، زیاد، متوسط، کم و خیلی کم طبقه‌بندی شدند که بافت خاک شنیرسیلومی و رسوبات کواترنری qft2 حداکثر نفوذپذیری را نشان دادند. بر اساس نتایج به­دست آمده، مدل جنگل تصادفی، هم نسبت به مدل بیزین و هم مدل‌های ترکیبی، به­عنوان مدل برتر شناسایی شد و از بین مدل‌های ترکیبی نیز مدل rfba5 کارآمدترین مدل در شناسایی مناطق مستعد تغذیه ارزیابی گردید. بر اساس مدل جنگل تصادفی، حدودا 11%سطح حوزۀ مطالعاتی دارای قابلیت نفوذپذیری متوسط تا بسیار زیاد برآورد شد و بیش‌تر سطح آن (89%) دارای توانایی کم و بسیار کم شناخته شد. بر اساس مدل rfba5 نیز 30% سطح مطالعاتی دارای پتانسیل متوسط تا بسیار زیاد و 70% آن دارای قابلیت کم و بسیار کم برآورد شد. بر اساس نتایج کلی، مدل بیزین بعنوان ضعیف‌ترین مدل مشاهده شد که طی ترکیب با مدل جنگل تصادفی در قالب سناریوهای مختلف، عملکرد این مدل تقویت گردید که نشان‌دهنده اثر مثبت ترکیب مدل‌ها می‌باشد. نقشۀ پتانسیل مناطق مستعد تغذیه این امکان را می‌دهد تا با شناسایی مناطق با پتانسیل بالا و بسیار زیاد، برنامه‌ریزی دقیق‌تر نسبت به اجرای طرح‌های تغذیه مصنوعی، حفاظت خاک و آبخیزداری و آبخوانداری در راستای حفاظت از منابع آب و خاک اقدام کرده و با کنترل و هدایت رواناب‌ها، علاوه بر جلوگیری از فرسایش خاک، احتمال نفوذپذیری را در جهت افزایش احتمال تغذیه منابع آب زیرزمینی بیش‌تر کرد.

Assessing the performance of individual and ensembled models in identifying areas with infiltration potential

Introduction Estimating groundwater recharge using other affecting factors such as hydrometeorological, and physical factors, is the main way to understanding, predicting the sustainability and availability potential of aquifers. The objective of this research was investigating the efficiency of some individual and ensembled models and the effect of the ensembling on promoting the efficiency of Bayesian and Random forest models.Materials and Methods The required environmental layers (DEM, aspect, slope, curvatures (profile and plan curvature), lithology, landuse, soil texture, NDVI, fault distance, river distance, SPI, drainage density, TWI), were prepared by ArcGIS 10.6 software for the study area. the Bayesian theory and Random Forest models and ensembling of these models were avaluated. To consider the ensemble effect of these models, input layers were used in two models and then the models were ensembled by several scenarios, which were based on the principles of basic mathematics. The doublering infiltrometer method were used for understanding the spatial variability of groundwater recharge potential (GWRP). The performance of the models was evaluated using statistical measures. ROC, CCI, and TSS indices were used for evaluating the results of implemented models. Finally, GWRP mapping prepared and the percolation of the study area was classified into five classes: very high infiltration, high infiltration, medium infiltration, low infiltration and very low infiltration.Results and Discussion The sandyclayloom soil texture and the Quaternary sediments (Qft2), rangeland and agriculture areas (in landuse layer), showed maximum percolation. The results indicated that the random forest (RF) model was identified as the superior model compared to Bayesian and ensembled models, by ROC, TSS and CCI indices (ROC= 0.983, TSS= 0.86, and CCI= 93.9, respectively). Also, among the ensembled models, the RFBa5 model (based on the fifth scenario) was evaluated as the most efficient model through ROC, TSS, and CCI indices (ROC= 0.984, TSS= 0.76, and CCI= 87.94, respectively). Based on the first individual model (RF), 11% of the study area had moderate to very high infiltration potential. This despite the fact that the 89% of the study watershed was found with low and very low potential. While according to RFBa5, 30% of the study area were estimated with moderate to very high potential and 70% with low and very low potential. The Bayesian model was observed as the weakest model. But based on the ensemble of this model with the random forest model, under different scenarios, the strengthening of this model was observed. These results show the positive effect of ensembling the models.Conclusion The GWR potential maps are useful in planning with more accuracy for implementation of artificial GWR, soil protection, aquifers and watershed management projects in order to protect water and soil resources by directing runoffs to preventing the soil erosion and aquifers recharge. It is recommended to study different suitable models and their ensembling in this field or other watersheds and select the best model to get the best performance and obtain an accurate map.