پیش‌بینی تغییرات سطح آب‌زیر زمینی به کمک یادگیری عمیق و عوامل تاثیرگذار برآن با استفاده از سنجش‌ازدور

مقدمه: سطح آب زیرزمینی به‌ویژه در کشورهای خشک و نیمه‌خشک از اهمیت حیاتی برخوردار است. در بسیاری از مناطق، بهره‌برداری بیش از حد از سطح آب زیرزمینی منجر به آسیب های جبران‌ناپذیری به منابع آب زیرزمینی شده است. پیش‌بینی سطح آب زیرزمینی یک چالش کلیدی در تحقیقات هیدروژئولوژیکی، مدیریت موثر آبخوان‌ها و ارزیابی حجم آب زیرزمینی است. هدف از این تحقیق، بررسی و مقایسه کارایی مدل‌های یادگیری عمیق، درخت تصمیم و gradient boosted tree در پیش‌بینی پارامترهای تاثیرگذار بر تراز آب زیرزمینی آبخوان رودان است.مواد و روش‌ها: داده‌های تراز آب زیرزمینی ماهانه آبخوان رودان و اطلاعات بارش و دما و تبخیر از ایستگاه‌های هواشناسی منطقه طی سال های 2000 تا 2020 گردآوری شد. بخش دوم، داده‌های ماهواره‌ای در پلتفرم گوگل ارث انجین داده‌های تراز آب زیرزمینی آبخوان و پارامترهای مهم شامل شاخص خشکسالی پالمر (pdsi)، شاخص بارش استاندارد شده (spi)، تبخیر و تعرق پتانسیل (pet)، بارش (pr)، و شاخص‌های پوشش گیاهی نظیر ndvi، evi، savi،  ndwi وgndvi  از داده‌های ماهواره‌ای استخراج و پردازش شدند. نرمال‌سازی داده‌ها به‌منظور بهبود عملکرد مدل‌های یادگیری ماشین، و تقسیم‌بندی داده‌ها به دو مجموعه آموزشی (80 درصد) و آزمایشی (20 درصد) برای ارزیابی عملکرد مدل‌ها و جلوگیری از بیش برازش انجام شد. به منظور بررسی رفتار و مدل سازی تراز آب زیرزمینی رودان از10 پارامتر در10 سناریو در سه مدل یادگیری عمیق، درخت تصمیم و gboost استفاده شد.نتایج و بحث: در مدل یادگیری عمیق با افزایش تعداد پارامترها در سناریو اول تا سوم میزان دقت مدل کاهش ولی سناریوهای شماره 5 تا 9 با بالاترین همبستگی (0.86) و کمترین میزان خطا (0.85) و درصد خطا (41 درصد) مناسب ترین سناریوها برای مدل سازی تغییرات سطح آب زیرزمینی رودان با متغیرهای بارش تجمعی، شاخص های ndwi، pdsi، savi،ndvi ، evi، pr،pet، spi مشخص نمود. مدل درخت تصمیم از سناریوی اول تا هفتم با افزایش تعداد پارامترها تا حد معینی بهبود دقت را نشان داد. بیشترین دقت مدل با استفاده از ترکیب ورودی‌های بارش تجمعی، ndwi، pdsi ، savi، ndvi،evi  به دست آمد که rmse و mse به ترتیب برابر با 0.282 و 0.08، درصد خطا و همبستگی به ترتیب 13.07 و 0.987 بود. مدل gboost در تمامی سناریوها دقت نسبتاً ثابتی دارد. باتوجه‌به مقادیر کم خطا و درصد خطا، و میزان همبستگی بالا، برآیند معیارهای آماری در این مدل نشان داد که اضافه‌کردن پارامترهای بیشتر، حساسیت کمتری در مدل دارد و تغییرات زیادی در دقت مدل ایجاد نمی‌شود. مدل یادگیری عمیق و درخت تصمیم‌گیری حساسیت بیشتری به پارامترهای ورودی دارند. هم چنین رفتار مدل یادگیری عمیق و درخت تصمیم گیری پاسخ نسبتاً مشابهی در پارامترهای ورودی هر سناریو دارد. باتوجه‌به تاخیر زمانی 4ماهه بارش بر سطح آب زیرزمینی، مدل یادگیری عمیق پارامترهای بارش، تبخیر و تعرق و شاخص خشکسالی را جز سناریوهای منتخب خود قرار داد. ازاین‌رو می توان گفت که این مدل باتوجه‌به در برداشتن پارامترهای محیطی بیشتر و بررسی میزان اثرگذاری آنها در مدل سازی تغییرات سطح آب زیرزمینی، کارایی، عملکرد و جامعیت بهتری برای آبخوان رودان دارد.نتیجه‌گیری: نتایج خروجی مدل‌ها نشان داد مدل درخت تصمیم و یادگیری عمیق با مقادیر همبستگی بالا و مقدار خطای کمتر عملکرد بسیار دقیقی در پیش‌بینی تراز آب زیرزمینی دارند. نمودار پراکندگی پیش‌بینی‌ها و مقادیر واقعی نشان‌دهنده تطابق بسیار نزدیک بین این دو مجموعه‌داده است که بیانگر دقت بالای مدل درخت تصمیم و یادگیری عمیق است. سناریوهای مورد قبول در هر دو مدل شامل شاخص‌های گیاهی است که بیانگر تاثیر قابل‌توجه این پارامتر بر منابع آب زیرزمینی به‌ویژه در مناطق خشک و نیمه خشک است که اصلی‌ترین منبع رطوبتی در این مناطق است. از طرف دیگر مدل یادگیری عمیق شاخص‌های خشکسالی هواشناسی را در مجموعه سناریوهای منتخب خود دارد که بیانگر تاثیر این عوامل کلیدی در تغییرات سطح آب زیرزمینی منطقه است. از طرفی باتوجه‌به پیچیدگی مدل یادگیری عمیق در انتخاب پارامترهای مهم اثرگذار بر نوسانات سطح آب زیرزمینی می‌توان این مدل را ابزاری کارآمد و مناسب برای بررسی عوامل موثر در تغییرات سطح آب زیرزمینی آبخوان رودان برشمرد. استفاده از این پارامترهای ورودی در سناریوهای منتخب هر دو مدل پیشنهادی پیش‌بینی می‌تواند به بهبود دقت و کارایی مدل‌ها در مدیریت منابع آب زیرزمینی کمک نماید. داده‌های مشاهداتی زمینی برای تراز آب زیرزمینی نیز اهمیت بالای این پارامترها را تایید می‌نماید.

predicting groundwater level changes using deep learning and influencing factors through remote sensing

 introduction: groundwater level (gwl) is of critical importance, especially in arid and semi-arid countries. in many areas, excessive exploitation of gwl has led to irreversible damage to groundwater resources. predicting gwl is a key challenge in hydrogeological research, effective aquifer management, and assessing groundwater volumes. the aim of this research is to investigate and compare the efficiency of deep learning (dl), decision tree (dt), and gradient boosted tree (gboost) models in predicting the gwl of the rudan aquifer. materials and methods: monthly gwl data of the rudan aquifer, along with precipitation, temperature, and evaporation data from the region’s meteorological stations (2000-2020), were collected. the second part of the study involved satellite data accessed through the google earth engine platform, where gwl data and key parameters- including the palmer drought severity index (pdsi), standardized precipitation index (spi), potential evapotranspiration (pet), precipitation (pr), and vegetation indices such as ndvi, evi, savi, ndwi, and gndvi- were extracted and processed. data normalization was performed to improve the performance of machine learning models, and the data were split into training (80%) and testing (20%) sets to evaluate model performance and prevent overfitting. to investigate the behavior and model the gwl of the rudan aquifer, 10 parameters were used in 10 scenarios across three models: dl, dt, and gboost. results and discussion: in the dl model, increasing the number of parameters from the first to the third scenario decreased the model’s accuracy. however, scenarios 5 to 9, which showed the highest correlation (0.86) and the lowest error (0.85) and percentage error (41%), were the most suitable for modeling gwl changes in the rudan aquifer using cumulative precipitation, ndwi, pdsi, savi, ndvi, evi, pr, pet, and spi variables. the dt model showed improved accuracy with an increasing number of parameters up to a certain point (from the first to the seventh scenario). the highest accuracy was achieved using a combination of cumulative precipitation, ndwi, pdsi, savi, ndvi, and evi, with rmse and mse of 0.282 and 0.08, respectively, and a percentage error and correlation of 13.07% and 0.987, respectively. the gboost model demonstrated relatively stable accuracy across all scenarios. given the low error values and high correlation, the overall statistical criteria indicated that adding more parameters had a reduced sensitivity on the model’s performance and did not significantly change its accuracy. both the dl and dt models are more sensitive to input parameters. additionally, this models exhibited similar responses to the input parameters in each scenario. considering the four-month delay of precipitation on gwl, the dl model included precipitation, evapotranspiration, and drought indices in its selected scenarios. therefore, it can be concluded that this model, considering a broader set of environmental parameters and examining their impact on modeling gwl changes, provides better efficiency, performance, and comprehensiveness for the rudan aquifer. conclusion: the output results of the models showed that the dt and dl models, with high correlation values  and lower error values, demonstrate highly accurate performance in predicting gwl. the scatter plots of predictions and actual values indicate a very close match between these two datasets, highlighting the high accuracy of both the dt and dl models. the accepted scenarios in both models include vegetation indices, indicating the significant impact of this parameter on groundwater resources, particularly in arid and semi-arid regions, where vegetation is a primary source of moisture. on the other hand, the dl model included meteorological drought indices in its selected scenarios, demonstrating the influence of these key factors on gwl changes in the region. given the complexity of the dl model in selecting important parameters affecting gwl fluctuations, this model can be considered an efficient and suitable tool for investigating the factors influencing gwl changes in the rudan aquifer. the use of these input parameters in the selected scenarios of both models can improve the accuracy and efficiency of groundwater resource management. ground observational data for gwl further confirm the high importance of these parameters.