ارزیابی مدل‌های یادگیری ماشین در gis جهت پیش بینی آب زیرزمینی مناطق نیمه خشک شرق ایران

پیش‌بینی پتانسیل آب‌های زیرزمینی جهت توسعه و برنامه‌ریزی سیستماتیک منابع آب بسیار حیاتی است. هدف اصلی این تحقیق، توسعه مدل‌های یادگیری ماشینی از جمله جنگل تصادفی (rf)، درخت تصمیم (dt) و ماشین بردار پشتیبان (svm) برای پیش‌بینی مناطق پتانسیلی آب زیرزمینی در دشت بیرجند است. بنابراین، برای اجرای این مطالعه، داده‌های ژئوهیدرولوژیکی مربوط به 37 چاه آب زیرزمینی (شامل تعداد و موقعیت چاه‌ها و سطح آب زیرزمینی) و 17 معیار هیدرولوژی، توپوگرافی، زمین‌شناسی و محیطی مورد استفاده قرار گرفت. روش انتخاب ویژگی از طریق کمترین مربعات ماشین بردار پشتیبان جهت تعیین معیارهای موثر برای بهبود عملکرد الگوریتم‌های یادگیری ماشین به کار گرفته شد. در نهایت، نقشه‌های پیش‌بینی پتانسیل آب زیرزمینی با استفاده از مدل‌های dt، rf و svm تهیه شدند و عملکرد این مدل‌ها با استفاده از سطح زیر منحنی (auc) و سایر شاخص‌های آماری مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل dt (auc=0.89) توانایی پیش‌بینی بسیار بالایی برای پتانسیل آب زیرزمینی در منطقه مورد مطالعه دارد و معیار ارتفاع به عنوان مهم‌ترین عامل در پیش‌بینی پتانسیل آب زیرزمینی در این منطقه شناخته شد. نتایج این مطالعه می‌تواند به عنوان راهنمایی برای تصمیم‌گیری و برنامه‌ریزی مناسب در استفاده بهینه از منابع آب زیرزمینی مورد استفاده قرار گیرد.

assessment of machine learning models in gis for predicting groundwater in semi-arid regions of eastern iran

introductiongroundwater is recognized as a vital and critical resource worldwide, playing a key role in providing water for agriculture, industry, livestock, and human communities. in iran, due to climate change and over-exploitation of groundwater resources, many areas have become dry, leading to a serious water shortage in various provinces of the country. in previous research, researchers have investigated machine learning methods to identify the best model for predicting groundwater potential. the main objectives of this research include identifying high-performance machine learning models for prediction with minimal available data. this research is distinguished by the use of advanced machine learning methods based on the random subspace classifier algorithm. in this study, machine learning models such as dt, rf, and svm were used to predict potential groundwater zones in the birjand plain region, which represents an innovation in current research.method and materialthe present research method is analytical-descriptive and is based on the defined applied objectives. all data processing processes were performed in the arc gis and google earth engine software environments, and quantitative calculations and method development were performed in python.