ارزیابی و مقایسه مدل‌های یادگیری ماشین و عددی در پیش‌بینی کیفیت آب زیرزمینی بیرجند

پایش کیفیت آب زیرزمینی در مناطق خشک و نیمه‌خشک به دلیل کمبود منابع آب و تاثیر آلودگی‌های انسان‌ساخت برای مدیریت پایدار منابع آب حیاتی است. این مطالعه در دشت بیرجند، چارچوبی برای پیش‌بینی پارامترهای کیفی آب زیرزمینی (tds، ec، و sar) با استفاده از مدل‌های یادگیری ماشین (شبکه بیزین، anfis، جنگل تصادفی، و شبکه عصبی عمیق) و مدل عددی ارائه کرد. داده‌های ورودی شامل 9 پارامتر شیمیایی و فیزیکی (سطح آب زیرزمینی، سدیم، کلسیم، منیزیم، کلرید، ph، سولفات، بی‌کربنات، و کربنات) تحلیل شدند و عملکرد مدل‌ها با معیارهای r²، rmse، و kge ارزیابی شد. نمودار تیلور به دلیل توانایی در نمایش هم‌زمان ضریب همبستگی، انحراف معیار، و خطای مدل‌ها برای ارزیابی بصری دقت پیش‌بینی‌ها به‌کار رفت. نتایج نشان داد که شبکه بیزین برای tds (r²=0٫999، rmse=54٫973، kge=0٫999) و ec (r²=1٫000، rmse=54٫392، kge=1٫000) و anfis برای sar (r²=0٫999، rmse=0٫151، kge=0٫999) بهترین عملکرد را داشتند، در حالی مدل عددی برای sar (r²=0٫225، rmse=1٫730، kge=0٫397) دقت پایینی نشان داد. تحلیل نمودار تیلور تایید کرد که شبکه بیزین برای ec با نزدیک‌ترین موقعیت به نقطه مرجع (مشاهده‌شده) و کمترین انحراف معیار، دقیق‌ترین مدل است، در حالی که anfis برای sar و tds نیز تطابق بالایی داشت. این چارچوب نه‌تنها به مدیریت بهینه منابع آب در دشت بیرجند کمک می‌کند، بلکه می‌تواند به‌عنوان الگویی برای پایش و حفاظت از منابع آب در سایر مناطق خشک و نیمه‌خشک استفاده شود