ارزیابی کارایی xgboost در برآورد دبی قنوات مناطق خشک و نیمه‌خشک (مطالعه موردی دشت قاین)

تغییر اقلیم به‌عنوان یکی از بزرگ‌ترین چالش‌های قرن حاضر، تاثیرات عمیق و گسترده‌ای بر منابع آب مناطق خشک و نیمه‌خشک وارد می‌کند و ضرورت توسعه ابزارهای پیش‌بینی دقیق و راهبردهای سازگاری را بیش از پیش آشکار ساخته است. قنوات به‌عنوان سازه‌های تاریخی و حیاتی در مناطق خشک ایران نقش مهمی در تامین آب شرب و کشاورزی دارند، اما تشدید اثرات تغییر اقلیم شامل کاهش منابع آب زیرزمینی و تغییرات اقلیمی چالش‌هایی جدی ایجاد کرده است. در این راستا، به‌کارگیری مدل‌های پیشرفته یادگیری ماشین می‌تواند نقش کلیدی در توسعه سیستم‌های پیش‌بینی قابل اعتماد برای پشتیبانی از برنامه‌ریزی سازگاری با تغییر اقلیم ایفا کند. پژوهش حاضر به بررسی عملکرد مدل یادگیری ماشین xgboost در پیش‌بینی دبی قنوات دشت قاین به‌عنوان بخشی از راهکارهای مدیریت منابع آب در شرایط تغییر اقلیم می‌پردازد. داده‌های مورد استفاده شامل آمار 12 ساله آبدهی قنوات (1386–1397)، متغیرهای اقلیمی مانند بارش و دما و ویژگی مکانی ارتفاع بود. پس از پیش‌پردازش داده‌ها، مجموعه داده‌ها به دو بخش آموزش (70٪) و آزمون (30٪) تقسیم شدند. فراسنجه‌های مدل با استفاده از روش randomizedsearchcv و هدف بهینه‌سازی rmse تعیین شدند. نتایج نشان داد که مدل xgboost با مقادیر r² حدود 88/0 و معیار ns حدود 76/0 در بخش آزمون، عملکرد قابل قبولی دارد. تحلیل حساسیت فراسنجه‌ها، ترکیب بهینه n_estimators=500، max_depth=6، learning_rate=0.08 و min_child_weight=4 را مشخص کرد. با این حال، مدل در پیش‌بینی دبی‌های بالا (بیش از 20 لیتر بر ثانیه) ضعف داشت که احتمالاً به‌دلیل تابع خطای rmse و عدم تعادل داده‌ها است. مقایسه با مطالعات پیشین نشان می‌دهد xgboost ابزار قدرتمندی در مدل‌سازی هیدرولوژیکی است، اما نیاز به بهبود در پیش‌بینی مقادیر حدی دارد. پیشنهاد می‌شود در تحقیقات آینده از توابع خطای جایگزین و ترکیب الگوریتم‌ها استفاده گردد. همچنین توسعه سامانه‌های پایش بلادرنگ و تعمیم مدل به سایر مناطق خشک می‌تواند به مدیریت پایدار منابع آب کمک نماید. این مطالعه گامی مهم در به‌کارگیری یادگیری ماشین برای مدیریت قنوات در شرایط تغییر اقلیم است و می‌تواند مبنایی برای تصمیم‌گیری‌های علمی و عملی در راستای سازگاری با تغییرات اقلیمی باشد.