کاربرد یادگیری ماشین در مدیریت پایدار قنوات: برآورد دبی با الگوریتم جنگل تصادفی و تحلیل حساسیت (shap وpermutation importance) در دشت قاین

مناطق خشک و نیمه‌خشک ایران، به‌ویژه دشت قاین در استان خراسان جنوبی، با محدودیت‌های جدی منابع آبی مواجه هستند. قنوات به‌عنوان سیستم‌های سنتی تامین آب پایدار با قدمت بیش از 3000 سال، نقش حیاتی در کشاورزی و زندگی محلی ایفا می‌کنند، اما برآورد دقیق دبی آن‌ها تحت تاثیر تغییرات اقلیمی و محدودیت‌های داده‌ای دشوار است. بنابراین، این پژوهش با استفاده از الگوریتم جنگل تصادفی، یک روش یادگیری ماشین قدرتمند، به برآورد دبی قنوات دشت قاین بر اساس داده‌های 12 ساله (1386–1397 شمسی) می‌پردازد. متغیرهای ورودی شامل داده‌های تاریخی دبی مشاهده‌شده، دمای متوسط، بارش ماهانه و ارتفاع مکانی هر قنات انتخاب شدند. پس از پیش‌پردازش شامل نرمال‌سازی و پر کردن داده‌های گمشده، داده‌ها به بخش‌های آموزش (70%) و آزمون (30%) تقسیم گردیدند. در ادامه مدل با بهینه‌سازی پارامترها (max_depth=10، max_features=0.5، min_samples_split=5 و n_estimators=500) آموزش داده شد. نتایج با شاخص‌های rmse=4.27 l/s، nse=0.54، r=0.76، kge=0.51 وnrmse=15.19%، نشان‌دهنده عملکرد شایسته مدل است. تحلیل حساسیت با shap و permutation importanceنیز، ارتفاع را به‌عنوان متغیر کلیدی (میانگینshap=2.16 ) شناسایی نمود، در حالی که بارش تاثیر منفی جزئی (013/0-) نشان داد. این یافته‌ها کارایی مطلوبrf را تایید کرده و چارچوبی عملی برای مدیریت منابع آب در مناطق خشک ارائه می‌دهد.