ارزیابی و تهیه نقشه پتانسیل آب زیرزمینی با استفاده از مدل تلفیقی وزن شاهد و رگرسیون لجستیک (مطالعه موردی: شهرستان نهاوند)

امروزه تامین آب به‌منظور تحقق اهداف توسعه پایدار یکی از مهم‌ترین دغدغه‌ها و چالش‌ها در بیشتر کشورهای جهان است. به همین دلیل تعیین مناطق دارای پتانسیل آب زیرزمینی، از ابزارهای مهم در حفاظت، مدیریت و بهره‌برداری از منابع آب به‌شمار می‌رود. هدف این ‌پژوهش تهیه و ارزیابی نقشه پتانسیل چشمه‌های آب زیرزمینی در شهرستان نهاوند، در استان همدان با استفاده از مدل وزن شاهد و ترکیب آن با رگرسیون لجستیک است. بدین منظور عوامل زاویه شیب، وجه شیب، طول شیب، ارتفاع، انحنای سطح، انحنای آبراهه، شاخص رطوبت توپوگرافی، شاخص توان آبراهه، فاصله از گسل، تراکم گسل، فاصله از آبراهه، تراکم ‌زهکشی، سنگ‌شناسی و کاربری اراضی به‌عنوان عوامل موثر بر پتانسیل آب زیرزمینی شناسایی و در نرم‌افزار arcgis رقومی و تهیه شدند. پس از تهیه نقشه پتانسیل آب‌های زیرزمینی با این دو مدل، از سطح زیر منحنی (auc) منحنی تشخیص عملکرد نسبی (roc) برای ارزیابی نتایج استفاده شد. از 273 چشمه معرفی‌شده در این ‌پژوهش، 191 چشمه (70 درصد) برای اجرای مدل ها (تهیه نقشه پتانسیل آب زیرزمینی) و 82 چشمه (30 درصد) برای ارزیابی مدل استفاده شد. نتایج اعتبارسنجی نشان داد مدل تلفیقی وزن شاهد رگرسیون لجستیک (82.5 درصد auc=) نسبت به مدل وزن شاهد (80.4 درصد auc=) کارایی بهتری در شناسایی مناطق مستعد آب زیرزمینی دارد لذا مدیرن و برنامه ریزان اجرایی به‌منظور پی جویی محل های مناسب با پتانسیل بالای آب زیرزمینی در مطالعات نیمه‌تفصیلی خود از نتایج این پژوهش به‌منظور کاهش زمان و افزایش دقت می توانند استفاده کنند.

Groundwater Potential Mapping Using the Integration of the Weight of Evidence and Logistic Regression Models (A Case Study: Nahavand)

Today, supplying water to meet the sustainable development goals is one of the most important concerns and challenges in most countries. Therefore, identification of the areas with groundwater potential is an important tool for conservation, management and exploitation of water resources. The purpose of this research was to prepare the potential groundwater map in Nahavand, Hamedan Province, using the weight of evidence model and combining it with logistic regression. For this purpose, the information layers of slope angle, slope aspect, slope length, altitude, plan curvature, profile curvature, TWI, SPI, distance from fault, fault density, distance from river, drainage density, lithology and land use were identified as the factors affecting groundwater potential and digitized in the ArcGIS software. After designing the groundwater potential map with these three methods, ROCs were used to evaluate the results. Of 273 springs identified in this study, 191 (70%) were used to prepare the groundwater potential map and 82 springs (30%) were used to evaluate the model. The area under curve (AUC) obtained from the ROC curve showed an accuracy of 80.4% for the weight of evidence model and 82.5% for the weight of the evidence regression combined model