|
مدل‌سازی و ارزیابی عملکرد شاخص خشکسالی منابع آب زیرزمینی با استفاده از الگوریتم‌های XGBoost و SVM در دشت قروه-دهگلان، استان کردستان
|
ابراهیم یوسفی مبرهن*   ، علی خالقی |
| مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان سمنان |
|
|
چکیده: (24 مشاهده) |
دشت قروه- دهگلان بزرگترین دشت استان کردستان است که از نظر کشاورزی اهمیت زیادی برای این استان دارد و آگاهی از وضعیت منابع آب زیرزمینی و مدیریت بهینه دشت، بررسی دقیق نوسانات سطح آب زیرزمینی ضروری است. هدف این پژوهش، بررسی و به‌کارگیری مدل‌های یادگیری ماشینی برای بهبود دقت پیش‌بینی‌ها و ارتقای مدیریت منبع آب زیرزمینی در دشت قروه- دهگلان است که شاخص خشکسالی منابع آب‌های زیرزمینی (GRI) به عنوان یک شاخص قابل اعتماد برای پایش وضعیت خشکسالی منطقه مورد مطالعه طی دوره زمانی 1379 تا 1399 مورد استفاده قرار گرفت. نتایج نشان می‌دهد، که مقدار شاخص GRI روند کاهشی داشته و در سال 1397 خشکسالی هیدروژئولوژیکی با درجات بالا در منابع آب زیرزمینی این منطقه رخ داده است که در صورت ادامه این روند، منطقه با بحران جدی کاهش سطح آب زیرزمینی و عواقب ناشی از آن مواجه خواهد شد. پیش‌بینی‌ها با استفاده از مدل‌های یادگیری ماشینی نشان دادند که هر دو مدل ماشین یادگیری (ماشین بردار پشتیبان و افزایش گرادیان شدید) به خوبی با داده‌های تجربی شاخص خشکسالی منابع آب‌های زیرزمینی مطابقت دارند. صحت‌سنجی مدل‌های استفاده‌شده در پیش‌بینی این شاخص با استفاده از نمودار تیلور نشان داد مدل افزایش گرادیان شدید (XGBoost) با ضریب همبستگی (r=0.93) و خطای میانگین مربعات ریشه‌ای (RMSE=0.071) بهترین عملکرد را در پیش‌بینی شاخص GRI داشت همچنین مدل ماشین بردار پشتیبان با ضریب همبستگی (r=0.87) و RMSE=0.149، عملکرد بالایی در پیش‌بینی شاخص موردنظر نشان داد. نتایج این تحقیق موید این مطلب است که مدل‌های یادگیری ماشین ابزار مناسبی برای پیش‌بینی شاخص خشکسالی منبع آب زیرزمینی هستند لذا استفاده از آنها در سایر محدوده‌های مشابه پیشنهاد می‌گردد.
|
شماره‌ی مقاله: 5 |
| واژه‌های کلیدی: آب زیرزمینی، GRI، شاخص خشکسالی، نمودار تیلور، ماشین یادگیری |
|
|
|
|
نوع مطالعه: پژوهشي |
موضوع مقاله:
تخصصي
|
|
|
|
|
|
|
| ارسال پیام به نویسنده مسئول |
|
|
|
| ارسال نظر درباره این مقاله |
|
|
|
