اســتادیار پژوهشی، بخش حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشــاورزی و منابع طبیعی استان سمنان، سازمان تحقیقات، آموزش و ترویج کشاورزی، سمنان، ایران، e.yousefi.m@gmail.com
چکیده: (188 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 ماشین برای بهبود دقت پیشبینیها و ارتقای مدیریت منابع آب زیرزمینی در دشت قروه- دهگلان است که شاخص خشکسالی منابع آبهای زیرزمینی (GRI) بهعنوان یک شاخص قابل اعتماد برای پایش وضعیت خشکدشت 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 ماشین برای بهبود دقت پیشبینیها و ارتقای مدیریت منابع آب زیرزمینی در دشت قروه- دهگلان است که شاخص خشکسالی منابع آبهای زیرزمینی (GRI) بهعنوان 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 ماشین نشان دادند که هر دو مدل یادگیری ماشین (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 میشود.سالی 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 ماشین نشان دادند که هر دو مدل یادگیری ماشین (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 میشود.
Yousefi Mobarhan E. Modeling and evaluating the performance of groundwater resources drought index using XGBoost and SVM algorithms in Ghorveh-Dehgolan Plain in Kurdistan Province. Journal of Rainwater Catchment Systems 2025; 13 (1) : 3 URL: http://jircsa.ir/article-1-570-fa.html
یوسفی مبرهن ابراهیم، خالقی علی. مدلسازی و ارزیابی عملکرد شاخص خشکسالی منابع آب زیرزمینی با استفاده از الگوریتمهای XGBoost و SVM در دشت قروه-دهگلان، استان کردستان. سامانههاي سطوح آبگير باران. 1404; 13 (1) :35-48
تکمیل و ارسال فرم تعارض منافع نویسنده گرامی ، پس از ارسال مقاله ، جهت دریافت فرم، لطفا بر روی کلمه فرم تعارض منافع کلیک نمایید و پس از تکمیل، در فایل های پیوست مقاله قرار دهید.