فهرست نشریات علمی دسترسی آزاد ایران

هدف از تحقیق حاضر، تعیین مناطق دارای پتانسیل آب زیرزمینی با استفاده از مدل‏های شبکۀ عصبی مصنوعی (ANN)، جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و رگرسیون خطی (GLM) است. در تحقیق حاضر از 14 پارامتر شامل ارتفاع، شیب، جهت شیب، انحنا، فاصله از آبراهه و گسل، تراکم آبراهه و گسل، لیتولوژی، متوسط بارندگی، کاربری اراضی، شاخص موقعیت توپوگرافیک (TPI)، موقعیت شیب نسبی (RSP) و شاخص رطوبت توپوگرافیک (TWI) برای بررسی پتانسیل آب زیرزمینی استفاده شده است. از مجموع 10624 چشمه، به صورت تصادفی 70 درصد به عنوان داده‏های آزمون و 30 درصد به عنوان داده‏های اعتبارسنجی طبقه‏بندی شدند. همچنین، برای تعیین مهم‏ترین پارامترها از مدل RF استفاده شد. تست هم‏خطی بین پارامترها با استفاده از نرم‏افزار SPSS انجام شد. از منحنی تشخیص عملکرد نسبی برای قدرت پیش‏بینی مدل‏ها و شاخص سطح سلول هسته (SCAI) به منظور دقت تفکیک بین طبقات استفاده شد. نتایج نشان داد بین پارامترها هم‏خطی وجود ندارد. نتایج مدل RF نشان داد به‌ترتیب پارامترهای ارتفاع، کاربری اراضی، شیب، فاصله از گسل، TWI و لیتولوژی مهم‏ترین عوامل تأثیرگذار بر پتانسیل آب زیرزمینی هستند. همچنین، بر اساس منحنی ROC در هر دو بخش آموزش (915/0=AUC) و اعتبارسنجی (909/0=AUC)، مدل ANN دارای بیشترین دقت بودند و مدل‏های RF، SVM و GLM در رده‏های بعدی قرار گرفتند. همچنین، نتایج شاخص سطح سلول هسته نشان داد هر چهار مدل با دقت مناسبی به تفکیک طبقات پرداخته‏اند. بر اساس مدل ANN، 4/31 درصد حوضه ‌پتانسیل آب زیرزمینی زیاد و خیلی زیاد دارد.