فهرست نشریات علمی دسترسی آزاد ایران

چکیده مبسوط مقدمه: سطح آب زیرزمینی به‌ویژه در کشورهای خشک و نیمه‌خشک از اهمیت حیاتی برخوردار است. در بسیاری از مناطق، بهره‌برداری بیش از حد از سطح آب­زیرزمینی منجر به آسیب­های جبران‌ناپذیری به منابع آب­زیرزمینی شده است. پیش‌بینی سطح آب­زیرزمینی یک چالش کلیدی در تحقیقات هیدروژئولوژیکی، مدیریت مؤثر آبخوان‌ها و ارزیابی حجم آب­زیرزمینی است. هدف از این تحقیق، بررسی و مقایسه کارایی مدل‌های یادگیری عمیق، درخت تصمیم و Gradient Boosted Tree در پیش‌بینی پارامترهای تأثیرگذار بر تراز آب­زیرزمینی آبخوان رودان است.مواد و روش‌ها: داده‌های تراز آب زیرزمینی ماهانه آبخوان رودان و اطلاعات بارش و دما و تبخیر از ایستگاه‌های هواشناسی منطقه طی سال­های 2000 تا 2020 گردآوری شد. بخش دوم، داده‌های ماهواره‌ای در پلتفرم گوگل ارث انجین داده‌های تراز آب­زیرزمینی آبخوان و پارامترهای مهم شامل شاخص خشکسالی پالمر (PDSI)، شاخص بارش استاندارد شده (SPI)، تبخیر و تعرق پتانسیل (PET)، بارش (Pr)، و شاخص‌های پوشش گیاهی نظیر NDVI، EVI، SAVI،  NDWI وGNDVI  از داده‌های ماهواره‌ای استخراج و پردازش شدند. نرمال‌سازی داده‌ها به‌منظور بهبود عملکرد مدل‌های یادگیری ماشین، و تقسیم‌بندی داده‌ها به دو مجموعه آموزشی (80 درصد) و آزمایشی (20 درصد) برای ارزیابی عملکرد مدل‌ها و جلوگیری از بیش برازش انجام شد. به­منظور بررسی رفتار و مدل­سازی تراز آب­زیرزمینی رودان از10 پارامتر در10 سناریو در سه مدل یادگیری عمیق، درخت تصمیم و GBoost استفاده شد.نتایج و بحث: در مدل یادگیری عمیق با افزایش تعداد پارامترها در سناریو اول تا سوم میزان دقت مدل کاهش ولی سناریوهای شماره 5 تا 9 با بالاترین همبستگی (86/0) و کمترین میزان خطا (85/0) و درصد خطا (41 درصد) مناسب­ترین سناریوها برای مدل­سازی تغییرات سطح آب­زیرزمینی رودان با متغیرهای بارش تجمعی، شاخص­های NDWI، PDSI، SAVI،NDVI ، EVI، Pr،PET، SPI مشخص نمود. مدل درخت تصمیم از سناریوی اول تا هفتم با افزایش تعداد پارامترها تا حد معینی بهبود دقت را نشان داد. بیشترین دقت مدل با استفاده از ترکیب ورودی‌های بارش تجمعی، NDWI، PDSI ، SAVI، NDVI،EVI  به­دست آمد که RMSE و MSE به­ترتیب برابر با 282/0 و 08/0، درصد خطا و همبستگی به­ترتیب 07/13 و 987/0 بود. مدل GBoost در تمامی سناریوها دقت نسبتاً ثابتی دارد. باتوجه‌به مقادیر کم خطا و درصد خطا، و میزان همبستگی بالا، برآیند معیارهای آماری در این مدل نشان داد که اضافه‌کردن پارامترهای بیشتر، حساسیت کمتری در مدل دارد و تغییرات زیادی در دقت مدل ایجاد نمی‌شود. مدل یادگیری عمیق و درخت تصمیم‌گیری حساسیت بیشتری به پارامترهای ورودی دارند. هم­چنین رفتار مدل یادگیری عمیق و درخت تصمیم­گیری پاسخ نسبتاً مشابهی در پارامترهای ورودی هر سناریو دارد. باتوجه‌به تأخیر زمانی ۴ماهه بارش بر سطح آب­زیرزمینی، مدل یادگیری عمیق پارامترهای بارش، تبخیر و تعرق و شاخص خشکسالی را جز سناریوهای منتخب خود قرار داد. ازاین‌رو می­توان گفت که این مدل باتوجه‌به در برداشتن پارامترهای محیطی بیشتر و بررسی میزان اثرگذاری آنها در مدل­سازی تغییرات سطح آب­زیرزمینی، کارایی، عملکرد و جامعیت بهتری برای آبخوان رودان دارد.نتیجه‌گیری: نتایج خروجی مدل‌ها نشان داد مدل درخت تصمیم و یادگیری عمیق با مقادیر همبستگی بالا و مقدار خطای کمتر عملکرد بسیار دقیقی در پیش‌بینی تراز آب­زیرزمینی دارند. نمودار پراکندگی پیش‌بینی‌ها و مقادیر واقعی نشان‌دهنده تطابق بسیار نزدیک بین این دو مجموعه‌داده است که بیانگر دقت بالای مدل درخت تصمیم و یادگیری عمیق است. سناریوهای مورد قبول در هر دو مدل شامل شاخص‌های گیاهی است که بیانگر تأثیر قابل‌توجه این پارامتر بر منابع آب­زیرزمینی به‌ویژه در مناطق خشک و نیمه­خشک است که اصلی‌ترین منبع رطوبتی در این مناطق است. از طرف دیگر مدل یادگیری عمیق شاخص‌های خشکسالی هواشناسی را در مجموعه سناریوهای منتخب خود دارد که بیانگر تأثیر این عوامل کلیدی در تغییرات سطح آب­زیرزمینی منطقه است. از طرفی باتوجه‌به پیچیدگی مدل یادگیری عمیق در انتخاب پارامترهای مهم اثرگذار بر نوسانات سطح آب­زیرزمینی می‌توان این مدل را ابزاری کارآمد و مناسب برای بررسی عوامل مؤثر در تغییرات سطح آب­زیرزمینی آبخوان رودان برشمرد. استفاده از این پارامترهای ورودی در سناریوهای منتخب هر دو مدل پیشنهادی پیش‌بینی می‌تواند به بهبود دقت و کارایی مدل‌ها در مدیریت منابع آب­زیرزمینی کمک نماید. داده‌های مشاهداتی زمینی برای تراز آب­زیرزمینی نیز اهمیت بالای این پارامترها را تأیید می‌نماید.