فهرست نشریات علمی دسترسی آزاد ایران

پیش‌بینی دقیق تراز آب زیرزمینی در مدیریت منابع آبی، به‌ویژه در مناطق خشک، از اهمیت بالایی برخوردار است. این پژوهش باهدف جایگزینی روش‌های یادگیری ماشین به‌جای مدل‌های سنتی، دو الگوریتم ماشین بردار پشتیبان و جنگل تصادفی را برای پیش‌بینی تراز آب زیرزمینی بررسی کرده است. مدل‌سازی با استفاده از داده‌های ۲۰ ساله بارش، دمای هوا، تبخیر، برداشت از آبخوان و تراز آب زیرزمینی به‌عنوان متغیرهای ورودی انجام شد. پس از بررسی نرمالیته و همبستگی داده‌ها، 70 درصد داده‌ها به‌عنوان آموزش و 30 درصد به‌عنوان تست استفاده شدند. نتایج ارزیابی معیارهای R²، RMSE، MAE و MSE نشان داد که الگوریتم ماشین بردار پشتیبان در مرحله آموزش به‌ترتیب دارای مقادیر 57/0، 05/1، 61/0 و 11/1 و در مرحله آزمایش مقادیر 74/0، 84/0، 61/0 و 71/0 است. الگوریتم جنگل تصادفی با استفاده از تمامی ویژگی‌ها (ورودی‌ها) به‌ترتیب مقادیر 85/0، 61/0، 44/0 و 37/0 در مرحله آموزش و 71/0، 93/0، 66/0 و 86/0 در مرحله آزمایش را ارائه داد و به‌دلیل دقت بالا و مقاومت در برابر هم‌خطی، عملکرد بهتری نشان داد. همچنین با استفاده از روش اهمیت ویژگی جایگشت، تعداد متغیرهای ورودی الگوریتم جنگل تصادفی از شش به یک کاهش یافت و نتایج آن بدون کاهش محسوس دقت مدل شامل مقادیر 83/0، 66/0، 45/0 و 43/0 در مرحله آموزش و 71/0، 93/0، 66/0 و 86/0 در مرحله آزمایش بود. یافته‌های پژوهش نشان می‌دهند که مدل‌های یادگیری ماشین، به‌ویژه الگوریتم جنگل تصادفی، می‌توانند جایگزین مناسبی برای روش‌های سنتی در پیش‌بینی تراز آب زیرزمینی و مدیریت پایدار منابع آبی باشند.