فهرست نشریات علمی دسترسی آزاد ایران

امروزه تأمین آب به منظور تحقق اهداف توسعۀ پایدار، یکی از مهم ترین چالش ها در اکثر کشورهای جهان است. به همین دلیل، تعیین مناطق دارای پتانسیل آب زیرزمینی، از ابزارهای مهم در حفاظت، مدیریت و بهره برداری از منابع آب به شمار می رود. بنابراین هدف از این پژوهش تهیه نقشه پتانسیل چشمه­های آب زیرزمینی با استفاده از یک مدل مشهور یادگیری ماشین (جنگل تصادفی) و یک مدل آماری (مدل نسبت فراوانی) و مقایسه کارایی این روشها در حوزه آبخیز عمرک، استان تهران می­باشد. ابتدا 18 عامل مؤثر در ظهور چشمه­ها شامل: سازندهای سنگ­شناسی، فاصله از گسل، تراکم گسل، طبقات ارتفاعی، درصد شیب، جهت شیب، فاکتور طول شیب، نقشه­های انحنا، فاصله از آبراهه، تراکم آبراهه، حداکثر ارتفاع، شاخص نمناکی، موقعیت شیب نسبی، بافت خاک، شاخص زبری سطح، شاخص همگرایی جریان و پوشش کاربری اراضی انتخاب شدند و نقشه آن‌ها در نرم­افزار ArcGIS10.5 و [1]SAGA تهیه گردید. پس از بررسی هم‌خطی و طبقه‌بندی لایه­های مؤثر با استفاده از روش شکستن طبیعی[2]، درصد فراوانی پتانسیل آب زیرزمینی در هر طبقه با استفاده از هم‌پوشانی نقشه پراکنش چشمه­ها با هرکدام از لایه‌ها به دست آمد. برای ارزیابی عملکرد مدل­های مذکور از منحنی مشخصه عملکرد نسبی(ROC) استفاده شد و میزان مساحت زیر منحنی (AUC) مدلهای جنگل تصادفی و نسبت فراوانی به ترتیب 88 و 72درصد به­دست آمد. نتایج نشان داد که هر دو روش تخمین­گرهای مناسبی برای تهیه نقشه پتانسیل چشمه آب زیرزمینی در منطقه مورد مطالعه هستند. اما مدل جنگل تصادفی با مقدار مساحت زیر منحنی بالاتر روش بهتری برای شناسایی و پهنه­بندی پتانسیل چشمه­های آب زیرزمینی معرفی گردید. [1] System for automated geoscientific analyses[2] Natural Break