مقایسه مدل‌های یادگیری ماشین به منظور پیش‌بینی بیابان‌‌‌زایی با بهره‌گیری از سطح تراز آب زیرزمینی (مطالعه موردی: دشت آبخوان اسلام آباد-کرمانشاه)

نویسندگان

1 دانشیار گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی¬سینا، همدان، ایران.

2 دانشجوی دکتری آبیاری و زهکشی، گروه علوم و مهندسی آب، دانشگاه بوعلی¬سینا، همدان، ایران.

3 دانشجوی دکتری رشته علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی¬سینا، همدان، ایران.

4 دانشجوی دکتری رشته علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی¬سینا، همدان، ایران.

doi
https://doi.org/10.71916/jrnr.2025.1215518
چکیده

مناطق خشک و نیمه‌خشک به‌دلیل حساسیت اکوسیستمی بالا، همواره در معرض تخریب سرزمین و گسترش بیابان‌زایی قرار دارند. از آنجایی که تامین آب در این مناطق به‌طور عمده وابسته به منابع آب زیرزمینی است، افت سطح آبخوان‌ها یکی از مهم‌ترین محرک‌های تشدید بیابان‌زایی محسوب می‌شود. دشت آبخوان اسلام‌آباد به‌عنوان یکی از پهنه‌های آسیب‌پذیر در غرب کشور، نمونه‌ای بارز از مناطقی است که پایش روند بیابان‌زایی آن با تکیه بر تغییرات سطح آب زیرزمینی ضرورت دارد. در این پژوهش، ابتدا تغییرات سطح تراز آب زیرزمینی طی یک دوره ۲۰ ساله در دو بازه زمانی 1382–1391 و 1392–1401 با استفاده از داده‌های چاه‌های مشاهده‌ای و پهنه‌بندی پنج‌گانه بررسی شد. سپس با بهره‌گیری از مدل‌های یادگیری ماشین MLR  و ANFIS و بر اساس مجموعه پارامترهای اقلیمی شامل میانگین، حداقل و حداکثر دما، بارش، رطوبت نسبی و سطح آب زیرزمینی، فرآیند بیابان‌زایی در سه حالت حداقل، میانگین و حداکثر پیش‌بینی گردید. دقت مدل‌ها با شاخص‌های RMSE و NSE ارزیابی شد. نتایج نشان داد طی دوره ۲۰ ساله، نواحی مرکزی آبخوان با افت شدید سطح آب زیرزمینی مواجه بوده‌اند، درحالی‌که مناطق شمال‌غربی وضعیت نسبتا پایدارتری داشته‌اند. همچنین مدل ANFIS با خطای کمتر و NSE نزدیک‌تر به یک، عملکرد به‌مراتب دقیق‌تری نسبت به MLR در پیش‌بینی بیابان‌زایی ارایه داد، بنابراین می‌توان از آن به‌عنوان ابزاری کارآمد برای مدیریت و برنامه‌ریزی منابع آب زیرزمینی در مناطق مستعد بیابان‌زایی بهره گرفت.