تعيين پتانسيل آب زيرزميني با استفاده از مدل‌هاي شبكۀ عصبي مصنوعي، جنگل تصادفي، ماشين بردار پشتيبان و رگرسيون خطي (مطالعۀ موردي: حوضۀ آبخيز درياچۀ اروميه)

هدف از تحقيق حاضر، تعيين مناطق داراي پتانسيل آب زيرزميني با استفاده از مدل‏هاي شبكۀ عصبي مصنوعي (ANN)، جنگل تصادفي (RF)، ماشين بردار پشتيبان (SVM) و رگرسيون خطي (GLM) است. در تحقيق حاضر از 14 پارامتر شامل ارتفاع، شيب، جهت شيب، انحنا، فاصله از آبراهه و گسل، تراكم آبراهه و گسل، ليتولوژي، متوسط بارندگي، كاربري اراضي، شاخص موقعيت توپوگرافيك (TPI)، موقعيت شيب نسبي (RSP) و شاخص رطوبت توپوگرافيك (TWI) براي بررسي پتانسيل آب زيرزميني استفاده شده است. از مجموع 10624 چشمه، به صورت تصادفي 70 درصد به عنوان داده‏هاي آزمون و 30 درصد به عنوان داده‏هاي اعتبارسنجي طبقه‏بندي شدند. همچنين، براي تعيين مهم‏ترين پارامترها از مدل RF استفاده شد. تست هم‏خطي بين پارامترها با استفاده از نرم‏افزار SPSS انجام شد. از منحني تشخيص عملكرد نسبي براي قدرت پيش‏بيني مدل‏ها و شاخص سطح سلول هسته (SCAI) به منظور دقت تفكيك بين طبقات استفاده شد. نتايج نشان داد بين پارامترها هم‏خطي وجود ندارد. نتايج مدل RF نشان داد به‌ترتيب پارامترهاي ارتفاع، كاربري اراضي، شيب، فاصله از گسل، TWI و ليتولوژي مهم‏ترين عوامل تأثيرگذار بر پتانسيل آب زيرزميني هستند. همچنين، بر اساس منحني ROC در هر دو بخش آموزش (0.915=AUC) و اعتبارسنجي (0.909=AUC)، مدل ANN داراي بيشترين دقت بودند و مدل‏هاي RF، SVM و GLM در رده‏هاي بعدي قرار گرفتند. همچنين، نتايج شاخص سطح سلول هسته نشان داد هر چهار مدل با دقت مناسبي به تفكيك طبقات پرداخته‏اند. بر اساس مدل ANN، 31.4 درصد حوضه ‌پتانسيل آب زيرزميني زياد و خيلي زياد دارد.