تعيين پتانسيل آب زيرزميني با استفاده مدل‌هاي يادگيري ماشين جمعي در بستر GIS (مطالعۀ موردي: دشت بيرجند)

Determination of groundwater potential using ensemble machine learning models in GIS (Case Study: Birjand plain)

پيش‌بيني پتانسيل آب‌هاي زيرزميني جهت توسعه و برنامه‌ريزي سيستماتيك منابع آب بسيار بااهميت است. هدف اصلي اين مطالعه، توسعه مدل‌هاي يادگيري ماشين جمعي شامل جنگل تصادفي (RF)، رگرسيون منطقي (LR) و بيز ساده (NB) توسط الگوريتم طبقه‌بندي‌كننده زيرفضاي تصادفي (RS)، جهت پيش‌بيني مناطق بالقوه آب زيرزميني در دشت بيرجند مي‌باشد. لذا جهت پياده‌سازي، داده‌هاي ژئوهيدرولوژيكي 37 حلقه چاه آب زيرزميني (تعداد چاه‌ها، موقعيت مكاني چاه‌ها و تراز آب زيرزميني يا سطح ايستابي) و 17 معيار هيدرولوژي، توپوگرافي، زمين‌شناسي و محيطي مورداستفاده قرار گرفت. روش انتخاب ويژگي كمترين مربعات ماشين بردار پشتيبان (LSSVM) جهت تعيين معيارهاي مؤثر به منظور افزايش عملكرد الگوريتم‌هاي يادگيري ماشين استفاده شد. در نهايت نقشه‌هاي پيش‌بيني پتانسيل آب‌ زيرزميني با استفاده از مدل‌هاي RF-RS، LR-RS و NB-RS تهيه شدند. عملكرد اين مدل‌ها با استفاده از سطح زير منحني (AUC) و ساير شاخص‌هاي آماري مورد ارزيابي قرار گرفت. نتايج نشان داد كه مدل تركيبي RF-RS (867/0 =AUC) قابليت پيش‌بيني بسيار بالايي براي پتانسيل آب زيرزميني در منطقه موردمطالعه دارد. هم‌چنين مشخص شد كه معيار ارتفاع بيشترين اهميت را در پيش‌بيني پتانسيل آب زيرزميني در منطقه موردمطالعه دارد. نتايج مطالعه حاضر مي‌تواند جهت اتخاذ تصميمات و برنامه‌ريزي مناسب در استفاده بهينه از منابع آب زيرزميني مفيد باشد.

Predicting the potential of groundwater is very important for the systematic development and planning of water resources. The main purpose of this study was to develop ensemble machine learning models including random forest (RF), logistic regression (LR) and Naïve Bayes (NB) by random subspace Classifier (RS) algorithm to predict groundwater potential areas in Birjand plain. Therefore, for implementation, geo-hydrological data of 37 groundwater wells (Number of wells, location of wells and groundwater level or Water table) and 17 hydrology, topographic, geological and environmental criteria were used. The least squares support vector machine (LSSVM) feature selection method used to determine the effective criteria to increase the performance of machine learning algorithms. Finally, groundwater potential prediction maps were prepared using RF-RS, LR-RS and NB-RS models. The performance of these models evaluated using the area under the curve (AUC) and other statistical indicators. The results showed that the RF-RS hybrid model (AUC = 0.867) has a very high predictability for groundwater potential in the study area. It was also found that the elevation criterion is most important in predicting the groundwater potential in the study area. The results of the present study can be useful for making appropriate decisions and planning regarding the optimal use of groundwater resources.