استفاده از الگوريتم‌هاي يادگيري ماشين براي مدل‌سازي منابع آب زيرزميني در دشت موسيان استان ايلام

امروزه ميزان برداشت از آبهاي زيرزميني بيش از ميزان تغذيه آبهاي زيرزميني است كه اين عامل باعث افت شديد سطح سفره‌هاي آب زيرزميني شده است. مراتع و جنگل‌ها بعنوان اصلي‌ترين مكان‌هاي تغذيه سفره‌هاي آب زيرزميني محسوب مي‌شوند، درحالي‌كه بيشترين برداشت از اين منابع در كاربري كشاورزي انجام مي‌شود. هدف اصلي از پژوهش حاضر استفاده از الگوريتم‌هاي يادگيري ماشين شامل رگرسيون جنگل تصادفي و تابع آنتروپي شانون براي مدل‌سازي منابع آب زيرزميني در مراتع نيمه‌خشك غرب ايران مي‌باشد. براي اين هدف، ابتدا لايه‌هاي اطلاعاتي شامل: درجه شيب، جهت شيب، ارتفاع از سطح دريا، فاصله از گسل، شكل شيب، فاصله از آبراهه، فاصله از جاده، بارندگي، ليتولوژي و كاربري اراضي تهيه شد. پس از تعيين وزن پارامترها با استفاده از تابع آنتروپي شانون و سپس تعيين طبقات آن‌ها، در محيط سامانه‌هاي اطلاعات جغرافيايي، از تركيب وزن پارامترها و طبقات آن‌ها نقشه نهايي مناطق داراي پتانسيل منابع آب زيرزميني مدل‌سازي گرديد.  بعلاوه، براي اجراي مدل جنگل تصادفي از نرم افزار R 3.5.1 و بسته randomForest استفاده شد. در تحقيق حاضر از اعتبارسنجي ضربدري k-fold براي صحت‌سنجي مدل‌ها استفاده گرديد. به منظور ارزيابي كارايي مدل‌هاي جنگل تصادفي و آنتروپي شانون براي پتانسيل‌يابي منابع آب زيرزميني، از شاخص هاي آماري MAE، RMSE و R2 استفاده شد. نتايج ارزيابي نشان داد كه مدل جنگل تصادفي با دقت (RMSE: 3.41, MAE: 2.85 R^² = 0.825,) داراي دقت بالاتري نسبت به مدل آنتروپي شانون با دقت (R^² = 0.727, RMSE: 4.36, MAE: 3.34) مي‌باشد. يافته‌هاي مدل جنگل تصادفي نشان داد كه قسمت زيادي از منطقه مورد مطالعه داراي پتانسيل متوسط (26954/22هكتار) و مساحت خيلي اندكي (205/61 هكتار) بدون پتانسيل آب زيرزميني مي‌باشد. از طرفي، نتايج مدل آنتروپي شانون نشان داد كه قسمت اعظمي از منطقه مورد مطالعه داراي پتانسيل متوسط (24633/05 هكتار) و مساحت خيلي اندكي (1502/12 هكتار) بدون پتانسيل آب زيرزميني مي‌باشد.