پيش بيني قابليت انتقال آبخوان دشت ملكان با استفاده از روش جنگل تصادفي

Prediction of Transmissivity of Malikan Plain Aquifer Using Random Forest Method

قابليت انتقال يكي از پارامترهاي مهم در شناسايي خصوصيات آبخوان ها مي باشد و به دست آوردن مقادير و چگونگي توزيع آن توسط مدل سازي، براي مديريت آبخوان ها ضروري به نظر مي رسد. برآورد اين پارامتر با استفاده از آزمايشات صحرايي مانند آزمايش پمپاژ بسيار پرهزينه و وقت گير است. براي مديريت مناسب آبخوان دشت ملكان كه يكي از قطب هاي كشاورزي شمال غرب كشور مي باشد شناخت پارامترهاي هيدروژئولوژيكي، خصوصاً قابليت انتقال امري لازم و ضروري مي باشد. در مطالعه حاضر روش جنگل تصادفي (RF) كه يك روش يادگيري مبتني بر دسته اي از درخت هاي تصميم است، براي پيش بيني قابليت انتقال آبخوان پيشنهاد شده كه تاكنون در اين زمينه مورد استفاده قرار نگرفته است. روش RF نسبت به روش هاي ديگر داراي مزايايي مانند دقت پيش بيني بالا، توانايي در يادگيري روابط غير خطي، توانايي بالا در تعيين متغيرهاي مهم در پيش بيني و ماهيت غير پارامتري مي باشد. در مدل RF به دليل اينكه با افزايش درخت ها ميزان خطا كاهش مي يابد، بنابراين تعداد 500 درخت براي فراخواني مدل استفاده شد و پس از اجراي مدل نتايج مدل به وسيله برآورد خطاي خارج از كيسه (OOB) ارزيابي گرديد و علاوه بر اين، براي كاهش ابعاد و افزايش دقت و قابل تفسير بودن مدل، روش انتخاب ويژگيFS)) به كار برده شد و متغيرهاي مهم در پيش بيني نيز شناسايي گرديد. بر اساس نتايج مدل سازي با RF مقادير MSE و AUC به ترتيب برابر با ۰/۰۳۶ و ۰/۹۶، متغيرهاي هدايت الكتريكي، محيط آبخوان و گراديان هيدروليكي به ترتيب به عنوان پارامترهاي مهم و تاثيرگذار در پيش بيني قابليت انتقال شناسايي شدند. همچنين نتايج قابل قبول مدل RF در پيش بيني قابليت انتقال و تعيين پارامترهاي مهم در پيش بيني، نشان از مزاياي مدل ارائه شده نسبت به ساير مدل ها در بحث پيش بيني، مي باشد.

Transmissivity is an important factor in identifying the characteristics of aquifers، so، estimating its value and distribution by modeling is necessary for aquifer management. Estimation of this parameter using field experiments such as pumping test is costly and time-consuming. For suitable management of Malikan plain، as one of active agricultureal areas in north-west of the country، understanding the hydrogeological parameters، such as transmissivity is required. In this study the random forest (RF) algorithm، which is a learning method based on ensemble of decision trees، is proposed for predicting transmissivity that has not been used in this field، yet. The RF technique has advantages over other methods due to having high prediction accuracy، ability to learn nonlinear relationships، non-parametric natural and ability to determine the important variables in the prediction process. Increasing the number of trees decrease the error، so 500 trees were selected to reap high efficiency of the model. The model results were evaluated by OOB error estimating method and in addition، to reduce the dimensions، increase the accuracy and better interpretation of the model process، the FS method was used. The most important variables in the prediction were also identified by the FS method. Based on the results of RF modeling with AUC=0.96 and MSE=0.036، electrical conductivity، aquifer media and hydraulic gradient variables were the most important parameters in predicting transmissivity، respectively. Also the accuracy of RF model and determining the important parameters in transmissivity prediction showed the advantages of this model over other models in prediction issue.