ریزمقیاس سازی داده های ماهواره GRACE با الگوریتم های یادگیری ماشین برای پایش نوسانات آب زیرزمینی در استان فارس

در دهه های اخیر، بحران منابع آب به یکی از مهم ترین چالش های زیست محیطی و اقتصادی در ایران، به ویژه در استان فارس که قطب کشاورزی کشور محسوب می شود، تبدیل شده است. برداشت های بی رویه، خشکسالی های متوالی و کاهش بارش، موجب افت شدید سطح آب زیرزمینی و تهدید پایداری کشاورزی و اکوسیستم های طبیعی این استان شده است. با توجه به محدودیت های روش های سنتی پایش آب زیرزمینی، استفاده از فناوری سنجش از دور و داده های ماهواره ای، به ویژه ماموریت GRACE، به عنوان راهکاری نوین برای پایش و تخمین تغییرات ذخایر آب زیرزمینی مطرح شده است. با این حال، دقت مکانی پایین داده های GRACE (حدود ۵۵ کیلومتر) چالش هایی را برای تحلیل های محلی ایجاد می کند.در این پژوهش، با هدف بهبود دقت مکانی و افزایش قابلیت اطمینان داده های GRACE، از الگوریتم های ریزمقیاس سازی مبتنی بر یادگیری ماشین (مدل جنگل تصادفی) و تلفیق داده های FLDAS و MODIS استفاده شد. داده های ماهواره ای برای بازه زمانی ۲۰۰۲ تا ۲۰۲۴ جمع آوری و هم تراز گردید و پس از استخراج ویژگی های هیدرولوژیکی، مدل رگرسیون جنگل تصادفی با وضوح مکانی ۱۰ کیلومتر پیاده سازی شد. نتایج نشان داد که ریزمقیاس سازی داده های GRACE موجب بهبود چشمگیر در نمایش تغییرات مکانی نوسانات آب زیرزمینی و افزایش دقت مدل در مناطق مختلف استان فارس گردید. اعتبارسنجی مدل با داده های چاه های پیزومتریک نشان داد که مدل در مقیاس سالانه عملکرد بسیار مناسبی داشته و شاخص R² در بسیاری از مناطق بالاتر از ۶۰ درصد بود. تحلیل شیب روندها نیز نشان دهنده افت آب زیرزمینی در اغلب مناطق استان بود. این پژوهش نشان داد که ترکیب سنجش از دور، مدل سازی و تحلیل آماری می تواند راهکاری عملی و مقرون به صرفه برای مدیریت پایدار منابع آب زیرزمینی در شرایط بحران باشد

کلیدواژه ها:

آب زیرزمینی ، ریزمقیاس سازی ، ماهواره GRACE ، مدل جنگل تصادفی.