پیش بینی تغییرات سطح آب زیر زمینی به کمک یادگیری عمیق و عوامل تاثیرگذار برآن با استفاده از سنجش ازدور

چکیده مبسوط مقدمه: سطح آب زیرزمینی به ویژه در کشورهای خشک و نیمه خشک از اهمیت حیاتی برخوردار است. در بسیاری از مناطق، بهره برداری بیش از حد از سطح آب­زیرزمینی منجر به آسیب­های جبران ناپذیری به منابع آب­زیرزمینی شده است. پیش بینی سطح آب­زیرزمینی یک چالش کلیدی در تحقیقات هیدروژئولوژیکی، مدیریت موثر آبخوان ها و ارزیابی حجم آب­زیرزمینی است. هدف از این تحقیق، بررسی و مقایسه کارایی مدل های یادگیری عمیق، درخت تصمیم و Gradient Boosted Tree در پیش بینی پارامترهای تاثیرگذار بر تراز آب­زیرزمینی آبخوان رودان است.مواد و روش ها: داده های تراز آب زیرزمینی ماهانه آبخوان رودان و اطلاعات بارش و دما و تبخیر از ایستگاه های هواشناسی منطقه طی سال­های ۲۰۰۰ تا ۲۰۲۰ گردآوری شد. بخش دوم، داده های ماهواره ای در پلتفرم گوگل ارث انجین داده های تراز آب­زیرزمینی آبخوان و پارامترهای مهم شامل شاخص خشکسالی پالمر (PDSI)، شاخص بارش استاندارد شده (SPI)، تبخیر و تعرق پتانسیل (PET)، بارش (Pr)، و شاخص های پوشش گیاهی نظیر NDVI، EVI، SAVI،  NDWI وGNDVI  از داده های ماهواره ای استخراج و پردازش شدند. نرمال سازی داده ها به منظور بهبود عملکرد مدل های یادگیری ماشین، و تقسیم بندی داده ها به دو مجموعه آموزشی (۸۰ درصد) و آزمایشی (۲۰ درصد) برای ارزیابی عملکرد مدل ها و جلوگیری از بیش برازش انجام شد. به­منظور بررسی رفتار و مدل­سازی تراز آب­زیرزمینی رودان از۱۰ پارامتر در۱۰ سناریو در سه مدل یادگیری عمیق، درخت تصمیم و GBoost استفاده شد.نتایج و بحث: در مدل یادگیری عمیق با افزایش تعداد پارامترها در سناریو اول تا سوم میزان دقت مدل کاهش ولی سناریوهای شماره ۵ تا ۹ با بالاترین همبستگی (۸۶/۰) و کمترین میزان خطا (۸۵/۰) و درصد خطا (۴۱ درصد) مناسب­ترین سناریوها برای مدل­سازی تغییرات سطح آب­زیرزمینی رودان با متغیرهای بارش تجمعی، شاخص­های NDWI، PDSI، SAVI،NDVI ، EVI، Pr،PET، SPI مشخص نمود. مدل درخت تصمیم از سناریوی اول تا هفتم با افزایش تعداد پارامترها تا حد معینی بهبود دقت را نشان داد. بیشترین دقت مدل با استفاده از ترکیب ورودی های بارش تجمعی، NDWI، PDSI ، SAVI، NDVI،EVI  به­دست آمد که RMSE و MSE به­ترتیب برابر با ۲۸۲/۰ و ۰۸/۰، درصد خطا و همبستگی به­ترتیب ۰۷/۱۳ و ۹۸۷/۰ بود. مدل GBoost در تمامی سناریوها دقت نسبتا ثابتی دارد. باتوجه به مقادیر کم خطا و درصد خطا، و میزان همبستگی بالا، برآیند معیارهای آماری در این مدل نشان داد که اضافه کردن پارامترهای بیشتر، حساسیت کمتری در مدل دارد و تغییرات زیادی در دقت مدل ایجاد نمی شود. مدل یادگیری عمیق و درخت تصمیم گیری حساسیت بیشتری به پارامترهای ورودی دارند. هم­چنین رفتار مدل یادگیری عمیق و درخت تصمیم­گیری پاسخ نسبتا مشابهی در پارامترهای ورودی هر سناریو دارد. باتوجه به تاخیر زمانی ۴ماهه بارش بر سطح آب­زیرزمینی، مدل یادگیری عمیق پارامترهای بارش، تبخیر و تعرق و شاخص خشکسالی را جز سناریوهای منتخب خود قرار داد. ازاین رو می­توان گفت که این مدل باتوجه به در برداشتن پارامترهای محیطی بیشتر و بررسی میزان اثرگذاری آنها در مدل­سازی تغییرات سطح آب­زیرزمینی، کارایی، عملکرد و جامعیت بهتری برای آبخوان رودان دارد.نتیجه گیری: نتایج خروجی مدل ها نشان داد مدل درخت تصمیم و یادگیری عمیق با مقادیر همبستگی بالا و مقدار خطای کمتر عملکرد بسیار دقیقی در پیش بینی تراز آب­زیرزمینی دارند. نمودار پراکندگی پیش بینی ها و مقادیر واقعی نشان دهنده تطابق بسیار نزدیک بین این دو مجموعه داده است که بیانگر دقت بالای مدل درخت تصمیم و یادگیری عمیق است. سناریوهای مورد قبول در هر دو مدل شامل شاخص های گیاهی است که بیانگر تاثیر قابل توجه این پارامتر بر منابع آب­زیرزمینی به ویژه در مناطق خشک و نیمه­خشک است که اصلی ترین منبع رطوبتی در این مناطق است. از طرف دیگر مدل یادگیری عمیق شاخص های خشکسالی هواشناسی را در مجموعه سناریوهای منتخب خود دارد که بیانگر تاثیر این عوامل کلیدی در تغییرات سطح آب­زیرزمینی منطقه است. از طرفی باتوجه به پیچیدگی مدل یادگیری عمیق در انتخاب پارامترهای مهم اثرگذار بر نوسانات سطح آب­زیرزمینی می توان این مدل را ابزاری کارآمد و مناسب برای بررسی عوامل موثر در تغییرات سطح آب­زیرزمینی آبخوان رودان برشمرد. استفاده از این پارامترهای ورودی در سناریوهای منتخب هر دو مدل پیشنهادی پیش بینی می تواند به بهبود دقت و کارایی مدل ها در مدیریت منابع آب­زیرزمینی کمک نماید. داده های مشاهداتی زمینی برای تراز آب­زیرزمینی نیز اهمیت بالای این پارامترها را تایید می نماید.

کلیدواژه ها:

سطح آب آبخوان ، یادگیری ماشین ، یادگیری عمیق ، سنجش ازدور ، شاخص های خشکسالی