کاربرد یادگیری ماشین در مدیریت پایدار قنوات برآورد دبی با الگوریتم جنگل تصادفی و تحلیل حساسیت (SHAP و Permutation Importance) در دشت قاین

مناطق خشک و نیمه خشک ایران به ویژه دشت قاین در استان خراسان جنوبی با محدودیتهای جدی منابع آبی مواجه هستند. قنوات به عنوان سیستمهای سنتی تامین آب پایدار با قدمت بیش از ۳۰۰۰ سال نقش حیاتی در کشاورزی و زندگی محلی ایفا میکنند اما برآورد دقیق دبی آنها تحت تاثیر تغییرات اقلیمی و محدودیتهای داده ای دشوار است بنابراین این پژوهش با استفاده از الگوریتم جنگل تصادفی یک روش یادگیری ماشین قدرتمند، به برآورد دبی قنوات دشت قاین بر اساس دادههای ۱۲ ساله (۱۳۸۶) - ۱۳۹۷ شمسی میپردازد متغیرهای ورودی شامل داده های تاریخی دبی مشاهده شده، دمای متوسط، بارش ماهانه و ارتفاع مکانی هر قنات انتخاب شدند پس از پیش پردازش شامل نرمال سازی و پر کردن دادههای گمشده داده ها به بخشهای آموزش (۷۰) و آزمون (۳۰) تقسیم گردیدند. در ادامه مدل با بهینه سازی پارامترها (۱۰=min_samples_split=۵ max_features=۰.۵،max_depth و ۵۰۰=n_estimators) آموزش داده شد. نتایج با شاخص های KGE=۰.۵۱ =۰.۷۶،NSE=۰.۵۴ RMSE=۴.۲۷ L و %۱۵.۱۹=NRMSE، نشان دهنده عملکرد شایسته مدل است. تحلیل حساسیت با SHAP و Permutation Importance نیز، ارتفاع را به عنوان متغیر کلیدی (میانگین (۲.۱۶=SHAP شناسایی،نمود در حالی که بارش تاثیر منفی جزئی (۰/۰۱۳) نشان داد این یافته ها کارایی مطلوب RFرا تایید کرده و چارچوبی عملی برای مدیریت منابع آب در مناطق خشک ارائه می دهد.

کلیدواژه ها:

پیشبینی دبی ، قنوات ، دادههای اقلیمی ، تغییرات مکانی زمانی ، ارزیابی حساسیت