ارزیابی کارایی XGBoost در برآورد دبی قنوات مناطق خشک و نیمه خشک (مطالعه موردی دشت قاین)

تغییر اقلیم به عنوان یکی از بزرگترین چالشهای قرن حاضر تاثیرات عمیق و گسترده ای بر منابع آب مناطق خشک و نیمه خشک وارد می کند و ضرورت توسعه ابزارهای پیش بینی دقیق و راهبردهای سازگاری را بیش از پیش آشکار ساخته است. قنوات به عنوان سازههای تاریخی و حیاتی در مناطق خشک ایران نقش مهمی در تامین آب شرب و کشاورزی دارند، اما تشدید اثرات تغییر اقلیم شامل کاهش منابع آب زیرزمینی و تغییرات اقلیمی چالشهایی جدی ایجاد کرده است. در این راستا به کارگیری مدلهای پیشرفته یادگیری ماشین میتواند نقش کلیدی در توسعه سیستمهای پیش بینی قابل اعتماد برای پشتیبانی از برنامه ریزی سازگاری با تغییر اقلیم ایفا کند. پژوهش حاضر به بررسی عملکرد مدل یادگیری ماشین XGBoost در پیش بینی دبی قنوات دشت قاین به عنوان بخشی از راهکارهای مدیریت منابع آب در شرایط تغییر اقلیم میپردازد. داده های مورد استفاده شامل آمار ۱۲ ساله آبدهی قنوات (۱۳۸۶-۱۳۹۷)، متغیرهای اقلیمی مانند بارش و دما و ویژگی مکانی ارتفاع بود. پس از پیش پردازش دادهها، مجموعه داده ها به دو بخش آموزش (۷۰) و آزمون (۳۰) تقسیم شدند فراسنجه های مدل با استفاده از روش RandomizedSearchCV و هدف بهینه سازی RMSE تعیین شدند. نتایج نشان داد که مدل XGBoost با مقادیر R۲ حدود ۰/۸۸ و معیار NS حدود ۰۷۶ در بخش آزمون عملکرد قابل قبولی دارد تحلیل حساسیت فراسنجه ها ترکیب بهینه learning_rate=۰.۰۸ max_depth=۶n_estimators۵۰۰ و ۴=min_child_weight را مشخص کرد با این حال مدل در پیشبینی دبیهای بالا بیش از ۲۰ لیتر بر ثانیه ضعف داشت که احتمالا به دلیل تابع خطای RMSE و عدم تعادل داده ها است. مقایسه با مطالعات پیشین نشان میدهد XGBoost ابزار قدرتمندی در مدل سازی هیدرولوژیکی است، اما نیاز به بهبود در پیش بینی مقادیر حدی دارد. پیشنهاد میشود در تحقیقات آینده از توابع خطای جایگزین و ترکیب الگوریتم ها استفاده گردد. همچنین توسعه سامانه های پایش بلادرنگ و تعمیم مدل به سایر مناطق خشک می تواند به مدیریت پایدار منابع آب کمک نماید. این مطالعه گامی مهم در به کارگیری یادگیری ماشین برای مدیریت قنوات در شرایط تغییر اقلیم است و میتواند مبنایی برای تصمیم گیریهای علمی و عملی در راستای سازگاری با تغییرات اقلیمی باشد.

کلیدواژه ها:

یادگیری ماشین در هیدرولوژی ، سازگاری با تغییر اقلیم ، تحلیل حساسیت ، مدیریت قنات ، مدل سازی گرادیان بوستینگ