ارزیابی و مقایسه مدلهای یادگیری ماشین و عددی در پیشبینی کیفیت آب زیرزمینی بیرجند

پایش کیفیت آب زیرزمینی در مناطق خشک و نیمه خشک به دلیل کمبود منابع آب و تاثیر آلودگیهای انسان ساخت برای مدیریت پایدار منابع آب حیاتی است. این مطالعه در دشت بیرجند چارچوبی برای پیش بینی پارامترهای کیفی آب زیرزمینی (EC TDS) و (SAR) با استفاده از مدلهای یادگیری ماشین (شبکه بیزین ANFIS جنگل تصادفی و شبکه عصبی عمیق و مدل عددی ارائه کرد. دادههای ورودی شامل ۹ پارامتر شیمیایی و فیزیکی (سطح آب زیرزمینی، سدیم، کلسیم، منیزیم، کلرید، pH، سولفات، بی کربنات و کربنات تحلیل شدند و عملکرد مدلها با معیارهای R۲ RMSE و KGE ارزیابی شد نمودار تیلور به دلیل توانایی در نمایش همزمان ضریب همبستگی انحراف معیار و خطای مدلها برای ارزیابی بصری دقت پیش بینی ها به کار رفت. نتایج نشان داد که شبکه بیزین برای ۰٫۹۹۹KGE ۵۴,۹۷۳RMSE = ۰٫۹۹۹R۲) TDS) و EC (=۱٫۰۰۰KGE =،۵۴,۳۹۲RMSE =،۱,۰۰۰ R۲) و ANFIS برای ۰٫۹۹۹KGE = ۰٫۱۵۱RMSE ۹۹۹) SAR) بهترین عملکرد را داشتند، در حالی مدل عددی برای ۱۳۹۷KGE = ۱٫۷۳۰RMSE = ۰٫۲۲۵RAR) دقت پایینی نشان داد تحلیل نمودار تیلور تایید کرد که شبکه بیزین برای EC با نزدیک ترین موقعیت به نقطه مرجع مشاهده شده و کمترین انحراف معیار، دقیق ترین مدل است در حالی که ANFIS برای SAR و TDS نیز تطابق بالایی داشت. این چارچوب نه تنها به مدیریت بهینه منابع آب در دشت بیرجند کمک میکند بلکه می تواند به عنوان الگویی برای پایش و حفاظت از منابع آب در سایر مناطق خشک و نیمه خشک استفاده شود

کلیدواژه ها:

کیفیت آب زیر زمینی ، یادگیری ماشین ، شبکه عصبی عمیق ، سیستم استنتاج عصبی فازی تطبیقی (ANFIS)