تحلیل مکانی حساسیت شوری آب زیرزمینی با بهره گیری از روش های ترکیبی یادگیری ماشین

شوری آب های زیرزمینی یکی از مهم ترین تهدیدهای کیفی منابع آب در مناطق خشک و نیمه خشک به شمار می رود و تاثیر مستقیمی بر کشاورزی، محیط زیست و توسعه پایدار دارد. هدف این پژوهش، بررسی حساسیت شوری آب های زیرزمینی در منطقه کوهپایه–سگزی استان اصفهان با بهره گیری از مدل های یادگیری ماشین، شامل مدل تقویت تطبیقی (AdaBoost) و مدل تقویت تطبیقی تجمیع شده (Bagged AdaBoost) بوده است. داده های میانگین سالانه شوری حاصل از چاه های مشاهداتی در بازه زمانی ۲۳ ساله (۱۳۹۹-۱۳۷۷) مورد استفاده قرار گرفت و متغیرهای توپوگرافی، اقلیم، هیدروژئولوژی، زمین شناسی و کاربری اراضی در مدل سازی لحاظ شدند. نتایج ارزیابی عملکرد مدل ها با استفاده از داده های اعتبارسنجی و تحلیل برخورد و خطا از طریق جدول توافقی نشان داد که ترکیب الگوریتم AdaBoost با رویکرد Bagging موجب بهبود قابل توجه عملکرد مدل می شود؛ به طوری که صحت کلی مدل سازی از ۸۹/۰ به ۹۳/۰، دقت از ۶۷/۰ به ۸۰/۰، میانگین هارمونیک دقت و بازخوانی (F۱-score) از ۸۰/۰ به ۸۹/۰ و ضریب کاپا از ۷۲/۰ به ۸۵/۰ افزایش یافت. تحلیل اهمیت متغیرها نشان داد که عمق سطح آب زیرزمینی، ارتفاع و تبخیر از مهم ترین عوامل موثر در مدل سازی هستند. نقشه حساسیت شوری منطقه، وجود یک گرادیان مکانی مشخص را نشان داد؛ به گونه ای که مقادیر بالاتر شوری در نواحی جنوبی و غربی مشاهده شده و به تدریج به سمت شمال و شرق کاهش می یابد. این نقشه می تواند ابزاری موثر برای مدیریت منابع آب، حفاظت از خاک، و انتخاب الگوی کشت مقاوم به شوری فراهم آورد. یافته های این پژوهش با مطالعات مشابه بین المللی هم راستا بوده و کارآمدی مدل های یادگیری ماشین را در شناسایی مناطق پرخطر تایید می کند.

کلیدواژه ها:

Groundwater salinity ، Spatial modeling ، AdaBoost ، Bagged AdaBoost ، Koohpayeh-Segzi plain. ، شوری آب زیرزمینی ، مدل سازی مکانی ، AdaBoost ، Bagged AdaBoost ، دشت کوهپایه–سگزی