مقایسه عملکرد الگوریتم های یادگیری ماشین در مدل سازی و پیش بینی سطح آب زیرزمینی: مطالعه موردی دشت شاهرود

کاهش مداوم سطح آب زیرزمینی در مناطق خشک و نیمه خشک، از جمله دشت شاهرود و بسطام، به واسطه برداشت بی رویه، توسعه کشاورزی و صنعتی و تغییرات اقلیمی، به یکی از چالش های جدی مدیریت منابع آب تبدیل شده است. این افت پیوسته پیامدهایی نظیر کاهش ذخیره مخزن، فرونشست زمین، افت کیفیت آب و تهدید پایداری کشاورزی را در پی دارد. ازاین رو، پیش بینی دقیق سطح آب زیرزمینی به عنوان ابزار مهمی برای برنامه ریزی و سیاست گذاری مبتنی بر مدیریت پایدار ضروری است. هدف این پژوهش ارزیابی و مقایسه عملکرد پنج الگوریتم یادگیری ماشین شامل XGBoost، CatBoost، درخت تصمیم (DT)، ماشین بردار پشتیبان (SVR) و K-نزدیک ترین همسایه (KNN) در پیش بینی سطح آب زیرزمینی دشت شاهرود و بسطام طی دوره ۲۰۰۰ تا ۲۰۱۴ است. داده های ورودی شامل متغیرهای اقلیمی (بارش و دما)، برداشت از چاه ها و قنات ها و آب برگشتی کشاورزی بوده و مدل ها با نسبت ۸۰ درصد آموزش و ۲۰ درصد آزمون، با شاخص های MAE، RMSE و ضریب همبستگی (r) ارزیابی شدند. نتایج نشان داد مدل های تقویتی عملکرد برتری نسبت به مدل های کلاسیک دارند؛ به گونه ای که CatBoost با MAE برابر ۱.۴۰۳ متر و RMSE برابر ۱.۹۴۸ متر کمترین خطا و XGBoost با r برابر ۰.۸۱۸ بیشترین همبستگی را به دست آورد. در مقابل، مدل های DT، SVR و KNN به دلیل محدودیت در شناسایی روابط غیرخطی، دقت پایین تری داشتند. یافته ها نشان می دهد مدل های Boosting می توانند به عنوان ابزار کارآمدی برای پیش بینی تراز آب زیرزمینی و پشتیبانی از تصمیم سازی در کنترل برداشت، ارزیابی اثر تغییر اقلیم و برنامه ریزی مدیریت پایدار آبخوان مورد استفاده قرار گیرند.

کلیدواژه ها:

آبخوان شاهرود ، مدل های Boosting ، مدیریت پایدار منابع آب ، عوامل اقلیمی و هیدرولوژیکی ، نوسانات تراز آب