ترکیب مدل های عددی و الگوریتم های یادگیری ماشین برای پیش بینی کیفیت آب زیرزمینی: مطالعه ای موردی در دشت بیرجند

زمینه و هدف: برداشت بی رویه از سفره های آب زیرزمینی در مناطق گرم و خشک سبب افت تراز آب و کاهش کیفیت منابع آبی شده و مدیریت پایدار این منابع را با چالش های جدی مواجه کرده است. هدف این پژوهش، مقایسه عملکرد یک مدل عددی توسعه یافته در محیط نرم افزار GMS با استفاده از کدهای MODFLOW و MT۳DMS با مجموعه ای از مدل های یادگیری ماشین شامل شبکه های عصبی، روش های رگرسیونی و الگوریتم های تقویتی در پیش بینی همزمان پارامترهای کیفی آب زیرزمینی است. روش بررسی: در این راستا، داده های کیفی ۱۴ حلقه چاه در دشت بیرجند طی دوره ۱۱ ساله (۱۳۸۷–۱۳۹۸) شامل کل جامدات محلول (TDS)، هدایت الکتریکی (EC) و نسبت جذب سدیم (SAR) مورد استفاده قرار گرفت. پس از پالایش داده ها و حذف داده های پرت با روش IQR، تعداد ۶۴۳ نمونه انتخاب و داده ها با نسبت ۸۰:۲۰ به مجموعه های آموزش و آزمون تقسیم شدند. ارزیابی عملکرد مدل ها با استفاده از شاخص هایR&sup۲;، RMSE،KGE و دیاگرام تیلور انجام شد. یافته ها: نشان داد که شبکه عصبی کاملا متصل عمیق در پیش بینی TDS و EC با مقادیر R&sup۲;≥۰.۹۹۹ و KGE≥۰.۹۸۹ و شبکه عصبی عمیق در پیش بینی SAR با R&sup۲;=۰.۹۹۷ و KGE=۰.۹۹۵ بالاترین دقت را ارائه کردند. مدل های تقویتی نیز عملکرد قابل توجهی داشتند، در حالی که مدل های SVR و MLR ضعیف ترین نتایج را نشان دادند. بحث و نتیجه گیری: نتایج همچنین بیانگر آن است که استفاده از رویکرد ترکیبی و افزودن تراز سطح آب زیرزمینی شبیه سازی شده توسط مدل عددی به عنوان یک ویژگی فیزیکی کلیدی، موجب افزایش حدود ۲۰ درصدی دقت پیش بینی نسبت به مدل عددی خالص می شود. این رویکرد می تواند به عنوان ابزاری کارآمد در مدیریت پایدار منابع آب زیرزمینی در مناطق خشک و نیمه خشک مورد استفاده قرار گیرد.

کلیدواژه ها:

کیفیت آب زیرزمینی ، MODFLOW ، FCDNN ، DNN ، دیاگرام تیلور ، دشت بیرجند.