مدل ترکیبی یادگیری ماشین–فرآیند تحلیل سلسله مراتبی برای بهبود دقت در پهنه بندی تغذیه آب زیرزمینی در آبخوان نیشابور، شمال شرق ایران

افت سطح آب زیرزمینی در مناطق نیمه خشک، امنیت بلندمدت منابع آب و پایداری کشاورزی را تهدید می کند. در این مطالعه، دو مدل ترکیبی مبتنی بر یادگیری ماشین و فرآیند تحلیل سلسله مراتبی (ML–AHP) شامل مدل ترکیبی جنگل تصادفی–فرآیند تحلیل سلسله مراتبی (RF–AHP) و مدل ترکیبی برنامه ریزی بیان ژن–فرآیند تحلیل سلسله مراتبی (GEP–AHP) به منظور تهیه نقشه پتانسیل تغذیه آب زیرزمینی در آبخوان نیشابور در شمال شرق ایران به کار گرفته شدند. داده های سطح آب زیرزمینی حاصل از ۳۸ پیزومتر طی دوره ۲۰۰۰ تا ۲۰۱۸ برای آموزش و آزمون هر دو مدل (GEP و RF) مورد استفاده قرار گرفتند و مقادیر اهمیت متغیرهای مستقل ابتدا با استفاده از الگوریتم های یادگیری ماشین استخراج و سپس به منظور کاهش وابستگی به قضاوت کارشناسی، در تشکیل ماتریس مقایسه زوجی فرآیند تحلیل سلسله مراتبی (AHP) به کار گرفته شدند. نتایج نشان داد که مدل GEP در پیش بینی زمانی سطح آب زیرزمینی از قابلیت بهتری برخوردار بود و مقدار NSE آن در دوره آزمون برابر با ۴۰۷/۰ به دست آمد، در حالی که مقدار NSE مدل RF در دوره آزمون برابر با ۱۹۳/۰ بود، از طرف دیگر مدل RF–AHP در پهنه بندی مکانی تغذیه آب زیرزمینی عملکرد بهتری داشت و مقدار AUC برابر ۷۹۷/۰ را به دست آورد، در حالی که این مقدار برای GEP–AHP برابر ۶۲۹/۰ به دست امد. شاخص رطوبت توپوگرافی (TWI) و NDVI فصل مرطوب به عنوان مهم ترین عوامل کنترل کننده تغذیه در هر دو مدل شناسایی شدند. میزان تغذیه سالانه برآوردشده برای RF–AHP برابر با ۱۰۶ × ۲/۸۸ مترمکعب (۶/۱۵ درصد بارش سالانه) و برای GEP–AHP برابر با ۱۰۶ × ۷۴ مترمکعب (۱/۱۳ درصد بارش سالانه) برآورد شد.

کلیدواژه ها:

یادگیری ماشین ، فرآیند تحلیل سلسله مراتبی ، پهنه بندی تغذیه آب زیرزمینی ، آبخوان نیشابور