کاربرد یادگیری ماشین در مدیریت پایدار قنوات: برآورد دبی با الگوریتم جنگل تصادفی و تحلیل حساسیت (SHAP وPermutation Importance) در دشت قاین

مناطق خشک و نیمه خشک ایران، به ویژه دشت قاین در استان خراسان جنوبی، با محدودیت های جدی منابع آبی مواجه هستند. قنوات به عنوان سیستم های سنتی تامین آب پایدار با قدمت بیش از ۳۰۰۰ سال، نقش حیاتی در کشاورزی و زندگی محلی ایفا می کنند، اما برآورد دقیق دبی آن ها تحت تاثیر تغییرات اقلیمی و محدودیت های داده ای دشوار است. بنابراین، این پژوهش با استفاده از الگوریتم جنگل تصادفی، یک روش یادگیری ماشین قدرتمند، به برآورد دبی قنوات دشت قاین بر اساس داده های ۱۲ ساله (۱۳۸۶–۱۳۹۷ شمسی) می پردازد. متغیرهای ورودی شامل داده های تاریخی دبی مشاهده شده، دمای متوسط، بارش ماهانه و ارتفاع مکانی هر قنات انتخاب شدند. پس از پیش پردازش شامل نرمال سازی و پر کردن داده های گمشده، داده ها به بخش های آموزش (۷۰%) و آزمون (۳۰%) تقسیم گردیدند. در ادامه مدل با بهینه سازی پارامترها (max_depth=۱۰، max_features=۰.۵، min_samples_split=۵ و n_estimators=۵۰۰) آموزش داده شد. نتایج با شاخص های RMSE=۴.۲۷ L/s، NSE=۰.۵۴، r=۰.۷۶، KGE=۰.۵۱ وNRMSE=۱۵.۱۹%، نشان دهنده عملکرد شایسته مدل است. تحلیل حساسیت با SHAP و Permutation Importance نیز، ارتفاع را به عنوان متغیر کلیدی (میانگین SHAP=۲.۱۶) شناسایی نمود، در حالی که بارش تاثیر منفی جزئی (۰۱۳/۰-) نشان داد. این یافته ها کارایی مطلوب RF را تایید کرده و چارچوبی عملی برای مدیریت منابع آب در مناطق خشک ارائه می دهد.

کلیدواژه ها:

پیش بینی دبی قنوات ، داده های اقلیمی ، تغییرات مکانی-زمانی ، ارزیابی حساسیت