کاربرد الگوریتمهای یادگیری ماشین در پیشبینی تراز آب زیرزمینی در آبخوان اردبیل | ||
| تحقیقات آب و خاک ایران | ||
| دوره 56، شماره 4، تیر 1404، صفحه 1041-1057 اصل مقاله (2.2 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2025.387848.669863 | ||
| نویسندگان | ||
| سید مهدی حسینی1؛ مرتضی خوش سیمای چنار* 2 | ||
| 1گروه مهندسی آبیاری و آبادانی، دانشکده کشاورزی، دانشگاه تهران، تهران، ایران | ||
| 2آبیاری و آبادانی، دانشکده کشاورزی، دانشگاه تهران، کرج، ایران | ||
| چکیده | ||
| پیشبینی دقیق تراز آب زیرزمینی در مدیریت منابع آبی، بهویژه در مناطق خشک، از اهمیت بالایی برخوردار است. این پژوهش باهدف جایگزینی روشهای یادگیری ماشین بهجای مدلهای سنتی، دو الگوریتم ماشین بردار پشتیبان و جنگل تصادفی را برای پیشبینی تراز آب زیرزمینی بررسی کرده است. مدلسازی با استفاده از دادههای ۲۰ ساله بارش، دمای هوا، تبخیر، برداشت از آبخوان و تراز آب زیرزمینی بهعنوان متغیرهای ورودی انجام شد. پس از بررسی نرمالیته و همبستگی دادهها، 70 درصد دادهها بهعنوان آموزش و 30 درصد بهعنوان تست استفاده شدند. نتایج ارزیابی معیارهای R²، RMSE، MAE و MSE نشان داد که الگوریتم ماشین بردار پشتیبان در مرحله آموزش بهترتیب دارای مقادیر 57/0، 05/1، 61/0 و 11/1 و در مرحله آزمایش مقادیر 74/0، 84/0، 61/0 و 71/0 است. الگوریتم جنگل تصادفی با استفاده از تمامی ویژگیها (ورودیها) بهترتیب مقادیر 85/0، 61/0، 44/0 و 37/0 در مرحله آموزش و 71/0، 93/0، 66/0 و 86/0 در مرحله آزمایش را ارائه داد و بهدلیل دقت بالا و مقاومت در برابر همخطی، عملکرد بهتری نشان داد. همچنین با استفاده از روش اهمیت ویژگی جایگشت، تعداد متغیرهای ورودی الگوریتم جنگل تصادفی از شش به یک کاهش یافت و نتایج آن بدون کاهش محسوس دقت مدل شامل مقادیر 83/0، 66/0، 45/0 و 43/0 در مرحله آموزش و 71/0، 93/0، 66/0 و 86/0 در مرحله آزمایش بود. یافتههای پژوهش نشان میدهند که مدلهای یادگیری ماشین، بهویژه الگوریتم جنگل تصادفی، میتوانند جایگزین مناسبی برای روشهای سنتی در پیشبینی تراز آب زیرزمینی و مدیریت پایدار منابع آبی باشند. | ||
| کلیدواژهها | ||
| جنگل تصادفی؛ شاخص تورم واریانس؛ ماشین بردار پیشتیبان؛ مدیریت آب | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 904 تعداد دریافت فایل اصل مقاله: 514 |
||