پیش‌بینی متغیر‌های کیفی آب زیرزمینی با یادگیری ماشین و مهندسی ویژگی‌های فضایی چاه‌های همجوار | ||
| مدیریت آب و آبیاری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از 15 تیر 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jwim.2026.413821.1301 | ||
| نویسندگان | ||
| حسین هادی‌زاده1؛ نیما مقدم2؛ افشین اشرف‌زاده* 3 | ||
| 1دانشجوی کارشناسی ارشد مهندسی منابع آب، گروه مهندسی آبیاری و آبادانی دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران. | ||
| 2دانشجوی کارشناسی ارشد مهندسی منابع آب، گروه مهندسی آبیاری و آبادانی ، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران | ||
| 3دانشیار گروه مهندسی آبیاری و آبادانی دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران. | ||
| چکیده | ||
| مدل‌سازی دقیق کیفیت آب‌های زیرزمینی مستلزم درک ساختار وابستگی مکانی پارامترهای شیمیایی و بهره‌گیری از روش‌های پیش‌بینی پیشرفته است. در این پژوهش، با هدف پیش‌بینی متغبرهای (EC) و (Ca+²) در گیلان، از شش الگوریتم یادگیری ماشین شامل KNN، MLP، RF، GPR، GBR و XGBoost استفاده شد. برای لحاظ کردن ساختار فضایی، فاصله چاه‌های همجوار به‌عنوان ورودی به مدل‌ها افزوده شد و عملکرد آن‌ها در سناریوهای مختلف تعداد چاه‌های همسایه (4 تا 8 چاه) با استفاده از داده‌های سالانه دوره 2002 تا 2018 ارزیابی گردید.نتایج نشان داد که مدل‌های مبتنی بر یادگیری جمعی عملکرد برتری نسبت به سایر الگوریتم‌ها دارند، اما الگوی بهینه فضایی برای هر متغیر متفاوت است. برای EC، مدل RF در سناریوی استفاده از 8 چاه همسایه بهترین عملکرد را با مقدار R2 برابر با 0.888، RMSE برابر با 117.165 و MAE برابر با 84.173 ارائه داد که نشان‌دهنده وابستگی مکانی گسترده‌تر این متغیر در آبخوان است. در مقابل، برای Ca+2 مدل XGBoost در سناریوی 4 چاه همسایه به عملکرد بهینه با R2 برابر با 0.811 و MAE برابر با 0.820 دست یافت که بیانگر غالب بودن فرآیندهای محلی در توزیع مکانی این یون است.مقایسه نشان داد که افزایش تعداد چاه‌های همسایه الزاماً منجر به بهبود دقت پیش‌بینی برای تمامی پارامترها نمی‌شود و ساختار وابستگی مکانی هر متغیر باید جداگانه تحلیل شود. یافته‌های این مطالعه تأکید می‌کند که تلفیق یادگیری ماشین با مهندسی ویژگی‌های فضایی، چارچوبی مؤثر برای مدل‌سازی هوشمند کیفیت آب‌های زیرزمینی فراهم می‌کند و می‌تواند در بهینه‌سازی شبکه‌های پایش و تصمیم‌گیری مدیریتی مورد استفاده قرار گیرد. | ||
| کلیدواژه‌ها | ||
| پیش‌بینی کیفیت آب زیرزمینی؛ یادگیری ماشین؛ شوری؛ کلسیم | ||
|
آمار تعداد مشاهده مقاله: 223 |
||