Journal of Spatial Analysis Environmental Hazards

fa استفاده از الگوریتم‌های یادگیری ماشین برای مدل‌سازی منابع آب زیرزمینی در دشت موسیان استان ایلام Using Machine Learning Algorithms for Modeling Groundwater Resources in Arid Rangeland Western Iran تخصصي Special پژوهشي Research <div style="text-align: justify;">امروزه میزان برداشت از آبهای زیرزمینی بیش از میزان تغذیه آبهای زیرزمینی است که این عامل باعث افت شدید سطح سفره‌های آب زیرزمینی شده است. مراتع و جنگل‌ها بعنوان اصلی‌ترین مکان‌های تغذیه سفره‌های آب زیرزمینی محسوب می‌شوند، درحالی‌که بیشترین برداشت از این منابع در کاربری کشاورزی انجام می‌شود. هدف اصلی از پژوهش حاضر استفاده از الگوریتم‌های یادگیری ماشین شامل رگرسیون جنگل تصادفی و تابع آنتروپی شانون برای مدل‌سازی منابع آب زیرزمینی در مراتع نیمه‌خشک غرب ایران می‌باشد. برای این هدف، ابتدا لایه‌های اطلاعاتی شامل: درجه شیب، جهت شیب، ارتفاع از سطح دریا، فاصله از گسل، شکل شیب، فاصله از آبراهه، فاصله از جاده، بارندگی، لیتولوژی و کاربری اراضی تهیه شد. پس از تعیین وزن پارامترها با استفاده از تابع آنتروپی شانون و سپس تعیین طبقات آن‌ها، در محیط سامانه‌های اطلاعات جغرافیایی، از ترکیب وزن پارامترها و طبقات آن‌ها نقشه نهایی مناطق دارای پتانسیل منابع آب زیرزمینی مدل‌سازی گردید.  بعلاوه، برای اجرای مدل جنگل تصادفی از نرم افزار R 3.5.1 و بسته randomForest استفاده شد. در تحقیق حاضر از اعتبارسنجی ضربدری k-fold برای صحت‌سنجی مدل‌ها استفاده گردید. به منظور ارزیابی کارایی مدل‌های جنگل تصادفی و آنتروپی شانون برای پتانسیل‌یابی منابع آب زیرزمینی، از شاخصهای آماری MAE، RMSE و R2 استفاده شد. نتایج ارزیابی نشان داد که مدل جنگل تصادفی با دقت (RMSE: 3.41, MAE: 2.85 R² = 0.825,) دارای دقت بالاتری نسبت به مدل آنتروپی شانون با دقت (R² = 0.727, RMSE: 4.36, MAE: 3.34) می‌باشد. یافته‌های مدل جنگل تصادفی نشان داد که قسمت زیادی از منطقه مورد مطالعه دارای پتانسیل متوسط (22/26954 هکتار) و مساحت خیلی اندکی (61/205 هکتار) بدون پتانسیل آب زیرزمینی می‌باشد. از طرفی، نتایج مدل آنتروپی شانون نشان داد که قسمت اعظمی از منطقه مورد مطالعه دارای پتانسیل متوسط (05/24633 هکتار) و مساحت خیلی اندکی (12/1502 هکتار) بدون پتانسیل آب زیرزمینی می‌باشد.</div> <div style="text-align: justify;">In recent years, groundwater discharge is more than recharge, resulting in a drop-down in groundwater levels. Rangeland and forest are considered the main recharge areas of groundwater, while the most uses of these resources are done in agricultural areas. The main goal of this research is to use machine learning algorithms including random forest and Shannon's entropy function to model groundwater resources in a semi-arid rangeland in western Iran. Therefore, the layers of slope degree, slope aspect, elevation, distance from the fault, the shape of the slope, distance from the waterway, distance from the road, rainfall, lithology, and land use were prepared. After determining the weight of the parameters using Shannon's entropy function and then determining their classes, the final map of the areas with the potential of groundwater resources was modeled from the combination of the weight of the parameters and their classes. In addition, R 3.5.1 software and the randomForest package were used to run the random forest (RF) model. In this research, k-fold cross-validation was used to validate the models. Moreover, the statistical indices of MAE, RMSE, and R2 were used to evaluate the efficiency of the RF model and Shannon's entropy for finding the potential of underground water resources. The results showed that the RF model with accuracy (RMSE: 3.41, MAE: 2.85, R² = 0.825) has higher accuracy than Shannon's entropy model with accuracy (R² = 0.727, RMSE: 4.36, MAE: 3.34). The findings of the random forest model showed that most of the studied area has medium potential (26954.2 ha) and a very small area (205.61 ha) has no groundwater potential. On the other hand, the results of Shannon's entropy model showed that most of the studied area has medium potential (24633.05 ha) and a very small area (1502.1 ha) has no groundwater potential.</div> پتانسیل آب زیرزمینی, مدل جنگل تصادفی, آنتروپی شانون, دشت موسیان. Groundwater Potential, Random Forest Model, Entropy Shannon, Musian Plain. 163 182 http://jsaeh.khu.ac.ir/browse.php?a_code=A-10-1465-1&slc_lang=fa&sid=1 Nazanin Salimi نازنین سلیمی nazaninsalimi9958@gmail.com 100319475328460011616 100319475328460011616 No Department of Natural Engineering (Pasture and Watershed Management), Faculty of Agriculture, Ilam University, Ilam, Iran. دانشگاه ایلام Marzban Faramarzi مرزبان فرامرزی faramarzi.marzban@gmail.com 100319475328460011617 100319475328460011617 Yes Department of Natural Engineering (Pasture and Watershed Management), Faculty of Agriculture, Ilam University, Ilam, Iran. دانشگاه ایلام Mohsen Tavakoli محسن توکلی mohtavakoli2003@yahoo.com 100319475328460011618 100319475328460011618 No Department of Natural Engineering (Pasture and Watershed Management), Faculty of Agriculture, Ilam University, Ilam, Iran. دانشگاه ایلام Hasan Fathizad حسن فتحی زاد hasan.fathizad@gmail.com 100319475328460011619 100319475328460011619 No Department of Natural Engineering (Pasture and Watershed Management), Faculty of Agriculture, Ilam University, Ilam, Iran. دانشگاه ایلام