تعیین پتانسیل آب زیرزمینی با استفاده مدل های یادگیری ماشین جمعی در بستر GIS (مطالعه موردی: دشت بیرجند)

پیش بینی پتانسیل آب های زیرزمینی جهت توسعه و برنامه ریزی سیستماتیک منابع آب بسیار بااهمیت است. هدف اصلی این مطالعه، توسعه مدل های یادگیری ماشین جمعی شامل جنگل تصادفی (RF)‏، رگرسیون منطقی‏ (LR) ‏و بیز ساده ‏(NB) توسط الگوریتم طبقه بندی کننده زیرفضای تصادفی ‏(RS)، جهت پیش بینی مناطق بالقوه آب زیرزمینی ‏‏در دشت بیرجند می باشد. لذا جهت پیاده سازی، داده های ژیوهیدرولوژیکی 37 حلقه چاه آب زیرزمینی (تعداد چاه ها، موقعیت مکانی چاه ها و تراز آب زیرزمینی یا سطح ایستابی) و 17 معیار هیدرولوژی، توپوگرافی، زمین شناسی و محیطی مورداستفاده قرار گرفت. روش انتخاب ویژگی کمترین مربعات ماشین بردار پشتیبان ‏(LSSVM) جهت تعیین معیارهای موثر به منظور افزایش عملکرد الگوریتم های یادگیری ماشین استفاده شد. در نهایت نقشه های پیش بینی پتانسیل آب زیرزمینی با استفاده از مدل های RF-RS، LR-RS و NB-RS تهیه شدند. عملکرد این مدل ها با استفاده از سطح زیر منحنی (AUC) و سایر شاخص های آماری مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل ترکیبی RF-RS (‏867/0 =AUC)‏‏ قابلیت پیش بینی بسیار بالایی برای پتانسیل آب زیرزمینی در منطقه موردمطالعه دارد. هم چنین مشخص شد که معیار ارتفاع بیشترین اهمیت را در پیش بینی پتانسیل آب زیرزمینی در منطقه موردمطالعه دارد. نتایج مطالعه حاضر می تواند جهت اتخاذ تصمیمات و برنامه ریزی مناسب در استفاده بهینه از منابع آب زیرزمینی مفید باشد.