پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شمارهها | 345 |
| تعداد مقالات | 3,634 |
| تعداد مشاهده مقاله | 4,704,736 |
| تعداد دریافت فایل اصل مقاله | 3,141,114 |
مقایسه عملکرد الگوریتمهای یادگیری ماشین در مدلسازی و پیشبینی سطح آب زیرزمینی: مطالعه موردی دشت شاهرود | ||
| آبخوان و قنات | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 16 آذر 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22077/jaaq.2025.10441.1132 | ||
| نویسندگان | ||
| سینا خوشنویسان1؛ صمد امامقلی زاده* 1؛ محمدرضا اصلی چرندابی2؛ سیده فاطمه خاکزاد3 | ||
| 1گروه مهندسی آب و محیط زیست، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران | ||
| 2گروه مهندسی منابع آب و محیط زیست، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران | ||
| 3گروه مهندسی آب و محیط زیست، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران. | ||
| چکیده | ||
| کاهش مداوم سطح آب زیرزمینی در مناطق خشک و نیمهخشک، از جمله دشت شاهرود و بسطام، بهواسطه برداشت بیرویه، توسعه کشاورزی و صنعتی و تغییرات اقلیمی، به یکی از چالشهای جدی مدیریت منابع آب تبدیل شده است. این افت پیوسته پیامدهایی نظیر کاهش ذخیره مخزن، فرونشست زمین، افت کیفیت آب و تهدید پایداری کشاورزی را در پی دارد. ازاینرو، پیشبینی دقیق سطح آب زیرزمینی بهعنوان ابزار مهمی برای برنامهریزی و سیاستگذاری مبتنی بر مدیریت پایدار ضروری است. هدف این پژوهش ارزیابی و مقایسه عملکرد پنج الگوریتم یادگیری ماشین شامل XGBoost، CatBoost، درخت تصمیم (DT)، ماشین بردار پشتیبان (SVR) و K-نزدیکترین همسایه (KNN) در پیشبینی سطح آب زیرزمینی دشت شاهرود و بسطام طی دوره 2000 تا 2014 است. دادههای ورودی شامل متغیرهای اقلیمی (بارش و دما)، برداشت از چاهها و قناتها و آب برگشتی کشاورزی بوده و مدلها با نسبت 80 درصد آموزش و 20 درصد آزمون، با شاخصهای MAE، RMSE و ضریب همبستگی (r) ارزیابی شدند. نتایج نشان داد مدلهای تقویتی عملکرد برتری نسبت به مدلهای کلاسیک دارند؛ بهگونهای که CatBoost با MAE برابر 1.403 متر و RMSE برابر 1.948 متر کمترین خطا و XGBoost با r برابر 0.818 بیشترین همبستگی را به دست آورد. در مقابل، مدلهای DT، SVR و KNN به دلیل محدودیت در شناسایی روابط غیرخطی، دقت پایینتری داشتند. یافتهها نشان میدهد مدلهای Boosting میتوانند بهعنوان ابزار کارآمدی برای پیشبینی تراز آب زیرزمینی و پشتیبانی از تصمیمسازی در کنترل برداشت، ارزیابی اثر تغییر اقلیم و برنامهریزی مدیریت پایدار آبخوان مورد استفاده قرار گیرند. | ||
| کلیدواژهها | ||
| آبخوان شاهرود؛ مدلهای Boosting؛ مدیریت پایدار منابع آب؛ عوامل اقلیمی و هیدرولوژیکی؛ نوسانات تراز آب | ||
|
آمار تعداد مشاهده مقاله: 11 |
||
نماد الکترونیک
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب