نوع مقاله : مقاله پژوهشی

نویسندگان

• امیرحسین رمضانی فریز ¹
• یوسف رمضانی ²

¹ دانشجوی کارشناسی ارشد، گروه علوم و مهندسی آب، دانشگاه بیرجند، بیرجند، ایران.

² دانشیار، گروه علوم و مهندسی آب، دانشگاه بیرجند، بیرجند، ایران.

چکیده

در مناطق خشک و نیمه‌خشک، قنات‌ها به‌عنوان منابع حیاتی آب زیرزمینی شناخته می‌شوند و پیش‌بینی دبی آن‌ها برای مدیریت بهینه منابع آبی اهمیت ویژه‌ای دارد. در این راستا، استفاده از مدل‌های یادگیری ماشین می‌تواند ابزار مؤثری برای شبیه‌سازی و پیش‌بینی دبی قنات‌ها باشد. این تحقیق به ارزیابی و مقایسه عملکرد سه مدل یادگیری ماشین، شامل جنگل تصادفی، رگرسیون فرآیند گاوسی و K-Star در پیش‌بینی دبی قنات در مناطق خشک و نیمه‌خشک پرداخته است. هدف اصلی، ارزیابی دقت این مدل‌ها در شبیه‌سازی رفتار دبی قنات و توانایی آن‌ها در پیش‌بینی منابع آبی در شرایط اقلیمی و جغرافیایی مختلف بود.. برای آموزش مدل‌ها، 80 درصد از داده‌ها و برای آزمایش 20 درصد در نظر گرفته شد. مدل‌ها با استفاده از شاخص‌های آماری رایج شامل R²، NSE، RMSE و KGE ارزیابی شدند. نتایج نشان داد که مدل جنگل تصادفی بهترین عملکرد را داشت و توانست 94 درصد از واریانس داده‌ها را در فاز آموزش و 96 درصد در فاز آزمایش توضیح دهد. این مدل همچنین موفق به کسب94/0 NSE = ،(l/s) 5/1 RMSE =و88/0 KGE = در فاز آموزش و94/0 NSE = ،(l/s) 1/1RMSE = و85/0 KGE = در فاز آزمایش شد. در مقابل، مدل رگرسیون فرآیند گاوسی عملکرد ضعیفی داشت و مقادیر01/0 R² = و 0.14 در فازهای آموزش و آزمایش به‌دست آمد. این تحقیق نشان می‌دهد که مدل جنگل تصادفی به‌دلیل توانایی بالا در پردازش داده‌های پیچیده و شبیه‌سازی روابط غیرخطی، مدل پیش‌بینی مؤثرتری برای دبی قنات و منابع آبی در مناطق خشک و نیمه‌خشک است.

کلیدواژه‌ها

• تغییر اقلیم
• قنات
• منابع آب زیرزمینی
• مناطق خشک و نیمه خشک
• یادگیری ماشین

موضوعات

• آبخوان وقنات

عنوان مقاله [English]

Evaluation of the accuracy of artificial intelligence models in predicting qanat discharge in arid and semi-arid regions (Case study: Qaen Plain)

نویسندگان [English]

• A. H. Ramezani Feriz ¹
• Yousef Ramezani ²

¹ M.Sc. Student, Department of Water Engineering, University of Birjand, Birjand, Iran.

² Associate Professor, Department of Water Engineering, University of Birjand, Birjand, Iran.

چکیده [English]

In arid and semi-arid regions, qanats are essential sources of groundwater, and predicting their discharge is crucial for effective water resource management. Machine learning models can be an efficient tool for simulating and forecasting qanat discharge. This study evaluates and compares the performance of three machine learning models—Random Forest, Gaussian Process Regression, and K-Star—in predicting qanat discharge in these regions. The primary aim was to assess the accuracy of these models in simulating qanat discharge behavior and predicting water resources under various climatic and geographical conditions. The data were collected from an arid region in South Khorasan Province. For model training, 80% of the data were used, and 20% were allocated for testing. The models were evaluated using standard statistical metrics, including R², NSE, RMSE, and KGE. The results showed that the Random Forest model had the best performance, explaining 94% of the data variance in the training phase and 96% in the testing phase. This model achieved NSE = 0.94, RMSE = 1.5 (l/s), and KGE = 0.88 in training, and NSE = 0.94, RMSE = 1.1 (l/s), and KGE = 0.85 in testing. In contrast, the Gaussian Process Regression model performed poorly, with R² = 0.01 and 0.14. This study demonstrates that Random Forest, due to its ability to process complex data and simulate nonlinear relationships, is a more effective predictive model for qanat discharge in arid regions.

کلیدواژه‌ها [English]

• Climate change
• Groundwater resources
• Machine learning
• Qanat
• Semi-arid and arid regions