نوع مقاله : مقاله پژوهشی

نویسندگان

• سینا خوشنویسان ¹
• صمد امامقلی زاده ¹
• محمدرضا اصلی چرندابی ²
• سیده فاطمه خاکزاد ³

¹ گروه مهندسی آب و محیط زیست، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران

² گروه مهندسی منابع آب و محیط زیست، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران

³ گروه 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

موضوعات

• آبخوان وقنات

عنوان مقاله [English]

Comparative Evaluation of Machine Learning Algorithms for Groundwater Level Modeling and Prediction: A Case Study of the Shahrood Plain

نویسندگان [English]

• Sina Khoshnevisan ¹
• Samad Emamgholizadeh ¹
• Mohammadreza Asli Charandabi ²
• Seyedeh Fatemeh Khakzad ³

¹ Department of Water Resources and Environmental Engineering, Faculty of Civil Engineering, Shahrood University of Technology, Shahrood, Iran

² Department of Water Resources and Environmental Engineering, Faculty of Civil Engineering, Shahrood University of Technology, Shahrood, Iran

³ Department of Water Resources and Environmental Engineering, Faculty of Civil Engineering, Shahrood University of Technology, Shahrood, Iran.

چکیده [English]

The continuous decline of groundwater levels in arid and semi-arid regions such as the Shahrood and Bastam plains driven by excessive extraction, agricultural and industrial expansion, and climate variability, has become one of the major challenges in water resources management. This persistent decline leads to consequences such as reduced aquifer storage, land subsidence, deterioration of water quality, and threats to agricultural sustainability. Therefore, accurate prediction of groundwater levels is essential for sustainable management, planning, and policy-making. This research aims to evaluate and compare the performance of five machine learning algorithms, including XGBoost, CatBoost, Decision Tree, Support Vector Regression, and K-Nearest Neighbors for predicting groundwater levels in the Shahrood and Bastam aquifer during the period 2000–2014. The input dataset consisted of climatic variables. groundwater extraction from wells and qanats, and agricultural return flow. The models were trained using 80 percent of the data and tested on the remaining 20 percent, and their performance was assessed using MAE, RMSE, and correlation coefficient (r). The results showed that gradient boosting models outperformed the classical algorithms; CatBoost achieved the lowest error with an MAE of 1.403 m and an RMSE of 1.948 m, while XGBoost produced the highest correlation (r = 0.818). In contrast, the DT, SVR, and KNN models exhibited lower accuracy due to their limited capability in capturing nonlinear relationships. Overall, the findings suggest that boosting algorithms can serve as powerful tools for groundwater level prediction and can support decision-making related to extraction control, climate impact assessment, and sustainable aquifer management.

کلیدواژه‌ها [English]

• Shahrood Aquifer
• Boosting Models
• Sustainable Water Resources Management
• Climatic and Hydrological Factors
• Groundwater Level Fluctuations