نوع مقاله : مقاله پژوهشی
نویسندگان
1 مدیر گروه فنی و مهندسی جهاد دانشگاهی خراسان جنوبی دستیار آموزشی دانشگاه آزاد اسلامی خراسان رضوی گناباد
2 استاد ، گروه مهندسی محیط زیست، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران.
3 گروه منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
4 علیرضا جهانگیر استادیار گروه علوم و مهندسی آب، دانشگاه پیام نور، تهران، ایران
چکیده
با توجه به اهمیت تعیین حجم ذخایر منابع آب زیرزمینی برای مدیریت پایدار آب در مناطق خشک و نیمهخشک، این مطالعه به بررسی رویکردهای پیشبینی و شبیهسازی تراز آب زیرزمینی با مدلهای یادگیری ماشین (LSTM، Random Forest و مدل ترکیبی Stacking Ensemble) در مقایسه با مدل عددی MODFLOW در 17 چاه مشاهدهای دشت بیرجند پرداخت. دادههای سری زمانی از مارس 2008 تا جولای 2025 (204 نمونه) با معیارهای آماری تحلیل شدند. پیشپردازش دادهها شامل نرمالسازی و فیلتر صافسازی برای حذف نویز بود. تحلیل حساسیت با روشهای SHAP و مونتکارلو چاههای کلیدی را شناسایی کرد. مدل Stacking Ensemble، با تلفیق خروجیهای کالیبرهشده MODFLOW و پیشبینیهای مدلهای یادگیری ماشین، در چاه 1 بالاترین دقت را با R²=0.9783، RMSE=0.0322 متر و MAPE=0.0017% نشان داد، در حالی که MODFLOW با R²=0.968 و RMSE=3.17 متر در چاههای 5، 10 و 15 خطای بیشتری داشت. نمودارهای تیلور برتری مدل استکینگ را با ضریب همبستگی 0.9783 و انحراف معیار نرمالشده 0.812 نسبت به LSTM (ضریب همبستگی 0.9765، انحراف معیار 0.845) و Random Forest (ضریب همبستگی 0.9398، انحراف معیار 1.344) تأیید کردند. این رویکرد ترکیبی نیاز به دادههای ورودی گسترده را کاهش میدهد، دقت پیشبینی را در آبخوانهای ناهمگن با افت سالانه 40-60 سانتیمتر بهبود میبخشد، و ابزاری کارآمد برای مدیریت پایدار منابع آب در دشت بیرجند و مناطق مشابه با شرایط هیدرولوژیکی پیچیده فراهم میکند.
کلیدواژهها
موضوعات
عنوان مقاله [English]
Comparison of numerical models and machine learning algorithms with groundwater level prediction approach: A case study in Birjand plainComparison of numerical models and machine learning algorithms with groundwater level prediction approach: A case
نویسندگان [English]
- mehran malekinia 1
- Amir Hossein Javid 2
- Seyedeh Hoda Rahmati 3
- alireza jahangir 4
1 Department of Natural Resources and Environment, SR.C., Islamic Azad University, Tehran, Iran
2 Department of Natural Resources and Environment, SR.C., Islamic Azad University, Tehran, Iran
3 Department of Natural Resources and Environment, SR.C., Islamic Azad University, Tehran, Iran
4 Assistant professor, Department of Water Science and Engineering, Payame Noor University, Tehran, Iran
چکیده [English]
با توجه به اهمیت تعیین حجم ذخایر منابع آب زیرزمینی برای مدیریت پایدار آب در مناطق خشک و نیمهخشک، این مطالعه به بررسی رویکردهای پیشبینی و شبیهسازی تراز آب زیرزمینی با مدلهای یادگیری ماشین (LSTM، Random Forest و مدل ترکیبی Stacking Ensemble) در مقایسه با مدل عددی MODFLOW در 17 چاه مشاهدهای دشت بیرجند پرداخت. دادههای سری زمانی از مارس 2008 تا جولای 2025 (204 نمونه) با معیارهای آماری تحلیل شدند. پیشپردازش دادهها شامل نرمالسازی و فیلتر صافسازی برای حذف نویز بود. تحلیل حساسیت با روشهای SHAP و مونتکارلو چاههای کلیدی را شناسایی کرد. مدل Stacking Ensemble، با تلفیق خروجیهای کالیبرهشده MODFLOW و پیشبینیهای مدلهای یادگیری ماشین، در چاه 1 بالاترین دقت را با R²=0.9783، RMSE=0.0322 متر و MAPE=0.0017% نشان داد، در حالی که MODFLOW با R²=0.968 و RMSE=3.17 متر در چاههای 5، 10 و 15 خطای بیشتری داشت. نمودارهای تیلور برتری مدل استکینگ را با ضریب همبستگی 0.9783 و انحراف معیار نرمالشده 0.812 نسبت به LSTM (ضریب همبستگی 0.9765، انحراف معیار 0.845) و Random Forest (ضریب همبستگی 0.9398، انحراف معیار 1.344) تأیید کردند. این رویکرد ترکیبی نیاز به دادههای ورودی گسترده را کاهش میدهد، دقت پیشبینی را در آبخوانهای ناهمگن با افت سالانه 40-60 سانتیمتر بهبود میبخشد، و ابزاری کارآمد برای مدیریت پایدار منابع آب در دشت بیرجند و مناطق مشابه با شرایط هیدرولوژیکی پیچیده فراهم میکند.
کلیدواژهها [English]
- Keywords: Machine learning
- Ensemble hybrid model
- LSTM neural network
- time series
- Birjand plain
)