Document Type : Original Article

Authors

• Mehran Malekinia ¹
• Amir Hossein Javid ²
• Seyedeh Hoda Rahmati ³
• Alireza Jahangir ⁴

¹ Ph.D. Student, Department of Environmental Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.

² professor. Department of Natural Resources and Environment, SR.C., Islamic Azad University, Tehran, Iran

³ Assistant professor. 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.

Abstract

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.

Keywords

• Keywords: Machine learning
• Ensemble hybrid model
• LSTM neural network
• time series
• Birjand plain

Main Subjects

• ًQanat and aquifer