آبخوان و قنات
با همکاری انجمن هیدرولیک ایران

کاربرد یادگیری ماشین در مدیریت پایدار قنوات: برآورد دبی با الگوریتم جنگل تصادفی و تحلیل حساسیت (SHAP وPermutation Importance) در دشت قاین

نوع مقاله : مقاله پژوهشی

نویسندگان

سپیده زراعتی نیشابوری
محمد فولادی نصرآباد
مهنا جواهری

گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران.

https://doi.org/10.22077/jaaq.2026.10686.1135
چکیده
مناطق خشک و نیمه‌خشک ایران، به‌ویژه دشت قاین در استان خراسان جنوبی، با محدودیت‌های جدی منابع آبی مواجه هستند. قنوات به‌عنوان سیستم‌های سنتی تأمین آب پایدار با قدمت بیش از 3000 سال، نقش حیاتی در کشاورزی و زندگی محلی ایفا می‌کنند، اما برآورد دقیق دبی آن‌ها تحت تأثیر تغییرات اقلیمی و محدودیت‌های داده‌ای دشوار است. بنابراین، این پژوهش با استفاده از الگوریتم جنگل تصادفی، یک روش یادگیری ماشین قدرتمند، به برآورد دبی قنوات دشت قاین بر اساس داده‌های ۱۲ ساله (۱۳۸۶–۱۳۹۷ شمسی) می‌پردازد. متغیرهای ورودی شامل داده‌های تاریخی دبی مشاهده‌شده، دمای متوسط، بارش ماهانه و ارتفاع مکانی هر قنات انتخاب شدند. پس از پیش‌پردازش شامل نرمال‌سازی و پر کردن داده‌های گمشده، داده‌ها به بخش‌های آموزش (۷۰%) و آزمون (۳۰%) تقسیم گردیدند. در ادامه مدل با بهینه‌سازی پارامترها (max_depth=10، max_features=0.5، min_samples_split=5 و n_estimators=500) آموزش داده شد. نتایج با شاخص‌های RMSE=4.27 L/s، NSE=0.54، r=0.76، KGE=0.51 وNRMSE=15.19%، نشان‌دهنده عملکرد شایسته مدل است. تحلیل حساسیت با SHAP و Permutation Importance نیز، ارتفاع را به‌عنوان متغیر کلیدی (میانگین SHAP=2.16) شناسایی نمود، در حالی که بارش تأثیر منفی جزئی (013/0-) نشان داد. این یافته‌ها کارایی مطلوب RF را تأیید کرده و چارچوبی عملی برای مدیریت منابع آب در مناطق خشک ارائه می‌دهد.

کلیدواژه‌ها

پیش‌بینی دبی قنوات
داده‌های اقلیمی
تغییرات مکانی-زمانی
ارزیابی حساسیت
موضوعات

عنوان مقاله English

Application of Machine Learning in Sustainable Qanat Management: Qanat Discharge Estimation Using the Random Forest Algorithm and Sensitivity Analysis (SHAP and Permutation Importance) in Qaen Plain

نویسندگان English

Sepide Zeraati Neyshabouri
Mohamad Fouladi Nasrabad
mahna javaheri
Department of Water Engineering, Faculty of Agriculture, University of Birjand, Birjand, Iran.
چکیده English

Arid and semi-arid regions of Iran, particularly the Qaen Plain in South Khorasan Province, face severe water resource limitations. Qanats, as traditional sustainable water supply systems with over 3,000 years of history, play a vital role in local agriculture and livelihoods. However, accurately estimating their discharge is challenging due to climate change impacts and data limitations. This study employs the Random Forest (RF) algorithm—a powerful machine learning method—to estimate qanat discharges in the Qaen Plain using 12 years of data (2007–2018 CE). Input variables included historical observed discharges, mean temperature, monthly precipitation, and elevation of each qanat. After preprocessing (normalization and missing data imputation), the dataset was split into training (70%) and testing (30%) sets. The model was trained with optimized hyperparameters (max_depth=10, max_features=0.5, min_samples_split=5, n_estimators=500). Results showed strong performance: RMSE = 4.27 L/s, NSE = 0.54, r = 0.76, KGE = 0.51, and NRMSE = 15.19%. Sensitivity analysis using SHAP and Permutation Importance identified elevation as the key variable (mean |SHAP| = 2.16), while precipitation exhibited a slight negative influence (SHAP = -0.013). These findings validate RF's efficacy and provide a practical framework for water resource management in arid regions.

کلیدواژه‌ها English

Qanat discharge prediction
Climatic data
Spatiotemporal variations
Sensitivity analysis
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324
Dastourani, M., Mamirabadizadeh, M., & Mohammadie, K. (2025). The Impact Assessment of Changes in Agricultural Cropping Patterns on the Quantitative Status of Groundwater Resources in the Qaen Plain Aquifer Using the MODFLOW Model. Iranian Journal of Irrigation & Drainage, 19(4), 537-554. [In Persian]
Farzaneh, M. and Banimostafaarab, F. (2025). Qanat and climate resilience Investigating the climate legislations in developing countries from disaster risk management perspective. Journal of Aquifer and Qanat, 6(1), 67-86. https://doi.org/10.22077/jaaq.2025.8869.1097. [In Persian]
Foruzanmehr, M. and Khozeymehnezhad, H. (2023). Investigation of spatial and temporal changes of qualitative parameters of Qaen plain aquifer using interpolation methods. Journal of Aquifer and Qanat, 4(1), 1-15. https://doi.org/10.22077/jaaq.2023.5130.1045. [In Persian]
Hejazi, A., & Marzbani, M. (2015). Estimation of maximum runoff height and discharge using curve number method case study: Sarab Darehshahr Watershed. Hydro Geomorphol, 2(5), 63-81.
Kratzert, F., Klotz, D., Shalev, G., Klambauer, G., Hochreiter, S., & Nearing, G. (2019). Towards learning universal, regional, and local hydrological behaviors via machine learning applied to large-sample datasets. Hydrology and Earth System Sciences, 23(12), 5089-5110. https://doi.org/10.5194/hess-23-5089-2019
Maghrebi, M., Noori, R., Sadegh, M., Sarvarzadeh, F., Akbarzadeh, A. E., Karandish, F.,... & Taherpour, H. (2023). Anthropogenic decline of ancient, sustainable water systems: qanats. Groundwater, 61(1), 139-146. https://doi.org/10.1111/gwat.13248
Norouzi Qoshblagh, H., & Naderi, A. (2018). Prediction of groundwater level in the Bukan plain using fuzzy logic, random forest, and neural network models. Journal of Range and Watershed Management, 71(3), 829-845. https://doi.org/10.22059/jrwm.2018.68924. [In Persian]
Prieto, C., Le Vine, N., Kavetski, D., García, E., & Medina, R. (2019). Flow prediction in ungauged catchments using probabilistic random forests regionalization and new statistical adequacy tests. Water Resources Research, 55(5), 4364-4392. https://doi.org/10.1029/2018WR023254
Ramezani Feriz, A. H. and Ramezani, Y. (2025). Evaluation of the accuracy of artificial intelligence models in predicting qanat discharge in arid and semi-arid regions (Case study: Qaen Plain). Journal of Aquifer and Qanat, (), . https://doi.org/ 10.22077/jaaq.2025.10072.1124. [In Persian]
Rezaeian-Zadeh, M., Tabari, H., & Abghari, H. (2013). Prediction of monthly discharge volume by different artificial neural network algorithms in semi-arid regions. Arabian Journal of Geosciences, 6(7), 2529-2537. https://doi.org/10.1007/s12517-011-0517-y
Samani, S., Vadiati, M., Kisi, O., Ghasemi, L., & Farajzadeh, R. (2024). Qanat discharge prediction using a comparative analysis of machine learning methods. Earth Science Informatics, 17(5), 4597-4618. https://doi.org/10.1007/s12145-024-01409-0
Sedghi, M. M., & Zhan, H. (2024). Discharge variations of the qanat near an ephemeral stream. Journal of Hydrology, 637, 131367. https://doi.org/10.1016/j.jhydrol.2024.131367
Tang, T., Liang, Z., Hu, Y., Li, B., & Wang, J. (2020). Research on flood forecasting based on flood hydrograph generalization and random forest in the Qiushui River basin, China. Journal of Hydroinformatics, 22(6), 1588-1602. https://doi.org/10.2166/hydro.2020.147
UNESCO World Heritage Centre. (2016). Persian Qanat. Retrieved from https://whc.unesco.org/en/list/1506
آبخوان و قنات
دوره 7، شماره 1
شهریور 1405
صفحه 25-40

XML
اصل مقاله 1.53 M
فایل‌های تکمیلی/اضافی
2.pdf

صفحه اصلی

راهنمای نویسندگان

ارسال مقاله

داوران

تماس با ما