نوع مقاله : مقاله پژوهشی

نویسندگان

• سپیده زراعتی نیشابوری ¹
• محمد فولادی نصرآباد ²
• مهنا جواهری ³

¹ گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، ایران

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

³ دانشجوی کارشناسی ارشد، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند.

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 Importanceنیز، ارتفاع را به‌عنوان متغیر کلیدی (میانگینSHAP=2.16 ) شناسایی نمود، در حالی که بارش تأثیر منفی جزئی (013/0-) نشان داد. این یافته‌ها کارایی مطلوبRF 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

• آبخوان وقنات

عنوان مقاله [English]

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

نویسندگان [English]

• Sepide Zeraati Neyshabouri ¹
• Mohamad Fouladi Nasrabad ²
• mahna javaheri ³

¹ Department of Water science and Engineering, University of Birjand, Iran

² Department of Water Science and Engineering, Birjand University, Birjand, Iran

³ MSc Student, Department of Water Engineering, Faculty of Agriculture, University of Birjand.

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
• climate data
• spatio-temporal variations
• sensitivity analysis