چاپ مقاله علمی عضو هیئت علمی مرکز در زمینه مدل‌سازی خشکسالی منابع آب زیرزمینی با بهره‌گیری از الگوریتم‌های هوش مصنوعی

          به گزارش روابط عمومی مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان سمنان، مقاله علمی پژوهشی ابراهیم یوسفی مبرهن، رئیس بخش تحقیقات حفاظت خاک و آبخیزداری و عضو هیأت علمی مرکز سمنان، با همکاری علی خالقی، دانشجوی دکتری رشته مدیریت و کنترل بیابان دانشگاه سمنان، در مجله علمی معتبر Iranian Journal of Rainwater Catchment Systems منتشر شد.

این پژوهش با عنوان «مدل‌سازی و ارزیابی عملکرد شاخص خشکسالی منابع آب زیرزمینی با استفاده از الگوریتم‌های XGBoost و SVM در دشت قروه–دهگلان استان کردستان» با هدف بررسی و پیش‌بینی وضعیت خشکسالی در منابع آب زیرزمینی بزرگ‌ترین دشت کشاورزی استان کردستان انجام شده است.

در این تحقیق، پژوهشگران با بهره‌گیری از شاخص GRI (Groundwater Resources Index) و داده‌های ۲۰ ساله (۱۳۷۹ تا ۱۳۹۹) به تحلیل روند تغییرات سطح آب زیرزمینی و شدت خشکسالی‌های هیدروژئولوژیکی در منطقه پرداخته‌اند. نتایج نشان داده است که شاخص GRI طی دو دهه اخیر روندی کاهشی داشته و در سال ۱۳۹۷، منطقه با خشکسالی شدید منابع آب زیرزمینی مواجه شده است.

      به منظور ارتقای دقت پیش‌بینی‌ها، در این مطالعه از دو الگوریتم پیشرفته یادگیری ماشین شامل XGBoost (Extreme Gradient Boosting)  و SVM (Support Vector Machine) استفاده شده است. این الگوریتم‌ها پس از آموزش با داده‌های میدانی، عملکرد بسیار مناسبی در پیش‌بینی شاخص خشکسالی منابع آب از خود نشان دادند.

نتایج مدل‌سازی‌ها نشان داد که الگوریتم XGBoost با ضریب همبستگی 0.93 و ریشه میانگین مربعات خطا RMSE  برابر 0.071 دقیق‌ترین پیش‌بینی‌ها را ارائه داده است. همچنین مدل SVM  با ضریب همبستگی 0.87 و خطای RMSE  برابر 0.149 نیز عملکرد مطلوبی در شبیه‌سازی داده‌های واقعی داشته است. نمودار «تیلور» که برای اعتبارسنجی مدل‌ها استفاده شد، صحت بالای این الگوریتم‌ها را در پیش‌بینی شاخص GRI تأیید کرد.

یوسفی مبرهن در این پژوهش تأکید کرده است که مدل‌های یادگیری ماشین می‌توانند به‌عنوان ابزارهایی کارآمد برای پیش‌بینی، مدیریت و برنامه‌ریزی منابع آب زیرزمینی مورد استفاده قرار گیرند. به گفته وی، بهره‌گیری از داده‌های متنوع‌تر و توسعه مدل‌های ترکیبی، دقت پیش‌بینی‌ها را افزایش داده و امکان تصمیم‌سازی‌های دقیق‌تر در برنامه‌های سازگاری با تغییر اقلیم را فراهم می‌سازد.