کاربست و مقایسه روش‌های درون‌یابی داده‌های گمشده‌ تراز آب زیرزمینی با تأکید بر عملکرد DeepMVI (منطقه مورد مطالعه: دشت عجب‌شیر)

وفایی ممقانی, آیناز; اسدی, اسماعیل; دربندی, صابره; ستاری, محمدتقی

doi:10.22098/mmws.2025.17457.1601

کاربست و مقایسه روش‌های درون‌یابی داده‌های گمشده‌ تراز آب زیرزمینی با تأکید بر عملکرد DeepMVI (منطقه مورد مطالعه: دشت عجب‌شیر)

مقالات آماده انتشار

نوع مقاله : پژوهشی

نویسندگان

¹ دانشجوی کارشناسی ارشدمنابع آب ، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

² استادیار/گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

³ دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

10.22098/mmws.2025.17457.1601

چکیده

.آب زیرزمینی یکی از منابع حیاتی در مناطق خشک و نیمه‌خشک محسوب می‌شود و تکمیل داده‌های مفقود آن نقش مهمی در مدیریت منابع آبی دارد. هدف پژوهش حاضر، ارزیابی عملکرد پنج روش درونیابی شامل کریجینگ، فاصله معکوس وزنی (IDW)، جنگل تصادفی مکانی (RFSI)، چندجمله‌ای تکه‌ای هرمیت مکعبی (PCHIP) و مدل یادگیری عمیق DeepMVI برای بازسازی داده‌های تراز آب زیرزمینی در آبخوان دشت عجب‌شیر طی دوره آماری 1385 تا 1401 است. داده‌های ماهانه از 29 ایستگاه گردآوری و به نسبت 70 به 30 برای آموزش و ارزیابی مدل‌ها تقسیم شدند.

نتایج مدل‌سازی نشان داد که مدل‌های سنتی مانند کریجینگ و IDW با مقادیر ضریب همبستگی (R) به ترتیب برابر با 37/0 و 56/0 و خطای RMSE بالا (به ترتیب 91/417 و 51/365) دقت پایینی در بازسازی داده‌ها داشتند. مدل RFSI با R برابر 63/0 و RMSE برابر 06/11 عملکرد بهتری نسبت به روش‌های کلاسیک داشت، اما همچنان از دقت لازم برخوردار نبود. مدل PCHIP با R برابر 89/0 و RMSE برابر 52/7 عملکرد قابل‌قبولی ارائه داد. با این حال، مدل DeepMVI با ضریب همبستگی بالا (92/0R =)، کم‌ترین مقدار RMSE (44/6) و بیشترین ضریب نش-ساتکلیف (8/0NSE=) بهترین عملکرد را در بین تمامی روش‌ها نشان داد. این نتایج نشان می‌دهد که استفاده از روش‌های مبتنی بر یادگیری عمیق می‌تواند دقت بازسازی داده‌های تراز آب زیرزمینی را به طور چشمگیری افزایش داده و ابزار مناسبی برای مدیریت بهینه منابع آب در مناطق دارای داده‌های ناقص فراهم آورد.

کلیدواژه‌ها