برآورد سطح آب زیرزمینی در اقلیم خشک با رویکرد یادگیری ماشین و سامانه‌های هوشمند فازی

زراعتی نیشابوری, سپیده; خاشعی سیوکی, عباس; اکبری, محمد قاسم

doi:10.22098/mmws.2025.17978.1637

برآورد سطح آب زیرزمینی در اقلیم خشک با رویکرد یادگیری ماشین و سامانه‌های هوشمند فازی

مقالات آماده انتشار

نوع مقاله : پژوهشی

نویسندگان

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

² استاد، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران

³ دانشیار، گروه آمار، دانشکده علوم ریاضی و آمار، دانشگاه بیرجند، بیرجند، ایران

10.22098/mmws.2025.17978.1637

چکیده

ایش دقیق تراز آب زیرزمینی، به‌ویژه در شرایط بهره‌برداری بی‌رویه در کشورهای در حال توسعه، برای مدیریت پایدار منابع و پیشگیری از پیامدهایی چون کاهش توان پمپاژ، نشست زمین و تراکم آبخوان‌ها ضرورتی انکارناپذیر است. با توجه به پیچیدگی فرآیندهای هیدرولوژیکی و عدم قطعیت‌های موجود در داده‌های اقلیمی، این مطالعه با هدف ارزیابی و مقایسه عملکرد مدل‌های فازی برای پیش‌بینی ماهانه تراز آب زیرزمینی دشت بیرجند انجام شد. سه مدل شامل رگرسیون بردار پشتیبان غیر خطی فازی (NLF-SVR)، رگرسیون تجمعی غیر خطی فازی (FNAR) و رگرسیون کمترین مربعات خطی فازی (FLSR) با استفاده از داده‌های اقلیمی دما، رطوبت نسبی، بارش و تبخیر و تعرق طراحی و پیاده‌سازی شدند. نتایج نشان داد که مدل NLF-SVR با متوسط RMSE 15/0 متر، MAE 37/0 متر و NSE نزدیک به 99/0 عملکرد برتری نسبت به سایر مدل‌ها دارد. مدل FNAR حساسیت بیشتری به تغییرات فصلی داشت، در حالی که مدل FLSR به دلیل ماهیت خطی خود قادر به بازنمایی پیچیدگی‌های فرآیندهای هیدرولوژیکی نبود. بهترین عملکرد مدل‌ها در ماه‌های گرم و ضعیف‌ترین عملکرد در ماه‌های سرد رخ داد. این الگو ناشی از پایداری نسبی روابط بین متغیرهای اقلیمی و سطح آب زیرزمینی در فصول گرم و پیچیدگی‌های غیرخطی ناشی از تغییرات ناگهانی دما، یخبندان و نوسانات شدید بارش در فصول سرد است. در مجموع، مدل NLF-SVR به‌عنوان ابزاری کارآمد برای توسعه سامانه‌های هشدار زودهنگام، بهینه‌سازی برنامه‌ریزی کشاورزی و مدیریت پایدار منابع آب در مناطق خشک پیشنهاد می‌شود.

کلیدواژه‌ها