نوع مقاله : مقاله پژوهشی

نویسندگان

• محمدتقی آوند ¹
• سعید جانی زاده ²
• محسن فرزین ³

¹ دانشجوی دکتری علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور

² دانشجوی کارشناسی ارشد آبخیزداری، دانشکده منابع طبیعی، دانشگاه تهران، کرج

³ استادیار آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه یاسوج

چکیده

با افزایش جمعیت و توسعۀ کشاورزی نیاز به منابع آبی به شدت افزایش یافته و منابع آب زیرزمینی، بیش از پیش، به­خصوص در مناطق خشک و نیمه­خشک مورد توجه بسیاری قرار گرفته است. هدف از این پژوهش تهیۀ نقشۀ پتانسیل منابع آب زیرزمینی با استفاده از دو مدل داده­کاوی جنگل تصادفی (RF) و آماری رگرسیون خطی تعمیم یافته (GLM) در محدودۀ یاسوج-سی­سخت می‌باشد. بدین منظور لایه­های اطلاعاتی شامل درجۀ شیب، جهت شیب، طول شیب، ارتفاع از سطح دریا، شاخص رطوبت توپوگرافی، فاصله از گسل، فاصله از آبراهه، بارندگی، کاربری اراضی، سنگ­شناسی، شاخص موقعیت توپوگرافی و شاخص قدرت جریان به عنوان مهم­ترین عوامل مؤثر بر پتانسیل آب زیرزمینی تعیین شده و در نرم­افزار ArcGIS و SAGAGIS رقومی و تهیه شدند. از پراکنش 362 چشمۀ موجود در سطح منطقه، 70 درصد (253 چشمه) به عنوان چشمه­های آموزشی و 30 درصد (109 چشمه) به عنوان چشمه­های آزمایشی استفاده گردید. نتایج نشان داد که سطح طبقات حضور آب زیرزمینی با پتانسیل کم، متوسط، زیاد و خیلی زیاد در نقشه حاصل از روش جنگل تصادفی به ترتیب 78/37، 22/22، 89/18 و 11/21 درصد و در روش رگرسیون خطی تعمیم یافته به ترتیب 49/14، 04/32، 11/31 و 36/22 درصد می­باشد. همچنین با حساسیت­سنجی عوامل مؤثر در هر دو روش، عامل­های بارندگی، ارتفاع از سطح دریا و فاصله از گسل حساس­ترین عوامل تعیین شدند. ارزیابی دقت مدل­های داده­کاوی مورد استفاده در این تحقیق نیز با استفاده از منحنی عملکرد نسبی (ROC) مورد سنجش قرار گرفت. سطح زیر منحنی (AUC) برای دو مدل RF و GLM به ترتیب 92 % و 65 % درصد را نشان می­دهد، بنابراین دقت مدل جنگل تصادفی در تهیۀ نقشۀ پتانسیل آب زیرزمینی در منطقۀ مورد مطالعه بیشتر از مدل رگرسیون خطی تعمیم­یافته است. مدل­های نوین داده‌کاوی و آماری در تلفیق با GIS برای پتانسل­یابی منابع آب زیرزمینی می­تواند برای مدیریت پایدار، مورد توجه طراحان و تصمیم‌گیران طرح­های توسعه­ای واقع گردد.

کلیدواژه‌ها

• پتانسیل‌یابی منابع آب زیرزمینی
• داده‌کاوی
• جنگل تصادفی
• رگرسیون خطی تعمیم یافته
• یاسوج-سی‌سخت

عنوان مقاله [English]

Groundwater Potential Determination on Yasouj-Sisakht area Using Random Forest and Generalized Linear Statistical Models

نویسندگان [English]

• Mohammad Taghi avand ¹
• Saeed Janizadeh ²
• Mohsen Farzin ³

¹ دانشجوی دکتری علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور

² Ph.D student of Watershed Management Engineering, Natural Resources and Marine Sciences Faculty, Tarbiat Modares Unviversity, Noor.

³ University of Yasouj

چکیده [English]

Increasing population and agricultural development need dramatically water resources groundwater resources, therefore, are increasingly being considered, especially in arid and semi-arid regions. Aim of this research is mapping potential of groundwater resources on Yasouj-Sisakht region using data mining method Random Forest (RF) and Generalized Linear Statistical Model (GLM). For this purpose. For this purpose, information layers including slope, slope direction, slope length, aspect, topographic wetness index (TWI), distance from fault, distance from the stream, rainfall, land use, lithology, topographic position index (TPI) and stream power index (SPI) as the main factors influencing groundwater potential were identified and developed in ArcGIS and SAGAGIS software. From the distribution of 263 springs in the area, 70% (253 springs) were used as educational springs and 30% (109 springs) were used as experimental springs. The results showed that the level of underground water with low, medium, high and very high potential in the map of the random forest was 37.78, 22.22, 18.89 and 21.11%, respectively, and in the generalization linear model were 14.49, 32.04, 31.11 and 22.36%, respectively. Moreover, Sensitivity Analysis show that the factors affecting both methods are rainfall, altitude and distance from the fault factors. The accuracy of the data mining models used in this research was also evaluated using a relative performance curve (ROC). The area under curve (AUC) for both RF and GLM models is 92% and 65%, respectively. The accuracy of RF model, therefore, mapping groundwater potential in the study area is more than GLM model.

کلیدواژه‌ها [English]

• Mapping potential
• data mining
• random forest
• generalized linear model
• Yasouj-Sisakht