پيش بيني و پهنه بندي كيفيت آب زيرزميني با استفاده از مدل هاي سيستم اطلاعات جغرافيايي (GIS) و روش هاي يادگيري ماشين‌ (مطالعه موردي: دشت زاهدان)

روند صعودي جمعيت در چند دهه اخير، محدوديت منابع آب و بهره برداري بيش ازحد از سفره هاي زيرزميني باعث به بارآمدن خسارات غيرقابل جبران كمي و كيفي به آبخوان هاي كشور شده است. در تحقيق حاضر مدل‌ هاي سيستم اطلاعات جغرافيايي (GIS) و تكنيك هاي يادگيري ماشين (ML) با استفاده از متغيرهاي كيفي قابل دسترس به منظور پيش بيني و پهنه بندي شوري و SAR آب زيرزميني و مقايسه دقت روش هاي مذكور در محدوده ي دشت زاهدان مورد ارزيابي قرار گرفت. داده هاي ورودي بر اساس نمونه برداري هاي كيفيت آب در سال آبي 1397 از 59 حلقه چاه مشاهداتي بود. بررسي پارامترها نشان داد كه در دشت زاهدان، پارامترهاي EC، SAR و TDS داراي تغييرپذيري زياد (CV 41%) و اسيديته داراي تغييرپذيري كم (CV = 4.16%) مي باشد. نتايج تحليل هاي زمين آماري نشان داد كه براي پارامترهاي TDS و EC مدل IDW با توان دو و براي پارامترهاي pH و SAR روش كريجينگ معمولي با حداقل RMSE بهترين نتيجه را در مرحله آزمون ارائه داد. ارزيابي عملكرد مدل هاي يادگيري ماشين نشان داد كه هر سه مدل RF، ANN و SVM با كسب R2 بالاي 90 درصد و مقادير NRMSE زير 15 درصد براي همه پارامترها (به استثناي اسيديته) نتايج قابل قبولي از خود نشان دادند. هرچند در مرحله آموزش تخمين هاي بهتري نسبت به مرحله آزمون مشاهده شد. مقايسه مدل‌ هاي مختلف GIS و يادگيري ماشين نيز حاكي از برتري قابل توجه مدل هاي يادگيري ماشين در تخمين پارامترهاي مورد بررسي مي باشد. در نهايت مي توان نتيجه گرفت كه در شرايط نبود امكانات براي بررسي ميداني كيفيت آب زيرزميني، روش هاي داده محور جايگزين قابل اطميناني براي پايش كيفي آب مي باشد.