پیش بینی و پهنه بندی کیفیت آب زیرزمینی با استفاده از مدل های سیستم اطلاعات جغرافیایی (GIS) و روش های یادگیری ماشین (مطالعه موردی: دشت زاهدان)

روند صعودی جمعیت در چند دهه اخیر، محدودیت منابع آب و بهره برداری بیش ازحد از سفره های زیرزمینی باعث به بارآمدن خسارات غیرقابل جبران کمی و کیفی به آبخوان های کشور شده است. در تحقیق حاضر مدل های سیستم اطلاعات جغرافیایی (GIS) و تکنیک های یادگیری ماشین (ML) با استفاده از متغیرهای کیفی قابل دسترس به منظور پیش بینی و پهنه بندی شوری و SAR آب زیرزمینی و مقایسه دقت روش های مذکور در محدوده ی دشت زاهدان مورد ارزیابی قرار گرفت. داده های ورودی بر اساس نمونه برداری های کیفیت آب در سال آبی 1397 از 59 حلقه چاه مشاهداتی بود. بررسی پارامترها نشان داد که در دشت زاهدان، پارامترهای EC، SAR و TDS دارای تغییرپذیری زیاد (41%CV>) و اسیدیته دارای تغییرپذیری کم (16/4 %CV=) می باشد. نتایج تحلیل های زمین آماری نشان داد که برای پارامترهای TDS و EC مدل IDW با توان دو و برای پارامترهای pH و SAR روش کریجینگ معمولی با حداقل RMSE بهترین نتیجه را در مرحله آزمون ارایه داد. ارزیابی عملکرد مدل های یادگیری ماشین نشان داد که هر سه مدل RF، ANN و SVM با کسب R2 بالای 90 درصد و مقادیر NRMSE زیر 15 درصد برای همه پارامترها (به استثنای اسیدیته) نتایج قابل قبولی از خود نشان دادند. هرچند در مرحله آموزش تخمین های بهتری نسبت به مرحله آزمون مشاهده شد. مقایسه مدل های مختلف GIS و یادگیری ماشین نیز حاکی از برتری قابل توجه مدل های یادگیری ماشین در تخمین پارامترهای مورد بررسی می باشد. در نهایت می توان نتیجه گرفت که در شرایط نبود امکانات برای بررسی میدانی کیفیت آب زیرزمینی، روش های داده محور جایگزین قابل اطمینانی برای پایش کیفی آب می باشد.