این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات آب و خاک ایران، جلد ۵۶، شماره ۴، صفحات ۱۰۴۱-۱۰۵۷
عنوان فارسی کاربرد الگوریتم‌های یادگیری ماشین در پیش‌بینی تراز آب زیرزمینی در آبخوان اردبیل
چکیده فارسی مقاله پیش‌بینی دقیق تراز آب زیرزمینی در مدیریت منابع آبی، به‌ویژه در مناطق خشک، از اهمیت بالایی برخوردار است. این پژوهش باهدف جایگزینی روش‌های یادگیری ماشین به‌جای مدل‌های سنتی، دو الگوریتم ماشین بردار پشتیبان و جنگل تصادفی را برای پیش‌بینی تراز آب زیرزمینی بررسی کرده است. مدل‌سازی با استفاده از داده‌های 20 ساله بارش، دمای هوا، تبخیر، برداشت از آبخوان و تراز آب زیرزمینی به‌عنوان متغیرهای ورودی انجام شد. پس از بررسی نرمالیته و همبستگی داده‌ها، 70 درصد داده‌ها به‌عنوان آموزش و 30 درصد به‌عنوان تست استفاده شدند. نتایج ارزیابی معیارهای R²، RMSE، MAE و MSE نشان داد که الگوریتم ماشین بردار پشتیبان در مرحله آموزش به‌ترتیب دارای مقادیر 57/0، 05/1، 61/0 و 11/1 و در مرحله آزمایش مقادیر 74/0، 84/0، 61/0 و 71/0 است. الگوریتم جنگل تصادفی با استفاده از تمامی ویژگی‌ها (ورودی‌ها) به‌ترتیب مقادیر 85/0، 61/0، 44/0 و 37/0 در مرحله آموزش و 71/0، 93/0، 66/0 و 86/0 در مرحله آزمایش را ارائه داد و به‌دلیل دقت بالا و مقاومت در برابر هم‌خطی، عملکرد بهتری نشان داد. همچنین با استفاده از روش اهمیت ویژگی جایگشت، تعداد متغیرهای ورودی الگوریتم جنگل تصادفی از شش به یک کاهش یافت و نتایج آن بدون کاهش محسوس دقت مدل شامل مقادیر 83/0، 66/0، 45/0 و 43/0 در مرحله آموزش و 71/0، 93/0، 66/0 و 86/0 در مرحله آزمایش بود. یافته‌های پژوهش نشان می‌دهند که مدل‌های یادگیری ماشین، به‌ویژه الگوریتم جنگل تصادفی، می‌توانند جایگزین مناسبی برای روش‌های سنتی در پیش‌بینی تراز آب زیرزمینی و مدیریت پایدار منابع آبی باشند.
کلیدواژه‌های فارسی مقاله جنگل تصادفی،شاخص تورم واریانس،ماشین بردار پیشتیبان،مدیریت آب،
عنوان انگلیسی Application of machine learning algorithms in groundwater level prediction in the Ardabil aquifer
چکیده انگلیسی مقاله Accurate prediction of groundwater levels is of great importance in water resource management, especially in arid regions. This research, with the aim of replacing traditional models with machine learning methods, has examined two algorithms: Support Vector Machine and Random Forest for predicting groundwater levels. Modeling was conducted using 20 years of data on precipitation, air temperature, evaporation, groundwater extraction, and groundwater level as input variables. After examining the normality and correlation of the data, 70% of the data were used for training and 30% for testing. The evaluation results of the R², RMSE, MAE, and MSE metrics showed that the Support Vector Machine -RBF algorithm had values of 0.57, 1.05, 0.61, and 1.11 in the training phase, and values of 0.74, 0.84, 0.61, and 0.71 in the testing phase, respectively. The Random Forest algorithm, using all hyperparameters, provided values of 0.85, 0.61, 0.44, and 0.37 in the training phase and 0.71, 0.93, 0.66, and 0.86 in the testing phase, and showed better performance due to its high accuracy and resistance to multicollinearity. Additionally, using the Permutation Feature Importance method, the number of input variables for the Random Forest model was reduced from six to one, and its results, without a significant decrease in model accuracy, included values of 0.83, 0.66, 0.45, and 0.43 in the training phase and 0.71, 0.93, 0.66, and 0.86 in the testing phase. The research findings indicate that machine learning models, particularly the Random Forest algorithm, can be a suitable alternative to traditional methods for predicting groundwater levels and managing water resources sustainably.
کلیدواژه‌های انگلیسی مقاله جنگل تصادفی,شاخص تورم واریانس,ماشین بردار پیشتیبان,مدیریت آب
نویسندگان مقاله سید مهدی حسینی |
گروه مهندسی آبیاری و آبادانی، دانشکده کشاورزی، دانشگاه تهران، تهران، ایران

مرتضی خوش سیمای چنار |
آبیاری و آبادانی، دانشکده کشاورزی، دانشگاه تهران، کرج، ایران

نشانی اینترنتی https://ijswr.ut.ac.ir/article_102622_0df3d9ba4ff391b3087898d983bbaac9.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات