%0 Journal Article %T ارزیابی جامع ریسک شوری آبخوان سرخون با بهره‌گیری از ترکیب مدل‌های یادگیری ماشین %J اکوهیدرولوژی %I دانشکده علوم و فنون نوین دانشگاه تهران %Z 2423-6098 %A محمدی, فریبرز %A نفرزادگان, علیرضا %A کاظمی, محمد %D 2020 %\ 03/20/2020 %V 7 %N 1 %P 147-163 %! ارزیابی جامع ریسک شوری آبخوان سرخون با بهره‌گیری از ترکیب مدل‌های یادگیری ماشین %K آب‏ زیرزمینی %K خطر شوری %K جنگل تصادفی %K شاخص دراستیک %K پتانسیل آسیب‏پذیری %R 10.22059/ije.2020.287185.1197 %X ارزیابی ریسک شوری آبخوان به‏خصوص در مناطق نزدیک ساحل اهمیت زیادی دارد. در پژوهش حاضر تلاش شد از طریق ترکیب مدل‏ پتانسیل آسیب‏پذیری آبخوان و الگوریتم‏های یادگیری ماشین، چارچوب جامعی برای ارزیابی ریسک شوری در آبخوان سرخون واقع در استان هرمزگان ایجاد شود. در مرحلۀ نخست لایه‏های ورودی مورد نیاز برای تولید نقشۀ پتانسیل آسیب‏پذیری آبخوان براساس مدل دراستیک تهیه و ترکیب شد. سپس، با استفاده از سه الگوریتم یادگیری ماشین شامل جنگل تصادفی، افزایش گرادیان اکسترمم (XGBoost) و درختان رگرسیون جمع‏شدۀ بیزی (BART) و با استفاده از 12 فاکتور تأثیرگذار روی آب زیرزمینی از جمله رطوبت توپوگرافیک، خاک، پوشش گیاهی و عوامل دیگر، نقشۀ احتمال خطر شور شدن تهیه شد. قبل از مدل‏سازی آزمون هم‏خطی روی داده‏ها انجام شد و مشاهده شد که هم‏خطی در بین پارامترهای ورودی مدل‏ها وجود ندارد. ارزیابی کارایی مدل‏سازی با منحنی ویژگی عملگر نسبی ROC)) نشان داد هر سه الگوریتم دقت بسیار خوب و سطح زیرمنحنی AUC)) بیش از 90 درصد دارند. بنابراین، هر سه مدل بر اساس میزان سطح زیرمنحنی خود ترکیب شدند تا یک نقشۀ واحد برای احتمال وقوع خطر شوری به دست آید. در انتها، نقشۀ ریسک شوری براساس مقادیر آسیب‏پذیری، شوری و احتمال وقوع خطر تهیه شد. نقشۀ ریسک به‌دست‏آمده نشان داد قسمت‏های شرقی آبخوان ریسک شوری بسیار زیاد دارد که علت این امر تمرکز زیاد زمین‏های کشاورزی در این بخش دشت است. نتایج پژوهش حاضر نشان داد دستیابی به یک نقشۀ‏ قابل اتکا برای ارزیابی ریسک شوری آبخوان به وسیلۀ ترکیب مدل‏های یادگیری ماشین و مدل‏های آسیب‏پذیری آبخوان امکان‏پذیر است. %U https://ije.ut.ac.ir/article_75847_5f21445417496b8b3fcaddf0161279d8.pdf