نشریه آبیاری و زهکشی ایران

نشریه آبیاری و زهکشی ایران

ارزیابی توانایی مدل‌های‌ درختی جنگل تصادفی و M5P در برآورد سطح ایستابی دشت سراوان با استفاده از داده‌های هواشناسی

نوع مقاله : مقاله پژوهشی

نویسندگان
سیاوش سپاهیان 1
سید آرمان هاشمی منفرد 2
عباسعلی قادری 3
1 گروه مهندسی عمران، دانشکده مهندسی شهید نیکبخت، دانشگاه سیستان و بلوچستان، زاهدان، ایران
2 دانشگاه سیستان و بلوچستان
3 دانشگاه سیستان و بلوچستان زاهدان ایران
چکیده
آب‌های زیرزمینی یکی از کلیدی‌ترین منابع آب در سطح کره خاکی هستند که در بخش کشاورزی، صنعت و شرب دارای اهمیت بوده و ضامن حیات برای نسل آینده به شمار می‌آیند. در این تحقیق از 227 سری داده مربوط پارامترهای هواشناسی و آب زیرزمینی دشت سراوان در استان سیستان و بلوچستان جهت پیش‌بینی و برآورد سطح ایستابی آب زیرزمینی با استفاده مدل‌های هوشمند یادگیری ماشین استفاده شد. از این تعداد سری داده، 159 سری برای استفاده در بخش آموزش مدل‌ها و 68 سری برای آزمون مدل‌ها در سناریوهای طراحی‌شده تخصیص یافت. عملکرد مدل‌های جنگل تصادفی و M5P در برآورد متوسط سطح ایستابی دشت سراوان مورد ارزیابی قرار گرفت. عملکرد مدل‌ها با استفاده از شاخص‌های آماری ضریب همبستگی (R)، خطای مجذور میانگین مربعات (RMSE) و خطای بایاس میانگین (MBE) مقایسه شد. نتایج به‌دست‌آمده نشان داد هر دو مدل بکاررفته از توانایی خوبی در مدل‌سازی سطح ایستابی برخوردارند، اما مدل M5P با ضریب همبستگی بالاتر خطاهای کمتری نسبت به مدل جنگل تصادفی دارد. سناریوی چهارم مدل M5P با مقادیر ضریب همبستگی، MBE و RMSE به ترتیب 961/0، 0001/0- و 727/0 در بخش آموزش و 871/0، صفر و 265/0 در بخش آزمون به عنوان بهترین مدل در بین سناریوهای دو مدل انتخاب شد. پیشنهاد می‌شود سطح ایستابی دشت سراوان با سایر روش‌های هوش مصنوعی و یادگیری ماشین نیز ارزیابی و با مطالعه حاضر مقایسه شود.
کلیدواژه‌ها
آبخوان
تراز آب زیرزمینی
درخت تصمیم
جنگل تصادفی
مدیریت منابع آب

عنوان مقاله English

Evaluating the ability of random forest and M5P tree-based models in groundwater level estimating of Saravan plain using meteorological data

نویسندگان English

siavash sepahian 1
Seyed Arman Hashemi Monfared 2
Abas Ali Qaderi 3
1 Department of civil engineering, Shahid Nikbakht Engineering Faculty,, University of Sistan and Baluchestan, Zahedan, Iran
2 University of Sistan and Baluchestan
3 University of Sistan and Baluchestan , Zahedan, Iran
چکیده English

Groundwater is one of the key sources of water on the surface of the earth, which is important in agriculture, industry and drinking, and is considered as the guarantor of life for the future generation. In this research, 227 data series related to meteorological and groundwater parameters of Saravan plain in Sistan and Baluchistan province were used to predict and estimate the groundwater level using intelligent machine learning models. Out of this number of data series, 159 series were allocated for use in model training and 68 series for model testing in designed scenarios. The performance of random forest and M5P models was evaluated in estimating the monthly mean groundwater level of Saravan Plain. The performance of the models was compared using statistical indices of correlation coefficient (R), root mean square error (RMSE) and mean bias error (MBE). The obtained results showed that both used models have a good ability to groundwater level modeling, but the M5P model with a higher correlation coefficient has fewer errors than the random forest model. The fourth scenario of the M5P model is selected as the best model among the scenarios of two models with correlation coefficient, MBE and RMSE values of 0.961, -0.0001 and 0.727 in the training section and 0.871, zero and 0.265 in the test section, respectively. It is suggested that the groundwater level of Saravan Plain be evaluated with other methods of artificial intelligence and machine learning, and compared with the present study.

کلیدواژه‌ها English

Aquifer
Groundwater Level
Decision Tree
Random Forest
Water Resources Management
ابراهیمی ا. روزبهانی ع. و بنیحبیب م. ا. ۱۳۹۷ . پیش‌بینی سطح آب زیرزمینی با استفاده از مدل شبکه‌های بیزین پویا مبتنی بر تحلیل حساسیت (مطالعة موردی: دشت بیرجند). مجله پژوهش آب ایران. ۲۹ :۹۱-۱۰۰.
پورصالحی، ف.، خاشعی سیوکی، ع. و هاشمی، س.ر. 1400. بررسی عملکرد الگوریتم جنگل تصادفی در پیشبینی نوسانات سطح ایستابی در مقایسه با دو مدل درخت تصمیم و شبکه عصبی مصنوعی (مطالعه موردی: آبخوان آزاد دشت بیرجند(، اکوهیدرولوژی، 8(4): 974-961.
حسینی صومه، 1399. مدل‌سازی تغییرات سطح آب زیرزمینی بر اساس روش‌های مبتنی بر هوش مصنوعی (مطالعه موردی: دشت زاوه تربت‌حیدریه)، پژوهشنامه مدیریت حوزه آبخیز، سال یازدهم، شماره 223 الی 235.
علیمرزائی، ف.، آذرخشی، م.، ملکیان، ا. و رستمی خلج، م. ۱۳۹۸. شبیه‌سازی سطح ایستابی آب زیرزمینی دشت سرخس با ترکیب روش‌های هوش مصنوعی و زمین‌آمار، نشریه پژوهش‌های حفاظت آب و خاک، جلد ۲۶، شماره ۴، صص ۲۰۷ الی ۲۲۲.
ندیری ع. داداش بابا م. و اصغری مقدم ا. ۱۳۹۷ . مدل‌سازی تراز آب زیرزمینی آبخوان دشت تبریز با استفاده از مدل ترکیبی -SOM ANN .مجله پژوهش آب ایران. ۳۱ :۹۵ -۱۰۲.
Barzegar R, Fijani E, Asghari Moghaddama A, Tziritis E .2017. Forecasting of groundwater level fluctuations using ensemble hybrid multi-wavelet neural network-based models. Science of the Total Environment 599(60):20–31.
Bonakdar, L. and Etemad-Shahidi, A. 2011. Predicting wave run-up on rubble-mound structures using M5 model tree, Ocean Engineering, 38: 111-118.
Daliakopoulos, I.N., Coulibaly, P. and Tsanis, I.K. 2005. Groundwater level forecasting using artificial neural networks. Journal of Hydrology, 309(4): 229 -240.
Eshghi P. Farzadmehr J. Dasturani MT. Arabs Asadi Z. 2016. The Effectiveness of Intelligent Models in Estimating the River Suspended Sediments (Case Study: Babaaman Basin, Northern Khorasan) Journal of Watershed Management Research, 7(14): 88-95.
Etemad-Shahidi, A. and Mahjoobi, J. 2009. Comparison between M5' model tree and neural networks for prediction of significant wave height in Lake Superior, Ocean Engineering, 36: 1175-1181.
Hand, D.J., Mannila, H. and Smyth, P. 2001. Principles of data mining, Cambridge, Mass: The MIT Press.
He, X.G., Chaney, N.W., Schleiss, M. and Sheffield, J. 2016. Spatial downscaling of precipitation using adaptable random forests, Water Resour. Res. 52: 8217–8237.
Hong, H., Pourghasemi, H.R. and Pourtaghi, Z.S. 2016. Landslide susceptibility assessment in Lianhua County (China): a comparison between a random forest data mining technique and bivariate and multivariate statistical models Geomorphology, 259: 105–118.
Nadiri, A., Chitsazan, N., Tsai, F.T.C. and Asghari Moghaddam, A. 2014. Bayesian artificial intelligence model averaging for hydraulic conductivity estimation. Journal of Hydrologic Engineering. 19(3): 520 -532.
Naseri A. 2018. Comparison of the application of fourteen temporal series patterns to analyze and predict changes in groundwater level in Marand plain (northern margin of Urmia Lake). Irrigation and Drainag 13(1):58-68.
Pal, M., Deswal, S. 2009. M5 model tree based modelling of reference evapotranspiration: HYDROLOGICAL PROCESSES. 23, P. 1437-1443.
Pourghasemi, H.R. and Kerle, N. 2016. Random forests and evidential belief function-based landslide susceptibility assessment in Western Mazandaran Province, Iran. Environmental Earth Sciences, 75(3): 185.
Quinlan, J.R. 1992. Learning with continuous classes, Proceedings of the 5th Australian joint Conference on Artificial Intelligence. Hobart: Singapore.
Radmanesh F, Golabi M R, Khodabakhshi F, Farzi S, and Zeinali M. 2020. Modeling aquifer hydrograph: Performance review of conceptual MODFLOW and simulator models. Arabian Journal of Geosciences 13(5):1-9.
Rahimikhoob, A. 2014. Comparison between M5 Model Tree and Neural Networks for Estimating Reference Evapotranspiration in an Arid Environment", Water Resources Management, 28: 1-13.
Rahmati O., Pourghasemi H.R., and Melesse A.M. 2016. Application of GIS-based data driven random forest and maximum entropy models for groundwater potential mapping: a case study at Mehran Region, Iran. Catena, 137: 360-372.
Sadeghravesh, M. H., Khosravi, H. and Ghasemian, S. 2015. Application of fuzzy analytical hierarchy process for assessment of combating -desertification alternatives in central Iran. Natural Hazards, 75(1), 653 -667.
Sattari, M.T., Pal, M. Apaydin, H. and Ozturk. F. 2013. M5 model tree application in daily river flow forecasting in Sohu Stream, Turkey. Water Resour. 40: 233-242.
Schapire, R. 1990. The strength of weak learnability. Journal of Machine learning, 5, 197-227.
Senagi, K., Jouandeau, N., and Kamoni, P. 2017. Using parallel Random Forest classifier in predicting land suitability for crop production, Journal of Agricultural Informatics, 8(3):23-32.
Stanley Raj A, Hudson Oliver D, Srinivas Y, Viswanath J. 2017. Wavelet based analysis on rainfall and water table depth forecasting using Neural Networks in Kanyakumari district, Tamil Nadu, India. Groundwater for Sustainable Development 5:178– 186.
Sun, Y., Wendi, D., Kim, D.E. and Liong, S.Y. 2015. Application of artificial neural networks in groundwater table forecasting: a case study in Singapore swamp forest. Hydrology and Earth System Science. 12: 9317 –9336.
Wang, Y. and Witten, I.H. 1997. Inducing model trees for continuous classes, Proceedings of the 9th European Conference on Machine Learning. Prague, Czech Republic, Springer.
Wolfs, V. and Willems, P. 2014. Development of discharge-stage curves affected by hysteresis using time varying models, model trees and neural networks, Environmental Modelling & Software, 55: 107-119.
نشریه آبیاری و زهکشی ایران
دوره 18، شماره 1 - شماره پیاپی 103
فروردین و اردیبهشت 1403
صفحه 43-54