fa شبیه سازی پتانسیل آب های زیرزمینی حوضه کهورستان با بهره گیری از رویکرد ترکیبی مدل های داده کاوی ساير موضوعات وابسته به مديريت حوزه آبخيز ساير موضوعات وابسته به مديريت حوزه آبخيز پژوهشي Research <div style="text-align: justify;"><span style="font-size:12px;">&nbsp;&nbsp; <strong>آب زیرزمینی به</strong><strong><span dir="LTR"><span style="font-family:Times New Roman Bold,serif;">&shy;</span></span></strong><strong>عنوان یکی از منابع قابل توجه برای آب شیرین در نظر گرفته می</strong><strong><span dir="LTR"><span style="font-family:Times New Roman Bold,serif;">&shy;</span></span></strong><strong>شود. هدف از این پژوهش، به کار بردن چهار مدل یادگیری ماشین شامل جنگل تصادفی، ماشین بردار پشتیبان، </strong><strong><span dir="LTR"><span style="font-family:Times New Roman Bold,serif;">Bioclim</span></span></strong><strong> و </strong><strong><span dir="LTR"><span style="font-family:Times New Roman Bold,serif;">Domain</span></span></strong><strong> به منظور تهیه نقشه پتانسیل آب زیرزمینی در حوزه آبخیز کهورستان استان هرمزگان است. نوآوری این پژوهش استفاده از الگوریتم‌های </strong><strong><span dir="LTR"><span style="font-family:Times New Roman Bold,serif;">Bioclim</span></span></strong><strong> و </strong><strong><span dir="LTR"><span style="font-family:Times New Roman Bold,serif;">Domain</span></span></strong><strong> به&shy; منظور شبیه‌سازی پتانسیل آب زیرزمینی و مقایسه آن با دو تکنیک جنگل تصادفی و ماشین بردار پشتیبان و همچنین ترکیب این چهار مدل بر اساس یک رابطه ابتکاری و جدید می &shy;باشد. برای این منظور، 11 معیار شامل درصد شیب، جهت شیب، انحنای سطح، انحنای مقطع، شاخص پوشش گیاهی تعدیل شده بر حسب خاک</strong><strong><span dir="LTR"><span style="font-family:Times New Roman Bold,serif;">(SAVI) </span></span></strong><strong>، شاخص اصلاح‌شده نرمال تفاضل آب (</strong><strong><span dir="LTR"><span style="font-family:Times New Roman Bold,serif;">MNDWI</span></span></strong><strong>)، فاکتور طول و تندی شیب (</strong><strong><span dir="LTR"><span style="font-family:Times New Roman Bold,serif;">LS</span></span></strong><strong>)، شاخص قدرت جریان (</strong><strong><span dir="LTR"><span style="font-family:Times New Roman Bold,serif;">SPI</span></span></strong><strong>)، شاخص رطوبت توپوگرافیک (</strong><strong><span dir="LTR"><span style="font-family:Times New Roman Bold,serif;">TWI</span></span></strong><strong>)، کاربری اراضی و فاصله از آبراهه‌ها در نظر گرفته شد. همچنین از داده&shy;های 113 چاه که دارای دبی پمپاژ بالا بودند برای فرآیندهای شبیه&shy; سازی (70 درصد) و اعتبارسنجی (30 درصد) استفاده شد. قبل از مدل‌سازی آزمون هم&shy; خطی بر روی معیارها انجام شد و مشاهده گردید هیچ&nbsp; &shy;نوع هم &shy;خطی بین متغیرها وجود ندارد. ارزیابی کارآیی مدل‌سازی با منحنی </strong><strong><span dir="LTR"><span style="font-family:Times New Roman Bold,serif;">ROC</span></span></strong><strong> نشان داد که هر چهار روش استفاده شده دارای دقت خیلی خوب و </strong><strong><span dir="LTR"><span style="font-family:Times New Roman Bold,serif;">AUC</span></span></strong><strong> بالای 90 درصد جهت پیش &shy;بینی می &shy;باشند. بررسی وزن معیارها بر اساس روش جنگل تصادفی نشان داد که معیار کاربری و پوشش اراضی و فاصله از آبراهه دارای بالاترین وزن می &shy;باشند. در ادامه نتایج چهار روش با یک رابطه پیشنهادی ترکیب گردید. نقشه نهایی نشان داد که 21_/4 درصد از منطقه مورد مطالعه دارای پتانسیل خوب از نظر آب زیرزمینی می &shy;باشد. </strong></span></div> <div style="text-align: justify;">GGroundwater is considered as one of the most remarkable sources of fresh water. The aim of the current research is to apply four machine learning models of Random Forest (RF), Support Vector Machine (SVM), Bioclim, and Domain to groundwater potential mapping in Kahurestan watershed, Hormozgan province. The innovation of the research is to employ Bioclim and Domain algorithms to groundwater potential simulation, to compare them with the two techniques of RF and SVM and to combine these four models by an innovative and new equation. For this purpose, 11 criteria including slope percent, slope aspect, plan curvature, profile curvature, soil adjusted vegetation index (SAVI), modified normalized difference water index (MNDWI), slope length and steepness factor (LS), stream power index (SPI), topographic wetness index (TWI), land use, and distance to streams were considered. Also, the data of 113 high-discharge wells were used for simulation (70%) and validation (30%)processes. The collinearity test was performed prior to modeling which indicated that there was no relationship between the variables. Evaluation of the modeling performance with the ROC curve showed that all four methods used had very good accuracies and AUC values higher than 90% for prediction. The survey on the weight of the criteria based on the RF method demonstrated that the land use/cover and distance to streams criteria has the highest weight. The final map revealed that 21.4% of the area under study has good groundwater potential.</div> آنالیز مکانی, الگوریتم Bioclim, الگوریتم Domain, جنگل تصادفی, ماشین بردار پشتیبان Bioclim algorithm, Domain algorithm, Random Forest, Spatial analysis, Support Vector Machine 130 143 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1482-1&slc_lang=fa&sid=1 Ali Reza Nafarzadegan علیرضا نفرزادگان a.r.nafarzadegan@gmail.com 100319475328460010660 100319475328460010660 Yes University of Hormozgan دانشگاه هرمزگان Ali Akbar Mohammadifar علی اکبر محمدی فر aliakbar890@gmail.com 100319475328460010661 100319475328460010661 No University of Hormozgan دانشگاه هرمزگان Fariborz Mohammadi فریبرز محمدی mo.fariborz@gmail.com 100319475328460010662 100319475328460010662 No University of Hormozgan مرکز مطالعات و تحقیقات هرمز، دانشگاه هرمزگان Mohamad Kazemi محمد کاظمی mohamad.kazemi86@gmail.com 100319475328460010663 100319475328460010663 No University of Hormozgan مرکز مطالعات و تحقیقات هرمز، دانشگاه هرمزگان