تحقیقات منابع آب ایران

تحقیقات منابع آب ایران

ارزیابی و پیش‌بینی شاخص کیفیت آب آبیاری (IWQI) با استفاده از مدل‌های ترکیبی یادگیری ماشین: مطالعه موردی دشت ورامین، ایران

نوع مقاله : مقاله پژوهشی

نویسندگان
1 گروه مهندسی آب، دانشکده مهندسی عمران و محیط زیست، دانشگاه تربیت مدرس، تهران، ایران
2 گروه مهندسی و مدیریت آب، دانشگاه تربیت مدرس، تهران، ایران
10.22034/iwrr.2026.602137.3049
چکیده
ارزیابی کیفیت آب زیرزمینی برای اهداف آبیاری در نواحی خشک و نیمه‌خشک نقش مهمی در مدیریت پایدار منابع آب دارد. در این مطالعه از سه مدل ترکیبی یادگیری ماشین MLP-XGBoost، MLP-CatBoost و MLP-LightGBM برای پیش‌بینی شاخص کیفیت آب آبیاری (IWQI) در آبخوان دشت ورامین استفاده شده است. نتایج نشان داد از پنج پارامتر تشکیل دهنده شاخص IWQI، پارامترهای سدیم (Na+)، کلرید(Cl-) ، هدایت الکتریکی(EC) و نسبت جذبی سدیم (SAR) برای پیش‌بینی IWQI کافی‌اند و بدون در نظر گرفتن بی‌کربنات (HCO3-) می‌توان شاخص مورد نظر را در آبخوان دشت ورامین با دقت بالا پیش‌بینی نمود. هر سه مدل عملکرد مناسبی داشتند اما از بین سه مدل ترکیبی، مدل MLP-XGBoost بهترین عملکرد را در داده‌های آزمایشی از خود نشان داد )994/0 R2 = و 158/1 (RMSE =. تفسیرهای افزایشی شاپلی (SHAP) نشان داد که مهم‌ترین ویژگی مشتق‌شده در هر سه مدل ترکیبی، خروجی پیش‌بینی‌شده پرسپترون چندلایه (MLP) بود. این یافته‌ها اثربخشی معماری‌های انباشتگی ترکیبی را برای پیش‌بینی شاخص کیفیت آب آبیاری نشان می‌دهد، در حالی که تاکید می‌کند که مدل‌های آموزش‌دیده ‌شده مختص شرایط هیدروشیمیایی منطقه مورد مطالعه هستند و برای کاربرد در مناطق دیگر نیاز به واسنجی مجدد دارند.
کلیدواژه‌ها
موضوعات

عنوان مقاله English

Assessment and Prediction of Irrigation Water Quality Index (IWQI) Using Hybrid Machine Learning Models: A Case Study of the Varamin Plain, Iran

نویسندگان English

Ali Ahmadi-Javadi 1
Hamed Ketabchi 2
1 Department of Water Engineering, Faculty of Civil and Environmental Engineering, Tarbiat Modares University, Tehran, Iran
2 Department of Water Engineering and Management, Tarbiat Modares University, Tehran, Iran
چکیده English

Assessing groundwater quality for irrigation purposes in arid and semi-arid regions plays an important role in the sustainable management of water resources. In this study, three hybrid machine learning models, namely MLP-XGBoost, MLP-CatBoost, and MLP-LightGBM, were used to predict the Irrigation Water Quality Index (IWQI) in the Varamin Plain aquifer. The results showed that, among the five parameters constituting the IWQI, sodium (Na⁺), chloride (Cl⁻), electrical conductivity (EC), and sodium adsorption ratio (SAR) are sufficient for predicting the IWQI, and that the index can be predicted with very high accuracy in the Varamin Plain aquifer without considering bicarbonate (HCO₃⁻). All three models performed well, but among the three hybrid models, MLP-XGBoost showed the best performance on the test data (R² = 0.994 and RMSE = 1.158). SHapley Additive exPlanations (SHAP) showed that the most important derived feature in all three hybrid models was the output predicted by the multilayer perceptron (MLP). These findings demonstrate the effectiveness of hybrid stacking ensemble architectures for predicting the Irrigation Water Quality Index, while emphasizing that the trained models are specific to the hydrochemical conditions of the study area and require recalibration before being applied in other regions.

کلیدواژه‌ها English

Hybrid machine learning model
Irrigation Water Quality Index
Varamin Plain
Stacking Ensemble

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از 18 آبان 1405

  • تاریخ دریافت 21 شهریور 1405
  • تاریخ بازنگری 17 آبان 1405
  • تاریخ پذیرش 18 آبان 1405