ارزیابی الگوریتم‌های داده‌کاوی در بررسی و پیش‌بینی وضیعت آبخوان دشت قزوین

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری دانشگاه زابل

2 استادیار گروه آب، دانشکده آب و خاک، دانشگاه زابل

3 دانشیار مهندسی گروه آبیاری و آبادانی پردیس کشاورزی و منابع طبیعی دانشگاه تهران

4 استادیار گروه مهندسی آب دانشکده کشاورزی، دانشگاه زنجان

چکیده

با توجه به افزایش جمعیت و توسعه کشاورزی پیش‌بینی وضعیت آبخوان و همچنین شناسایی عوامل تأثیرگذار بر آن از اهمیت زیادی برخوردار می‌شود. در این تحقیق با استفاده از سه الگوریتم نرم‌افزار داده‌کاوی SPSS Modeler IMB به کشف مدل‌ها و الگوهای مؤثر بر پیش‌بینی وضیعت آبخوان پرداخته شد. همچنین از عوامل انسانی و طبیعی تأثیرگذار بر پیش‌بینی مقدار تغییرات آبخوان دشت قزوین از سال 1380 تا 1394 به‌عنوان متغیرهای ورودی استفاده شد. مقدار صحت بین الگوریتم‌های اجرا شده CHAID، CART و CVM به ترتیب برابر با مقدار 67/0، 75/0 و 74/0 به دست آمد. مقادیر به دست آمده برای شاخص‌های حساسیت، شفافیت، صحت، نرخ مثبت غلط، نرخ منفی غلط، شاخص F، میانگین هندسی و نرخ خطا برای مدل درخت تصمیم CART نشان دهنده عملکرد بهتر این الگوریتم نسبت به سایر الگوریتم‌ها بود. قوانین استخراج شده توسط درخت تصمیم CART نشان داد که بیشترین تأثیر روی تغییرات عمق آبخوان به ترتیب مقدار دما و تبخیر و تعرق و تقاضای آب کشاورزی می‌باشد. از این‌رو مدل ارائه شده به پیش‌بینی مقدار نوسانات عمق آبخوان و نیز مدیریت صحیح آبخوان که منجر به کاهش اثرات ناشی از افت می‌شود، کمک می‌کند.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of Data Mining Algorithms in Studying and Predicting the Qazvin Plain Aquifer Conditions

نویسندگان [English]

  • Seyyedhasan Mirhashemi 1
  • Parviz Haghighatjou 2
  • Farhad Mirzaei 3
  • Mehdi Panahi 4
1 Ph.D. candidate, Dept. of Water Engineering, University of Zabol
2 Assistant Professor, Dept. of Water Engineering, University of Zabol
3 Associate Professor, Dept. of Irrigation and Drainage, University of Tehran
4 Assistant Professor, Dept. of Water Engineering, Faculty of Agriculture, University of Zanjan.
چکیده [English]

Due to population growth and agricultural development, predicting aquifer conditions and also determining factors effecting its performance are very important. In this research study, three algorithms of data mining package, i.e. IBM SPSS Modeler were applied for detecting models effective on predicting an aquifer conditions. Furthermore, human and natural factors were considered as input variables effective on predicting Qazvin plain aquifer conditions during 2001 to 2015. The accuracy of CHAID, CART, and CVM algorithms were 0.67, 0.75, and 0.74, respectively. The values obtained for different indices including TPR, TNR, ACC, FPR, FNR, FM, GM, and ER for CART decision tree model showed that the performance of the mentioned algorithm was better comparing to other algorithms. In addition, the results based on CART decision tree model show that the most important factors affecting water table fluctuations were air temperature, evapotranspiration and agricultural water demand. Thus, the developed model lead to predict water table depth in an aquifer and optimum management of the water resources.

کلیدواژه‌ها [English]

  • Agricultural Water Demand
  • Air Temperature
  • evapotranspiration
  • Decision Tree Model
  • Management