آب‌های زیرزمینی یکی از حیاتی‌ترین منابع طبیعی روی زمین هستند که با تأمین نیازهای آب شیرین در بخش‌های خانگی، کشاورزی و صنعتی، نقش محوری در حفظ حیات و معیشت ایفا می‌کنند ^.۱ اهمیت آن به ویژه در مناطقی با دسترسی محدود یا غیرقابل اعتماد به آب‌های سطحی، مانند مناطق خشک و نیمه‌خشک، که در آن‌ها آب‌های زیرزمینی اغلب به عنوان منبع اصلی یا تنها منبع آب عمل می‌کنند، برجسته‌تر است ^.۲ در طول چند دهه گذشته، افزایش تقاضا ناشی از رشد سریع جمعیت، شهرنشینی، تشدید کشاورزی و تغییرات کاربری زمین، فشار زیادی بر سیستم‌های آب‌های زیرزمینی وارد کرده است. این امر منجر به نرخ‌های استخراج ناپایدار شده است که از ظرفیت تغذیه طبیعی سفره‌های آب فراتر رفته است. در نتیجه، کاهش مداوم سطح آب‌های زیرزمینی مشاهده می‌شود که نه تنها امنیت آب در درازمدت، بلکه تعادل اکوسیستم، بهره‌وری کشاورزی و پایداری کلی محیط زیست را نیز تهدید می‌کند ^{.۳ ، ۴ ، ۵ ، ۶٫} رسیدگی به این عدم تعادل رو به رشد، به اولویتی حیاتی در دستیابی به مدیریت پایدار آب، به ویژه در مناطق تحت تنش اقلیمی و کمبود منابع، تبدیل شده است.

هند، به ویژه، با چالش‌های قابل توجهی در رابطه با کاهش آب‌های زیرزمینی مواجه است . ^۷ بسیاری از مناطق در حال حاضر دچار تنش آبی هستند و با پیش‌بینی‌هایی که نشان‌دهنده افزایش تقاضا و تغییرات اقلیمی است، انتظار می‌رود فشار بر آب‌های زیرزمینی تشدید شود. در این زمینه، ترسیم سیستماتیک و علمی مناطق پتانسیل آب‌های زیرزمینی (GWPZs) برای مدیریت پایدار آب حیاتی است. نقشه‌برداری مؤثر از GWPZها از مداخلات هدفمند برای تغذیه مجدد، تصمیم‌گیری‌های آگاهانه در مورد سیاست‌ها و استفاده بهینه از منابع پشتیبانی می‌کند . ^{۸ ، ۹ ، ۱۰} .

پیشرفت‌های مدرن در فناوری‌های مکانی – مانند سنجش از دور (RS) و سیستم‌های اطلاعات جغرافیایی (GIS) – امکان ارزیابی پتانسیل GW را با دقت و کارایی بیشتر فراهم کرده‌اند . ^۱۱٫ این ابزارها امکان استخراج و ادغام متغیرهای توزیع‌شده مکانی مانند زمین‌شناسی، ژئومورفولوژی، شیب، کاربری/پوشش زمین (LULC)، تراکم زهکشی و خطواره‌ها و شاخص‌های پوشش گیاهی (NDVI، SAVI، NDWI، TGSI) را فراهم می‌کنند. هنگامی که این عوامل با هم تجزیه و تحلیل می‌شوند، به طور جامع شرایط سطحی و زیرسطحی مؤثر بر دینامیک آب‌های زیرزمینی را نشان می‌دهند. ^{۱۲ ، ۱۳} .

برای فراتر رفتن از تکنیک‌های وزن‌دهی سنتی و خطی، این مطالعه از یک مدل مبتنی بر ANN استفاده می‌کند که رفتار یادگیری مغز انسان را برای تشخیص الگوهای غیرخطی و روابط پیچیده بین پارامترهای مؤثر شبیه‌سازی می‌کند ^{۱۴ ، ۱۵٫} مدل‌های ANN می‌توانند پیش‌بینی‌ها را از طریق آموزش تکراری اصلاح کنند و یک رویکرد مبتنی بر داده، تطبیقی ​​و بسیار دقیق برای نقشه‌برداری GWPZها ارائه دهند ^{۱۶ ، ۱۷ ، ۱۸ ، ۱۹٫} این روش به ویژه در مناطقی با داده‌های زیرسطحی محدود ارزشمند است، زیرا از ویژگی‌های سطحی قابل مشاهده و سوابق تاریخی برای استنباط شرایط آب‌های زیرزمینی استفاده می‌کند. سیستم‌های ANN با تنظیم مداوم وزن‌های داخلی بر اساس کمینه‌سازی خطا، عملکرد طبقه‌بندی را با هر چرخه آموزش بهبود می‌بخشند. علاوه بر این، ظرفیت آنها برای مدیریت روابط غیرخطی بین لایه‌های موضوعی متعدد، آنها را به ویژه برای زمین‌های هیدروژئولوژیکی پیچیده مناسب می‌کند ^{۲۰ ، ۲۱ ، ۲۲} .

مطالعات متعددی اثربخشی شبکه عصبی مصنوعی (ANN) را در نقشه‌برداری GWPZ برجسته کرده‌اند. به عنوان مثال، مدل‌های ANN با موفقیت برای ترسیم GWPZها با دقت پیش‌بینی بالاتر در مقایسه با روش‌های سنتی به کار گرفته شده‌اند. کاربرد ANN برای ارزیابی آسیب‌پذیری آب‌های زیرزمینی نیز در محیط‌های مختلف هیدروژئولوژیکی نشان داده شده است ^{۲۳ ، ۲۴ ، ۲۵٫} علاوه بر این، ادغام ANN با سنجش از دور و GIS در مدیریت مجموعه داده‌های مکانی پیچیده و ثبت روابط غیرخطی بین متغیرها مؤثر بوده است ^{۲۶ ، ۲۷٫} این مطالعات در مجموع بر استحکام ANN به عنوان یک ابزار یادگیری ماشین در کاربردهای هیدروژئولوژیکی، به ویژه در مناطق با کمبود داده، تأکید دارند. با توجه به چالش‌های ارزیابی آب‌های زیرزمینی در مناطق نیمه‌خشک، ANN یک راه‌حل عملی و مقیاس‌پذیر برای شناسایی مناطق تغذیه بالقوه ارائه می‌دهد. مطالعه حاضر با تطبیق تکنیک‌های ANN با شرایط محلی، بر این پایه بنا شده است و در نتیجه به مدیریت آگاهانه منابع آب کمک می‌کند.

این مطالعه به بررسی تنش فزاینده آب‌های زیرزمینی در MRB، منطقه‌ای که تغییرات سریع زیست‌محیطی و اجتماعی-اقتصادی را تجربه می‌کند، می‌پردازد. نوآوری این تحقیق در ادغام مجموعه داده‌های مکانی چندمعیاره با مدل‌سازی ANN برای تعیین GWPZها با دقتی بیشتر از رویکردهای مرسوم است. برخلاف مطالعات قبلی که عمدتاً بر روش‌های AHP یا مبتنی بر شاخص متکی بودند، این تحقیق از قابلیت‌های تشخیص الگو و مدل‌سازی غیرخطی ANN برای افزایش دقت پیش‌بینی استفاده می‌کند. نقشه GWPZ تولید شده با استفاده از داده‌های موجودی چاه و مشاهدات عمق آب‌های زیرزمینی اعتبارسنجی می‌شود و دقت علمی و ارتباط عملی را تضمین می‌کند. سهم اصلی این کار، توسعه یک مدل GWPZ با وضوح بالا و قابل اعتماد با استفاده از تکنیک‌های سنجش از دور، GIS و ANN است. این رویکرد نه تنها از اکتشاف و برنامه‌ریزی تغذیه آب‌های زیرزمینی در MRB پشتیبانی می‌کند، بلکه یک چارچوب مقیاس‌پذیر و قابل انتقال برای مدیریت پایدار آب‌های زیرزمینی در سایر حوضه‌های رودخانه‌ای با کمبود داده یا نیمه‌خشک در سطح جهان ارائه می‌دهد و به اهداف گسترده‌تر امنیت آب و پایداری زیست‌محیطی کمک می‌کند.

منطقه مورد مطالعه

رودخانه ماهی (MRB) در غرب هند واقع شده و بخش‌هایی از مادیا پرادش، راجستان و گجرات را در بر می‌گیرد و در نهایت از طریق خلیج خامبات به دریای عرب می‌ریزد (شکل ۱ ). رودخانه ماهی از مادیا پرادش سرچشمه می‌گیرد و توسط سه شاخه اصلی تغذیه می‌شود: رودخانه سام (Som) که از تپه‌های آراوالی شرقی راجستان سرچشمه می‌گیرد؛ رودخانه آناس (Anas) که از رشته‌کوه‌های ویندهیان جنوبی مادیا پرادش سرچشمه می‌گیرد؛ و رودخانه پنام (Panam) که در منطقه دورگاپور راجستان به سام و آناس می‌پیوندد ^{(۲۸ ، ۲۹)} . این شاخه‌ها به طور قابل توجهی در دینامیک زهکشی و رفتار هیدرولوژیکی حوضه نقش دارند ^(۳۰) . رودخانه ماهی ویژگی‌های فیزیوگرافی متنوعی از جمله تپه‌های ناهموار آراوالی شرقی، زمین‌های مواج ویندهیان و دشت‌های میانی را نشان می‌دهد که منجر به ویژگی‌های پیچیده ژئومورفولوژیکی و هیدرولوژیکی می‌شود. آب و هوای نیمه‌خشک منطقه، که با تغییرات فصلی مشخص در بارندگی و دما مشخص می‌شود، چالش‌های قابل توجهی را برای تغذیه و دسترسی به آب‌های زیرزمینی ایجاد می‌کند . ^۳۱ علاوه بر این، این حوضه با تراکم بالای خطوط، الگوهای زهکشی متغیر و سازندهای زمین‌شناسی ناهمگن مشخص می‌شود که همگی بر حرکت و تجمع آب‌های زیرزمینی تأثیر می‌گذارند. کاربری زمین در MRB عمدتاً کشاورزی است و افزایش شهرنشینی فشار بیشتری بر منابع آب زیرزمینی وارد می‌کند. تراکم جمعیت در سراسر حوضه متفاوت است و مراکز شهری شاهد رشد سریع هستند، در حالی که جوامع روستایی برای آبیاری و مصارف خانگی به شدت به آب‌های زیرزمینی متکی هستند. تراکم بالای خطوط در مناطق خاص، که نشان دهنده افزایش نفوذپذیری زیرسطحی و حرکت آب‌های زیرزمینی همراه با افزایش فشار انسانی است، نیاز فوری به ارزیابی علمی و مدیریت پایدار منابع آب زیرزمینی در منطقه را برجسته ^{می‌کند} .

داده‌های مورد استفاده

این مطالعه از داده‌های ماهواره‌ای و داده‌های جانبی چندمنبعی برای تعیین مناطق GWPZ در MRB استفاده کرد. تصاویر ماهواره‌ای در سال ۲۰۲۴، از Landsat 8 OLI/TIRS (با وضوح مکانی ۳۰ متر) و Sentinel-2 MSI (با وضوح مکانی ۱۰ متر) تهیه شد. یک مدل ارتفاعی دیجیتال (DEM) با وضوح مکانی ۳۰ متر از Earth Explorer ( https://earthexplorer.usgs.gov/ ) دریافت شد، در حالی که داده‌های Sentinel-2 از طریق مرکز دسترسی آزاد Copernicus ( https://scihub.copernicus.eu/ ) قابل دسترسی بودند.

مدل رقومی ارتفاع (DEM) دقت را افزایش و بهبود بخشید؛ مراحل پیش‌پردازش مانند نمونه‌برداری مجدد و کاهش نویز اعمال شد و پس از آن با برگه‌های توپوگرافی با مقیاس ۱:۵۰۰۰۰ که از سازمان نقشه‌برداری هند (SOI) به دست آمده بود، ادغام شد. این برگه‌ها ویژگی‌های ارتفاعی و زمینی دقیقی را ارائه می‌دادند و از اصلاح پارامترهای توپوگرافی و هیدرولوژیکی پشتیبانی می‌کردند. مجموعه داده‌های جانبی، از جمله اطلاعات هواشناسی و اقلیمی، از مرکز بایگانی داده‌های ماهواره‌ای هواشناسی و اقیانوس‌شناسی (MOSDAC) بازیابی شدند. کار میدانی با استفاده از یک گیرنده GPS با دقت بالا Trimble Geo 7X برای جمع‌آوری مختصات دقیق طول و عرض جغرافیایی انجام شد. این نقاط کنترل زمینی (GCP) برای زمین‌مرجع‌سازی، ترازبندی مکانی و اعتبارسنجی لایه‌های جغرافیایی ضروری بودند.

کالیبراسیون تصویر و تصحیح اتمسفری برای اطمینان از یکپارچگی داده‌ها و افزایش قابلیت اطمینان تحلیل‌های بعدی انجام شد. اصلاحات هندسی با استفاده از ArcGIS 10.8 انجام شد، که در آن از نقاط کنترل زمینی (GCP) و تبدیل‌های چندجمله‌ای (مرتبه دوم) برای به حداقل رساندن اعوجاج‌های مکانی استفاده شد. خطای جذر میانگین مربعات (RMSE) برای تأیید دقت هندسی محاسبه شد، با آستانه‌های قابل قبول که در کل حفظ شدند. اصلاحات رادیومتریک شامل تکنیک‌های کاهش نویز مانند تفریق شیء تاریک و یکسان‌سازی هیستوگرام برای جبران اعوجاج‌های خاص حسگر و اثرات مه بود. اصلاحات اتمسفری، از جمله حذف مه و ابر، با استفاده از ERDAS IMAGINE انجام شد. علاوه بر این، از روش‌های نمونه‌برداری مجدد (کانولوشن مکعبی) برای اطمینان از وضوح مکانی یکنواخت در بین مجموعه داده‌ها استفاده شد. تصاویر پردازش شده در یک محیط GIS ادغام شدند تا از تجزیه و تحلیل مکانی جامع پشتیبانی کنند. جدول  ۱ منابع داده، وضوح مکانی، پلتفرم‌های اخذ داده و تکنیک‌های پیش‌پردازش، از جمله کاهش نویز، نمونه‌برداری مجدد و اصلاحات اتمسفری مورد استفاده برای نقشه‌برداری GWPZها در MRB را خلاصه می‌کند و در نتیجه نتایج قوی و قابل اعتماد را تضمین می‌کند.

روش‌شناسی

این مطالعه از یک رویکرد داده‌محور با استفاده از شبکه عصبی مصنوعی (ANN) یکپارچه با GIS برای ترسیم مناطق حفاظت‌شده معدنی (GWPZs) در MRB هند استفاده کرد. این روش شامل سه مرحله اصلی است: آماده‌سازی لایه موضوعی، توسعه و آموزش مدل ANN، و نقشه‌برداری و اعتبارسنجی مناطق حفاظت‌شده معدنی (GWPZ). گردش کار کلی در شکل  ۲ نشان داده شده است .

جمع‌آوری و پیش‌پردازش داده‌های ماهواره‌ای

تصاویر ماهواره‌ای لندست ۸ با استفاده از تکنیک‌های پیش‌پردازش استاندارد، تهیه و تصحیح جوی شدند. شاخص‌های موضوعی مختلفی با استفاده از ترکیب باندها و عملیات رستری از طریق ابزار Raster Calculator در جعبه ابزار Spatial Analyst نرم‌افزار ArcGIS تولید شدند. جدول  ۲ معادلات نسبت باندی را که لایه‌های موضوعی مبتنی بر سنجش از دور را استخراج می‌کنند، نشان می‌دهد.

انتخاب، آماده‌سازی و تحلیل همبستگی لایه‌های موضوعی

لایه‌های موضوعی (TLs) که نشان‌دهنده پارامترهای محیطی و هیدروژئولوژیکی هستند، بر اساس اهمیت آنها در تأثیرگذاری بر دینامیک آب‌های زیرزمینی انتخاب شدند. این لایه‌ها شامل زمین‌شناسی، ژئومورفولوژی، شیب، تراکم خطواره‌ها، تراکم زهکشی، کاربری/پوشش زمین (LULC) و شاخص‌های سنجش از دور مانند NDVI، SAVI، NDWI و TGSI می‌شوند.

هر لایه با استفاده از روش‌های استاندارد سنجش از دور و مبتنی بر GIS تهیه شد. زمین‌شناسی و ژئومورفولوژی از نقشه‌های سازمان زمین‌شناسی هند (GSI) رقومی شده و با استفاده از تصاویر لندست ۸ طبقه‌بندی شدند. زهکشی و تراکم زهکشی از مدل ارتفاعی دیجیتال (DEM) با استفاده از ابزار ArcHydro استخراج شدند. شیب با استفاده از تابع «شیب» در ArcGIS 10.8 از DEM تولید شد. LULC با استفاده از روش طبقه‌بندی نظارت شده از داده‌های Sentinel-2 طبقه‌بندی شد. تراکم خطواره‌ها با استفاده از ابزار تراکم خط از داده‌های ماهواره‌ای و DEM استخراج شد. شاخص‌های پوشش گیاهی و سطحی، NDVI، SAVI، NDWI و TGSI از نسبت‌های باندی لندست ۸ محاسبه شدند.

تمام لایه‌ها رستری شدند، با وضوح مکانی یکنواخت ۳۰ متر نمونه‌برداری مجدد شدند و با استفاده از مقیاس‌بندی حداقل-حداکثر برای استانداردسازی محدوده ویژگی‌های ورودی قبل از پردازش ANN، نرمال‌سازی شدند.

برای اطمینان از استقلال آماری بین لایه‌های موضوعی انتخاب شده، ماتریس همبستگی پیرسون و تحلیل عامل تورم واریانس (VIF) انجام شد ^۴۰ . نتایج (جدول ۳ ) نشان می‌دهد که همه ضرایب همبستگی کمتر از ۰٫۸۰ و مقادیر VIF کمتر از ۵ بودند که عدم وجود همخطی چندگانه معنی‌دار بین پیش‌بینی‌کننده‌ها را تأیید می‌کند ^۴۱ . اگرچه NDVI و SAVI همبستگی متوسطی نشان دادند ( r = ۰٫۷۲)، اما هر دو حفظ شدند زیرا نشان‌دهنده ویژگی‌های سطحی متمایزی مربوط به پتانسیل آب‌های زیرزمینی هستند. NDVI قدرت پوشش گیاهی را ثبت می‌کند، در حالی که SAVI اثرات روشنایی خاک را تنظیم می‌کند. این یافته‌ها تأیید می‌کنند که هر لایه موضوعی به طور مستقل در عملکرد مدل ANN نقش دارد.

تمام ضرایب همبستگی (|r| < 0.80) و مقادیر VIF (< 5) هیچ هم‌خطی چندگانه معنی‌داری را بین متغیرهای پیش‌بینی‌کننده نشان نمی‌دهند. اگرچه NDVI و SAVI همبستگی متوسطی دارند، اما هر دو حفظ شدند زیرا NDVI قدرت کلی پوشش گیاهی را ثبت می‌کند و SAVI اثرات روشنایی خاک را که هر دو برای مدل‌سازی هیدرولوژیکی و تغذیه حیاتی هستند، جبران می‌کند.

جمع‌آوری داده‌های حقیقت زمینی

مکان‌های چاه‌های با عملکرد بالا، شامل داده‌های چاه‌های حفر شده که از پایگاه داده شورای آب مرکزی (CWB) به دست آمده بودند، جمع‌آوری و از نظر مکانی با پشته رستری لایه‌های موضوعی هم‌تراز شدند. هر مکان بر اساس داده‌های اندازه‌گیری شده سطح آب، به طبقات عملکرد آب زیرزمینی (زیاد، متوسط، کم) طبقه‌بندی شد. این مجموعه داده‌ها به عنوان ورودی برچسب‌گذاری شده برای آموزش مدل ANN تحت نظارت استفاده شد.

معماری و آموزش مدل ANN

یک مدل طبقه‌بندی مبتنی بر ANN با استفاده از پلتفرم یادگیری ماشین Weka توسعه داده شد، که در آن مجموعه داده‌های مکانی در ArcGIS 10.8 پیش‌پردازش شدند ^{[۴۲ ، ۴۳ ، ۴۴} ]. پشته رستری لایه‌های موضوعی به شکل جدولی تبدیل و به عنوان داده‌های توصیفی برای پردازش ANN در Weka صادر شد. اندازه لایه ورودی با تعداد لایه‌های موضوعی مورد استفاده به عنوان ویژگی‌های پیش‌بینی مطابقت داشت. دو لایه پنهان به ترتیب با ۳۲ و ۱۶ نورون پیکربندی شدند و از توابع فعال‌سازی ReLU برای معرفی غیرخطی بودن ^{[۴۵ ، ۴۶ ] استفاده کردند. لایه خروجی شامل پنج نورون با یک تابع فعال‌سازی Softmax بود که مستقیماً داده‌ها را به GWPZهای بسیار خوب، خوب، متوسط، ضعیف و بسیار ضعیف طبقه‌بندی می‌کرد، که از روش طبقه‌بندی چند طبقه‌ای استاندارد که در مطالعات مشابه ANN استفاده می‌شود [۴۸ ، ۴۹]} پیروی می‌کند . سهم (اهمیت) هر لایه موضوعی با استفاده از الگوریتم گارسون محاسبه شد، که وزن‌های اتصال بین لایه‌های ورودی، پنهان و خروجی را برای تعیین کمیت تأثیر نسبی هر پیش‌بینی‌کننده در مدل ANN تقسیم می‌کند.

برای بهبود تعمیم‌پذیری و کاهش خطرات بیش‌برازش، مجموعه داده‌ها به زیرمجموعه‌های آموزش (۷۰%)، اعتبارسنجی (۱۵%) و آزمایش (۱۵%) تقسیم شدند. توقف زودهنگام برای پایان دادن به آموزش زمانی که دقت اعتبارسنجی در ۱۵ دوره متوالی بهبود نیافت، اعمال شد. منظم‌سازی حذف (نرخ = ۰٫۲) در لایه‌های پنهان معرفی شد تا نورون‌ها به طور تصادفی در طول آموزش غیرفعال شوند و در نتیجه، استحکام افزایش یابد. آموزش مدل از یک رویکرد یادگیری نظارت‌شده پیروی کرد و از آنتروپی متقاطع طبقه‌بندی‌شده به عنوان تابع زیان و بهینه‌ساز آدام برای به‌روزرسانی وزن‌ها استفاده کرد.

پارامترهای آموزشی شامل اندازه دسته‌ای معادل ۳۲، ۱۰۰ دوره و تقسیم اعتبارسنجی ۳۰٪ از مجموعه داده‌های ورودی برای ارزیابی عملکرد تعمیم بود. مطالعات مشابه پتانسیل آب‌های زیرزمینی مبتنی بر ANN، از معماری‌هایی با یک یا دو لایه پنهان و تعداد نورون‌ها از ۱۰ تا ۳۰ استفاده کردند و به دقتی بین ۹۴٪ تا ۸۵٪ دست یافتند. ^{۴۹ ، ۵۰.} در مقایسه، معماری اتخاذ شده در این مطالعه به دقتی معادل ۸۵٪ دست یافت که عملکرد رقابتی و استحکام را در نقشه‌برداری از GWPZها در شرایط نیمه‌خشک نشان می‌دهد.

در این مطالعه، چندین لایه موضوعی شامل شیب، زمین‌شناسی، ژئومورفولوژی، تراکم خطواره‌ها، تراکم زهکشی، NDVI، SAVI، NDWI، TGSI و کاربری/پوشش زمین (LULC) به عنوان عوامل پیش‌بینی‌کننده مورد استفاده قرار گرفتند. هر لایه نشان‌دهنده ویژگی‌های مکانی و محیطی منحصر به فردی است که بر وقوع و پتانسیل تغذیه آب‌های زیرزمینی تأثیر می‌گذارند. در حالی که بسیاری از این عوامل شرایط هیدروژئولوژیکی یا سطحی متمایزی را ثبت می‌کنند، برخی، مانند NDVI و SAVI، همبستگی بالایی دارند زیرا هر دو مربوط به پوشش گیاهی هستند. NDVI سلامت و سرسبزی پوشش گیاهی را اندازه‌گیری می‌کند، در حالی که SAVI اثرات روشنایی خاک را، به ویژه در مناطقی با پوشش گیاهی پراکنده، تنظیم می‌کند. با وجود این همبستگی، هر دو شاخص بینش‌های مکملی ارائه می‌دهند، به طوری که NDVI بر قدرت پوشش گیاهی تمرکز دارد و SAVI تشخیص سیگنال را در جایی که پس‌زمینه خاک بر بازتاب پوشش گیاهی تأثیر می‌گذارد، افزایش می‌دهد. بنابراین، هر دو به عنوان ویژگی‌های ورودی مستقل حفظ شدند تا توانایی مدل در تشخیص تغییرات ظریف در شرایط سطحی که بر نفوذ و تغذیه تأثیر می‌گذارند، غنی‌تر شود.

عوامل دیگری مانند شیب، که الگوهای رواناب و نفوذ را کنترل می‌کند؛ زمین‌شناسی و ژئومورفولوژی، که بر ساختار و ظرفیت ذخیره‌سازی آبخوان تأثیر می‌گذارند؛ تراکم خطواره‌ها، که نشان‌دهنده مسیرهای تخلخل ثانویه است؛ تراکم زهکشی، که بر رواناب سطحی تأثیر می‌گذارد؛ NDWI، که وجود رطوبت را ثبت می‌کند؛ TGSI، که منعکس‌کننده سبزی خاک سطحی است؛ و LULC، که ویژگی‌های سطح زمین را تعیین می‌کند، نیز به عنوان متغیرهای مستقل در نظر گرفته شدند. در مجموع، این عوامل یک نمایش جامع از محیط سطحی و زیرسطحی ارائه می‌دهند و گنجاندن آنها تضمین می‌کند که مدل ANN به طور مؤثر فرآیندهای متنوع حاکم بر دینامیک آب‌های زیرزمینی را ثبت می‌کند.

ارزیابی مدل

عملکرد مدل با استفاده از دقت ارزیابی شد، که صحت کلی پیش‌بینی‌ها را اندازه‌گیری می‌کند. علاوه بر این، از منحنی مشخصه عملیاتی گیرنده (ROC) برای تجسم عملکرد طبقه‌بندی مدل استفاده شد، در حالی که از مساحت زیر منحنی (AUC) برای تعیین کمیت توانایی تمایز آن استفاده شد، که مقادیر بالاتر AUC نشان دهنده عملکرد بهتر مدل است ^{۵۱ ، ۵۲} .

نقشه برداری و تجسم GWPZ

پس از آموزش موفقیت‌آمیز، از مدل برای پیش‌بینی GWPZها برای کل منطقه مورد مطالعه استفاده شد. برای هر پیکسل در منطقه مورد مطالعه، مقادیر مربوطه از لایه‌های موضوعی نرمال‌شده به شبکه عصبی مصنوعی وارد شدند تا منطقه را طبقه‌بندی کنند (GWPZهای بسیار خوب، خوب، متوسط، ضعیف و بسیار ضعیف). نقشه طبقه‌بندی حاصل در ArcGIS پس‌پردازش شد تا توزیع‌های مکانی آنها تجسم شود.

اعتبارسنجی با داده‌های میدانی

نقشه نهایی GWPZ با استفاده از تحلیل همپوشانی نقاط آبدهی چاه در GWPZهای پیش‌بینی‌شده، برای ارزیابی توافق مکانی، اعتبارسنجی شد ^(۵۳) . همچنین مقایسه‌ای با داده‌های عمق سطح ایستابی مشاهده‌شده برای اطمینان از سازگاری با شرایط واقعی هیدروژئولوژیکی انجام شد. عملکرد مدل با استفاده از منحنی AUC-ROC و یک ماتریس درهم‌ریختگی، که دقت، یادآوری و نمرات F1 را به صورت کلاسی ارائه می‌داد، کمی‌سازی شد. برای تأیید تمایز آماری بین کلاس‌های پتانسیل آب زیرزمینی، آزمون H کروسکال-والیس با تصحیح تعقیبی دان انجام شد که تفاوت‌های معنی‌دار ( p < 0.001) در عمق آب‌های زیرزمینی در پنج GWPZ را تأیید کرد. علاوه بر این، آزمون I موران و تحلیل نیم‌تغییرنمای باقیمانده برای ارزیابی استقلال مکانی خطاهای پیش‌بینی اعمال شد. نتایج (I = 0.037، p = ۰٫۴۶) نشان‌دهنده توزیع تصادفی باقیمانده بود که تأیید می‌کند مدل ANN عاری از بایاس مکانی است.

مزایای شبکه عصبی مصنوعی (ANN) نسبت به فرآیند تحلیل سلسله مراتبی (AHP) سنتی

تکنیک ANN به دلیل ماهیت داده‌محور و عینی خود، بر AHP ترجیح داده شد. در حالی که AHP برای تعیین وزن‌ها به قضاوت متخصص وابسته است و باعث ایجاد ذهنیت می‌شود، ANN به طور مستقل از داده‌ها یاد می‌گیرد و روابط غیرخطی پیچیده بین متغیرها را ثبت می‌کند. ANN سازگاری، مقیاس‌پذیری و سازگاری بهتری را، به ویژه در مناطق بزرگ و از نظر زمین‌شناسی متنوع، ارائه می‌دهد. عملکرد برتر آن در مطالعات اخیر، استفاده از آن را برای نقشه‌برداری دقیق‌تر و قوی‌تر GWPZ در این مطالعه بیشتر تأیید می‌کند.

اهمیت ویژگی و تحلیل سهم موضوعی

مدل ANN آموزش‌دیده، درجات مختلفی از تأثیر را بین لایه‌های موضوعی ورودی مورد استفاده برای طبقه‌بندی GWPZ نشان داد. این مدل نمرات اهمیت نسبی (وزن‌ها) اختصاص داده شده به هر ویژگی ورودی را در طول آموزش با استفاده از تکنیک‌های تجزیه و تحلیل ویژگی داخلی استخراج کرد. مقادیر اهمیت ویژگی با استفاده از الگوریتم گارسون محاسبه شدند که وزن‌های اتصال را در لایه‌های ورودی، پنهان و خروجی تجزیه می‌کند تا سهم نسبی هر متغیر موضوعی را تعیین کند. این نمرات نشان می‌دهد که هر لایه موضوعی چقدر در طبقه‌بندی GWPZها نقش دارد. جدول  ۴ آمار خلاصه هر لایه موضوعی، شامل تعداد دسته‌ها و وزن‌های سهم مشتق‌شده از ANN مربوطه را ارائه می‌دهد. بیشترین وزن برای تراکم خطواره (۱۴٪) و پس از آن ژئومورفولوژی (۱۲٪)، تراکم زهکشی (۱۲٪)، شیب (۱۱٪) و LULC (10٪) مشاهده شد. شاخص‌های مبتنی بر سنجش از دور مانند SAVI، NDVI و NDWI اهمیت متوسطی را نشان دادند، در حالی که TGSI تأثیر نسبتاً کمتری نشان داد.

لایه‌های موضوعی و تأثیر آنها بر GWPZها (مبتنی بر ANN)

رویکرد مبتنی بر شبکه عصبی مصنوعی (ANN) به طور مؤثر سهم هر لایه موضوعی را در تعیین GWPZها کمّی می‌کند. ANN به جای تکیه بر وزن‌های ذهنی، از الگوریتم‌های تشخیص الگو و آموزش برای استخراج روابط غیرخطی اساسی بین متغیرهای موضوعی ورودی و وقوع آب‌های زیرزمینی استفاده می‌کند . ^۵۴ این روش دقت و عینیت مبتنی بر داده را در درک نقش پارامترهای مختلف افزایش می‌دهد. هر لایه موضوعی – از ویژگی‌های ژئوفیزیکی گرفته تا شاخص‌های پوشش گیاهی – به طور مستقیم، غیرمستقیم یا به صورت حمایتی بر GWPZها تأثیر می‌گذارد. بر اساس مدل ANN آموزش دیده، وزن سهم هر لایه با در نظر گرفتن رابطه مکانی و آماری طبقات آن با وقوع آب‌های زیرزمینی محاسبه شد. جدول ۴ در زیر آمار کلیدی هر لایه موضوعی، منبع، تعداد دسته‌های طبقه‌بندی شده، وزن سهم مشتق شده از ANN، نوع تأثیر و تأثیر آن بر دسترسی به آب‌های زیرزمینی را ارائه می‌دهد. علاوه بر این، طبقات تأثیر غالب برای برجسته کردن دسته‌های کلیدی که بیشترین تأثیر را در مناطق بالقوه دارند، ذکر شده‌اند.

زمین‌شناسی

زمین‌شناسی MRB به طور قابل توجهی متنوع است و شامل بازالت‌های دکن، ابرگروه آراوالی و رسوبات یخچالی در امتداد ساحل می‌شود (شکل ۳ (الف)). ابرگروه آراوالی شامل سازندهای متعددی از جمله گروه هیندولی، کمپلکس منگالوار، کمربند پور-بانرا، کمربند راجپورا-داریبا، گروه دباری، سوئیت فوق بازیک راکهبدف، سری چامپانر و گروه کانکرولی است که هر کدام ویژگی‌های سنگ‌شناسی و ساختاری منحصر به فردی را نشان می‌دهند که بر رفتار آب‌های زیرزمینی تأثیر می‌گذارند . ^۵۵٫ گروه هیندولی عمدتاً از گری‌وک و فیلیت تشکیل شده است که به دلیل بافت ریزدانه و هوازدگی جزئی، پتانسیل متوسطی برای نفوذ آب‌های زیرزمینی دارند. کمپلکس منگالوار در درجه اول از سنگ‌های گنیسی متقاطع با خطواره‌ها تشکیل شده است که علیرغم ماهیت بلوری خود، تخلخل ثانویه را افزایش داده و امکان نفوذ محدود آب را فراهم می‌کنند. به طور مشابه، کمربند پور-بانرا، که با سازندهای آهن نواری (BIF)، کوارتزیت و کنگلومراها مشخص می‌شود، مناطق تغذیه بالقوه‌ای را در امتداد کنتاکت‌های شکستگی فراهم می‌کند. گروه دباری، با کنگلومرای پترومیک و آرکوز سنگریزه‌دار خود، مناطق محلی با نفوذپذیری متوسط ​​را نشان می‌دهد. سری‌های راخابدف و چامپانر، با سنگ‌شناسی‌های متنوع از جمله شیل، سنگ آهک و کوارتزیت فلدسپاتیک، نیز در پتانسیل آب‌های زیرزمینی نقش دارند، هرچند که تخلخل اولیه آنها را محدود می‌کند. در بخش غربی حوضه، تله‌های دکن بر محیط زمین‌شناسی تسلط دارند. این سنگ‌های آتشفشانی کرتاسه-پالئوسن معمولاً نفوذناپذیر هستند، اما مناطق هوازده و شکسته آنها می‌توانند به صورت محلی از تغذیه آب‌های زیرزمینی پشتیبانی کنند. گرانیت گودرا، یک سازند نئوپروتروزوئیک که در زیر تله‌های دکن قرار دارد، بیشتر به ویژگی پیچیده هیدروژئولوژیکی حوضه کمک می‌کند. گروه سمری، که در قسمت شمال شرقی حوضه واقع شده است، با تله‌های دکن و گروه بنپال هم‌مرز است. این شامل سازندهای کمپلکس گنیس نواری و گرانیت بوندلخند است که پی‌سنگ توالی‌های رسوبی مزوپروتروزوئیک را تشکیل می‌دهند. گروه بنپال، به سن آرکئن، شامل متابازالت‌های بادامکی و سیل‌ها و دایک‌های بازیک است که معمولاً پیچیده و متراکم هستند اما ممکن است در شرایط هوازدگی تخلخل ثانویه ایجاد کنند.

در تحلیل مبتنی بر شبکه عصبی مصنوعی، به لایه موضوعی زمین‌شناسی، بر اساس یادگیری مدل از الگوهای ورودی در سراسر منطقه، وزن سهم ۱۰ درصدی اختصاص داده شد. مدل شبکه عصبی مصنوعی مناطقی را شناسایی کرد که در زیر آنها سنگ‌های دگرگونی هوازده، سنگ‌شناسی‌های شنی و رسوبات دانه‌درشت قرار دارند و به دلیل نفوذپذیری و ظرفیت ذخیره‌سازی بالاتر، پتانسیل آب زیرزمینی بیشتری را نشان می‌دهند. در مقابل، به دلیل تخلخل و نفوذپذیری محدود، سنگ‌های کریستالی عظیم مانند گرانیت‌ها، بازالت‌ها و واحدهای اولترامافیک سهم کمتری را نشان دادند. به این ترتیب، زمین‌شناسی چارچوب اساسی را برای مدل شبکه عصبی مصنوعی فراهم می‌کند تا مناطق مطلوب برای ذخیره‌سازی و تغذیه آب‌های زیرزمینی را مشخص کند و الگوی مکانی GWPZها را در سراسر منطقه مورد مطالعه شکل دهد.

ژئومورفولوژی (GM)

ژئومورفولوژی نقش مهمی در تعیین پتانسیل آب‌های زیرزمینی ایفا می‌کند، زیرا مستقیماً بر رواناب سطحی، نفوذ و ذخیره آب‌های زیرزمینی تأثیر می‌گذارد ^۵۶٫ در این مطالعه، واحدهای ژئومورفیک از داده‌های سنجش از دور مشخص شده و به طبقات استاندارد شکل زمین، از جمله دشت‌های آبرفتی، دشت‌های ساحلی، دشت‌های سیلابی، تپه‌ها/دره‌های جدا شده، فلات‌ها، دشت‌های کوهستانی، معادن و آبراه‌ها طبقه‌بندی شدند (شکل ۳ (ب)).

مجتمع‌های دشت-دشت، دشت‌های آبرفتی و دشت‌های سیلابی به دلیل زمین نسبتاً مسطح، پوشش مواد هوازده و شرایط ظرفیت نفوذ بیشتر که برای تغذیه آب‌های زیرزمینی مطلوب هستند، به عنوان طبقات با نفوذ بالا در مدل ANN ظاهر شدند. به طور مشابه، مناطق مجاور رودخانه‌ها، کانال‌ها و مخازن به دلیل دسترسی پایدار به رطوبت و اتصال هیدرولوژیکی، پتانسیل آب‌های زیرزمینی بالایی را نشان دادند. در مقابل، زمین‌های سنگی سخت، از جمله تپه‌ها و فلات‌های جدا شده، به دلیل شیب‌های تند، پوشش خاک محدود و رواناب سطحی بالا که در مجموع تغذیه و ذخیره آب را محدود می‌کنند، پتانسیل کمتری را نشان دادند. مدل ANN 12٪ از وزن سهم را به ژئومورفولوژی اختصاص داد که نقش قابل توجه آن را در توزیع پتانسیل آب‌های زیرزمینی برجسته می‌کند. برای پرداختن به تفاوت‌های رفتار هیدروژئولوژیکی بین زمین‌های آبرفتی و سنگ سخت، عملکرد مدل نیز به طور جداگانه برای این دو محیط ژئومورفولوژیکی اصلی ارزیابی شد. این تجزیه و تحلیل دقت پیش‌بینی بالاتری را در دشت‌های آبرفتی نشان داد، جایی که مکانیسم‌های تداوم و تغذیه آبخوان یکنواخت‌تر هستند، در مقایسه با مناطق سنگی سخت که به دلیل سیستم‌های آبخوان شکسته، تنوع بیشتری را نشان می‌دهند. نتایج، اهمیت اعتبارسنجی ویژه زمین را برای اطمینان از نقشه‌برداری دقیق و حساس به شرایط آب‌های زیرزمینی برجسته می‌کند.

تراکم زهکشی (DD)

تراکم زهکشی (DD) یک پارامتر مورفومتریک حیاتی است که میزان و توزیع ویژگی‌های زهکشی سطحی در یک منطقه مشخص را نشان می‌دهد. این پارامتر به صورت طول کل نهرها در واحد سطح محاسبه می‌شود و با نفوذپذیری سطحی و تغذیه آب‌های زیرزمینی رابطه معکوس دارد ^{۵۷ ، ۵۸٫} در این مطالعه، DD در پنج محدوده طبقه‌بندی شد: ۰ تا ۰٫۰۲ کیلومتر بر کیلومتر مربع ^، ۰٫۰۲ تا ۰٫۰۶ کیلومتر بر کیلومتر مربع ^، ۰٫۰۶ تا ۰٫۱۰ کیلومتر بر کیلومتر مربع ^، ۰٫۱۰ تا ۰٫۱۴ کیلومتر بر کیلومتر مربع ^و ۰٫۱۴ تا ۰٫۲۶ کیلومتر بر کیلومتر ^مربع (شکل ۳ (ج)). در مدل ANN، مناطقی با تراکم زهکشی کم – به طور خاص کلاس ۰ تا ۰٫۰۲ کیلومتر بر کیلومتر مربع ^– به عنوان مناطق نفوذ غالب که به طور مثبت در پتانسیل آب‌های زیرزمینی نقش دارند، شناخته شدند. این مناطق معمولاً نفوذ بیشتر و رواناب سطحی کمتری را فراهم می‌کنند و نفوذ آب به لایه‌های زیرسطحی را تسهیل می‌کنند. در مقابل، مدل ANN دریافت که مناطق با تراکم زهکشی بالاتر (۰٫۱۴ تا ۰٫۲۶ کیلومتر بر کیلومتر مربع ⁾ برای تجمع آب‌های زیرزمینی مطلوبیت کمتری دارند، زیرا اغلب با سطوح نفوذناپذیر، شیب‌های تند و رواناب سطحی افزایش‌یافته مرتبط هستند – عواملی که راندمان تغذیه آب‌های زیرزمینی را کاهش می‌دهند. رویکرد مبتنی بر ANN، وزن سهم ۹ درصدی را به لایه تراکم زهکشی اختصاص داد که نشان‌دهنده تأثیر غیرمستقیم اما قابل توجه آن بر پتانسیل آب‌های زیرزمینی است. این مدل به طور مؤثر الگوهای مکانی را که در آن فرکانس جریان بر پویایی تغذیه تأثیر می‌گذارد، بدون تکیه بر رتبه‌بندی‌های از پیش تعیین‌شده توسط انسان، ثبت کرد.

تراکم خطواره (LD)

خطواره‌ها، شامل ساختارهای زمین‌شناسی مانند گسل‌ها، درزه‌ها و شکستگی‌ها، به عنوان مسیرهای حیاتی برای حرکت و ذخیره آب‌های زیرزمینی عمل می‌کنند. این ویژگی‌های خطی به طور برجسته از طریق تصاویر ماهواره‌ای قابل تشخیص هستند و به صورت ترازهای مستقیم یا منحنی در سراسر زمین آشکار می‌شوند. حضور آنها اغلب با تخلخل و نفوذپذیری ثانویه افزایش یافته مرتبط است و آنها را به شاخص‌های حیاتی در ارزیابی پتانسیل آب‌های زیرزمینی تبدیل می‌کند ^۵۹ . مطالعه حاضر از تراکم خطواره (LD) به عنوان یک لایه موضوعی کلیدی در تعیین GWPZها استفاده کرد. نقشه LD از منابع سنجش از دور و DEM استخراج شده و به پنج کلاس مجزا طبقه‌بندی شده است: ۰-۰٫۱۵ کیلومتر بر کیلومتر مربع ^، ۰٫۱۵-۰٫۳۶ کیلومتر بر کیلومتر ^مربع ، ۰٫۳۶-۰٫۵۷ کیلومتر بر کیلومتر ^مربع ، ۰٫۵۷-۰٫۹۴ کیلومتر بر کیلومتر ^مربع و ۰٫۹۴-۱٫۷۸ کیلومتر بر کیلومتر مربع ⁽ شکل ۳ (d)). این محدوده‌ها برای نشان دادن سطوح فزاینده پیچیدگی ساختاری و رسانایی آب‌های زیرزمینی انتخاب شدند. تجزیه و تحلیل مبتنی بر شبکه عصبی مصنوعی نشان داد که مناطقی با بالاترین تراکم خطواره‌ها (۰٫۹۴-۱٫۷۸ کیلومتر بر کیلومتر مربع ⁾ تأثیر غالبی در خروجی مدل دارند و به شدت با پتانسیل بالای آب‌های زیرزمینی مرتبط هستند. این امر اهمیت هیدرولوژیکی مناطق متراکم شکسته و گسل‌دار را به عنوان مسیرهای ترجیحی برای تغذیه و جریان آب زیرسطحی تقویت می‌کند. در نتیجه، به LD وزن سهم ۱۴٪ – بالاترین در بین همه عوامل – اختصاص داده شد که اهمیت پیش‌بینی‌کننده قوی آن را در مدل‌سازی ANN برای شناسایی GWPZ برجسته می‌کند.

شاخص NDVI

پوشش گیاهی در تنظیم دینامیک آب‌های زیرزمینی، در درجه اول از طریق تأثیر آن بر نفوذ، تبخیر و تعرق و رواناب سطحی، بسیار مهم است ^. NDVI یک شاخص سنجش از دور پرکاربرد است که سلامت و تراکم پوشش گیاهی را بر اساس پاسخ طیفی آن ثبت می‌کند. سطوح گیاهی معمولاً نور مرئی (به ویژه طول موج‌های قرمز) را جذب می‌کنند و تابش NIR را به شدت منعکس می‌کنند، تضادی که NDVI از آن برای تعیین کمیت پوشش گیاهی و قدرت آن استفاده می‌کند ^. در این مطالعه، NDVI برای ارزیابی توزیع مکانی و تراکم پوشش گیاهی در سراسر منطقه به کار گرفته شد و بینش‌هایی در مورد مناطقی که تغذیه آب‌های زیرزمینی را ترجیح می‌دهند، ارائه می‌دهد. مقادیر NDVI به دست آمده برای منطقه مورد مطالعه بین -۰٫۱۲۷ و ۰٫۴۹۸ متغیر است، که در آن مقادیر منفی یا نزدیک به صفر نشان دهنده زمین‌های بایر، مناطق شهری یا آبراه‌ها است و مقادیر مثبت بالاتر نشان دهنده پوشش گیاهی متراکم‌تر و سالم‌تر است (شکل ۴ (الف)). سطوح گیاهی، به ویژه آنهایی که پوشش تاجی متراکم دارند، با کاهش تأثیر قطرات باران بر سطح خاک و کاهش سرعت جریان سطحی، باعث بهبود حفظ آب و افزایش نفوذ می‌شوند.

لایه NDVI موضوعی در تحلیل مبتنی بر ANN ادغام شد و وزنی معادل ۹٪ به مدل کلی بخشید. این سهم با ظرفیت ANN در تشخیص الگوها و همبستگی‌های بین تراکم پوشش گیاهی و پتانسیل تغذیه زیرسطحی تعیین شد. مناطقی با مقادیر NDVI نزدیک‌تر به انتهای بالایی محدوده، به دلیل شرایط سطحی مطلوب برای نفوذ، با مناطقی با پتانسیل آب زیرزمینی بالاتر همسو بودند. برعکس، مناطقی با مقادیر NDVI پایین یا منفی، که نمایانگر زمین‌های توسعه‌یافته یا سطوح در معرض دید هستند، قابلیت تغذیه آب زیرزمینی حداقلی را نشان دادند. با گنجاندن NDVI در چارچوب ANN، مدل به طور مؤثر نقش غیرمستقیم اما مهم پوشش گیاهی را در پایداری آب‌های زیرزمینی به تصویر می‌کشد. این لایه موضوعی با ترکیب شرایط اکولوژیکی و سطحی که بر چرخه هیدرولوژیکی در سطح زمین تأثیر می‌گذارند، دقت پیش‌بینی نقشه‌برداری GWPZ را افزایش می‌دهد.

ساوی

شاخص SAVI در تشخیص پهنه‌های آبی، پوشش گیاهی و ویژگی‌های خاک و در عین حال کاهش تأثیر روشنایی خاک بر اندازه‌گیری‌های پوشش گیاهی نقش مهمی دارد (شکل ۴ (ب)). با ادغام یک عامل تعدیل خاک در محاسبه آن، SAVI دقت ارزیابی پوشش گیاهی را، به ویژه در مناطقی با پوشش زمینی پراکنده یا ناهمگن، افزایش می‌دهد. این امر آن را به یک شاخص ارزشمند در مطالعات هیدرولوژیکی، به ویژه هنگام ارزیابی نفوذپذیری سطحی و پتانسیل تغذیه آب‌های زیرزمینی، تبدیل می‌کند. در تحلیل فعلی، SAVI نقش مهمی در ارزیابی میزان و نوع پوشش گیاهی سطحی ایفا می‌کند که به نوبه خود بر ظرفیت نفوذ زمین تأثیر می‌گذارد . ^۶۲٫ سطوح با پوشش گیاهی متراکم، حفظ رطوبت بهتر را تسهیل کرده و رواناب سطحی را کاهش می‌دهند و تغذیه آب‌های زیرزمینی را افزایش می‌دهند.

از سوی دیگر، مناطقی با پوشش گیاهی پراکنده یا خاک لخت، بیشتر مستعد فرسایش و رواناب هستند و میزان آبی که به زیرسطح نفوذ می‌کند را محدود می‌کنند. مقادیر SAVI در منطقه مورد مطالعه محاسبه و در پنج محدوده مجزا طبقه‌بندی شدند تا اهمیت هیدرولوژیکی آنها را منعکس کنند: -۰٫۱۹۱ تا ۰٫۱۲۸ مربوط به بافت‌های خاک ریز و بوته‌زارها است که معمولاً با نفوذ ضعیف و رواناب زیاد همراه هستند؛ ۰٫۱۲۸ تا ۰٫۱۸۷ نشان‌دهنده مناطقی با پوشش گیاهی متوسط ​​با پتانسیل تغذیه محدود است؛ ۰٫۱۸۷ تا ۰٫۲۵۷ شامل پوشش گیاهی متراکم است که نشان‌دهنده نفوذ بهتر و شرایط تغذیه متوسط ​​است؛ ۰٫۲۵۷ تا ۰٫۳۸۳ مربوط به مناطقی است که در نزدیکی بستر رودخانه‌ها یا با پوشش گیاهی بسیار ضخیم قرار دارند و از پتانسیل بالاتر آب‌های زیرزمینی پشتیبانی می‌کنند؛ و ۰٫۳۸۳ تا ۰٫۷۴۸ نشان‌دهنده وجود آب‌های سطحی و تالاب‌ها است که از عوامل کلیدی در تعاملات آب‌های سطحی و زیرسطحی هستند. در چارچوب شبکه عصبی مصنوعی، بر اساس توانایی مدل در شناسایی روابط غیرخطی بین تراکم پوشش گیاهی و تغذیه آب‌های زیرزمینی، به لایه SAVI وزن سهمی معادل ۸٪ اختصاص داده شد. مدل ANN نشان می‌دهد که مناطقی با مقادیر SAVI بالاتر عموماً به دلیل رطوبت بیشتر و شرایط نفوذ بهتر، با پتانسیل تغذیه بیشتر مرتبط هستند. برعکس، مناطق SAVI پایین‌تر به دلیل پوشش گیاهی پراکنده و ظرفیت نگهداری رطوبت کمتر، به عنوان مناطقی با پتانسیل تغذیه کمتر آب‌های زیرزمینی شناخته شدند. بنابراین، SAVI یک ورودی موضوعی حیاتی در ترسیم GWPZها بر اساس شبکه عصبی مصنوعی است و بینش‌های ارزشمندی در مورد توزیع فضایی سطوح مناسب تغذیه در سراسر چشم‌انداز ارائه می‌دهد.

NDWI

شاخص NDWI با استفاده از تفاوت‌های بازتاب بین طول موج‌های سبز و مادون قرمز نزدیک (NIR) یک شاخص حیاتی در شناسایی و ترسیم پهنه‌های آبی در سراسر چشم‌انداز است. حساسیت آن به میزان رطوبت و وجود آب‌های سطحی، آن را به ویژه برای برجسته کردن ویژگی‌هایی مانند رودخانه‌ها، دریاچه‌ها، مخازن و تالاب‌ها مؤثر می‌کند . ^۶۳ با این حال، NDWI گاهی اوقات می‌تواند وجود آب را بیش از حد تخمین بزند، به خصوص در مناطقی که تحت تأثیر سایه‌ها، سطوح ساخته شده یا خاک‌های اشباع قرار دارند. ارزیابی‌های NDWI اغلب با تجزیه و تحلیل‌های تشخیص تغییر NDVI تکمیل می‌شوند تا قابلیت اطمینان آنها افزایش یابد، که به تشخیص پهنه‌های آبی پایدار از ویژگی‌های فصلی یا طبقه‌بندی نادرست کمک می‌کند (شکل ۴ (ج)).

در این مطالعه، شاخص NDWI برای نقشه‌برداری از تغییرات مکانی در میزان دسترسی به آب و اشباع سطحی در سراسر منطقه محاسبه شد. مقادیر NDWI در منطقه مورد مطالعه از ۰٫۴۷۲- تا ۰٫۲۱۳ متغیر است، که مقادیر بالاتر عموماً نشان‌دهنده محتوای بیشتر آب سطحی یا رطوبت پوشش گیاهی است، در حالی که مقادیر پایین‌تر مربوط به شرایط خشک‌تر یا کاهش سطح رطوبت است ^{۶۴ ، ۶۵٫} مناطقی با مقادیر NDWI بالاتر معمولاً با آب‌های پایدار یا مناطقی با خاک اشباع مرتبط هستند که به طور مثبت در تغذیه آب‌های زیرزمینی، به ویژه در زمین‌های پست یا مسطح، نقش دارند.

در چارچوب ANN، NDWI نقش کلیدی در توصیف رژیم‌های رطوبتی سطحی و شناسایی مناطق بالقوه برای نفوذ آب‌های زیرزمینی ایفا می‌کند. مدل ANN، NDWI را در کنار سایر متغیرهای ورودی ارزیابی کرد و سهم آن را در پتانسیل آب‌های زیرزمینی ۷٪ تعیین کرد. این وزن، تأثیر آب‌های سطحی بر فرآیندهای تغذیه، به ویژه در مناطق مجاور رودخانه‌ها، کانال‌ها یا مخازن، که در آن‌ها فرصت‌های نفوذ افزایش می‌یابد، را نشان می‌دهد. ادغام NDWI در مدل مبتنی بر ANN به ثبت تعامل هیدرولوژیکی بین وجود آب‌های سطحی و تغذیه زیرسطحی کمک می‌کند. با ارزیابی پویای سیگنال‌های طیفی آب، این مدل می‌تواند مکانیسم‌های مستقیم (مثلاً فیلتراسیون کناره رودخانه) و غیرمستقیم (مثلاً خاک‌های اشباع) مؤثر بر GWPZها را در نظر بگیرد. این امر NDWI را به یک جزء حیاتی در تجزیه و تحلیل جامع پتانسیل تغذیه منطقه مورد مطالعه تبدیل می‌کند.

تی جی اس آی

شاخص TGSI، اگرچه در مطالعات آب‌های زیرزمینی نسبتاً کمتر رایج است، اما یک شاخص طیفی ارزشمند است که تغییرات ظریف در بافت سطح و پوشش گیاهی را ثبت می‌کند، که به نوبه خود بر پتانسیل نفوذ و تغذیه آب‌های زیرزمینی تأثیر می‌گذارند. TGSI اطلاعات مکانی در مورد رطوبت خاک، توزیع اندازه دانه‌های سطحی و پوشش گیاهی را در بر می‌گیرد – عواملی که در مجموع تولید رواناب و نرخ نفوذ را کنترل می‌کنند. مطالعات اخیر کاربرد TGSI را در ارزیابی‌های هیدرولوژیکی و مرتبط با نفوذ نشان داده و نقش آن را در شناسایی مناطق مستعد تغذیه تأیید کرده است ^{۶۶ ، ۶۷} .

در این مطالعه، مقادیر TGSI از ۰٫۱۳۲- تا ۰٫۴۲۰ متغیر بود و نقشه موضوعی به‌دست‌آمده به پنج دسته هیدرولوژیکی مهم طبقه‌بندی شد (شکل  ۴ (d)): 0.132- تا ۰٫۰۴۷ – خاک‌های ریزدانه (رس، سیلت) با قابلیت نگهداری رطوبت بالا، مناسب برای تغذیه طولانی‌مدت. ۰٫۰۴۷ تا ۰٫۰۷۳ – بافت‌های درشت‌تر که از قابلیت نگهداری و نفوذ متوسط ​​پشتیبانی می‌کنند. ۰٫۰۷۳ تا ۰٫۰۸۸ – سطوح تحت سلطه علف با پتانسیل رواناب متغیر بسته به تراکم پوشش گیاهی و شیب. ۰٫۰۸۸ تا ۰٫۱۰۱ – مناطق توسعه‌یافته/شهری‌شده با نفوذپذیری کاهش‌یافته به دلیل سطوح نفوذناپذیر. ۰٫۱۰۱ تا ۰٫۴۲۰ – سطوح لخت یا فشرده با پتانسیل رواناب بالا و ظرفیت تغذیه حداقل.

تحلیل همبستگی میدانی در منطقه مورد مطالعه نشان داد که مقادیر پایین TGSI با نرخ نفوذ بالاتر و عمق کمتر آب‌های زیرزمینی ارتباط مثبت دارند، در حالی که مقادیر بالاتر TGSI با شاخص‌های تغذیه کم همبستگی دارند. در مدل GWPZ مبتنی بر ANN، به TGSI وزن سهم ۵٪ اختصاص داده شد که نشان دهنده تأثیر متوسط ​​اما معنادار بر پویایی آب‌های زیرزمینی است. اگرچه شاخص‌های خاصی مانند NDVI و SAVI به دلیل حساسیت به پوشش گیاهی، همبستگی بالایی دارند، اما هر لایه موضوعی در این مطالعه، ویژگی‌های محیطی متمایزی را که بر تغذیه آب‌های زیرزمینی تأثیر می‌گذارند، ثبت می‌کند. گنجاندن TGSI در کنار NDVI، SAVI و NDWI به مدل این امکان را داد تا بافت سطحی، رطوبت و گذارهای رویشی را به طور مؤثرتری ثبت کند. سهم آن، پارامترهای دیگری مانند شیب، SAVI و LULC را تکمیل می‌کند و استحکام و دقت مکانی مدل را در نقشه‌برداری GWPZs افزایش می‌دهد.

شیب

شیب یک عامل توپوگرافی حیاتی است که بر پتانسیل آب‌های زیرزمینی تأثیر می‌گذارد و مستقیماً بر رواناب سطحی و ظرفیت نفوذ آب تأثیر می‌گذارد. شیب زمین تعیین می‌کند که بارش با چه سرعتی بر روی زمین جریان می‌یابد و بر زمان ماندگاری موجود برای نفوذ تأثیر می‌گذارد ^{۶۸ ، ۶۹٫} در زمینه نقشه‌برداری GWPZ، داده‌های شیب از SRTM DEM با استفاده از ابزار شیب در ArcGIS استخراج و به پنج کلاس طبقه‌بندی شدند: ۰-۲٪ (شیب بسیار ملایم)، ۲-۵٪ (شیب ملایم)، ۵-۱۵٪ (شیب متوسط)، ۱۵-۳۵٪ (شیب تند) و > 35٪ (شیب بسیار تند) (شکل ۵ (الف)). در رویکرد مبتنی بر ANN، مناطق با شیب بسیار ملایم (۰-۲٪) به دلیل پتانسیل بالاترشان برای تغذیه آب‌های زیرزمینی، به عنوان کلاس نفوذ غالب ظاهر شدند. این مناطق با حرکت آهسته آب در سطح، حداکثر نفوذ را ممکن می‌سازند و زمان کافی برای نفوذ به زیرسطح را فراهم می‌کنند. مدل ANN با افزایش شیب، به ویژه در دسته‌های > 15٪، کاهش شدیدی در پتانسیل تغذیه شناسایی کرد. شیب‌های تند و بسیار تند تمایل به تسریع رواناب دارند، که به طور قابل توجهی احتمال نشت آب را کاهش می‌دهد و منجر به حداقل تغذیه آب‌های زیرزمینی می‌شود. لایه شیب ۵٪ وزن را در مدل ANN به خود اختصاص داده است، که نشان دهنده تأثیر متوسط ​​اما غیرمستقیم بر پتانسیل آب‌های زیرزمینی است. چارچوب ANN به طور مؤثر روابط مکانی و آماری بین شیب‌های شیب و الگوهای موجود در آب‌های زیرزمینی مشاهده شده را تشخیص داده و از آنها یاد گرفته است و از سوگیری دستی یا ذهنی در تعیین وزن جلوگیری می‌کند.

کاربری/پوشش زمین (LULC)

نقشه موضوعی LULC از طریق طبقه‌بندی نظارت‌شده و با استفاده از تصاویر ماهواره‌ای Sentinel-2 مربوط به سال ۲۰۲۲ با وضوح مکانی ۱۰ متر تولید شد. نمونه‌های آموزشی نماینده – ۷۰ نمونه در هر کلاس – با دقت انتخاب شدند تا دقت طبقه‌بندی افزایش یابد. نتیجه طبقه‌بندی با استفاده از یک ماتریس درهم‌ریختگی اعتبارسنجی شد، که هم دقت کلی و هم ضریب کاپا، قابلیت اطمینان و مناسب بودن نقشه را برای ترسیم GWPZ تأیید می‌کند (شکل  ۵ (ب)). نقشه LULC به انواع پوشش اراضی غالب زیر طبقه‌بندی شد: پهنه‌های آبی (۸۲۲٫۶۸ کیلومتر ^مربع )، جنگل (۳۷۸٫۳۸ کیلومتر ^مربع )، محصولات زراعی (۱۸۲۲۱٫۰۶ کیلومتر ^مربع )، مناطق ساخته‌شده (۲۱۴۱٫۱۱ کیلومتر ^مربع )، زمین‌های بایر (۱۱۲۰۶٫۵۷ کیلومتر ^مربع ). این کلاس‌ها از طریق چارچوب مبتنی بر ANN بیشتر تفسیر شدند. مدل ANN، زمین‌های کشاورزی و بایر را به عنوان طبقات تأثیرگذار غالب شناسایی کرد، زیرا این مناطق معمولاً به دلیل کاهش آب‌بندی سطحی و حداقل پوشش غیرقابل نفوذ، امکان نفوذ بهتر و تغذیه آب‌های زیرزمینی را فراهم می‌کنند. در مقابل، مناطق ساخته شده و جنگل‌های متراکم، اگرچه از نظر اکولوژیکی ارزشمند هستند، اما به دلیل رواناب سطحی بالاتر و جذب پوشش گیاهی، تأثیر کمتری از نظر پتانسیل تغذیه نشان دادند. به این لایه موضوعی در مدل ANN، وزن سهم ۱۰٪ اختصاص داده شد که نشان دهنده نقش حمایتی و در عین حال قابل توجه آن در شکل‌دهی به مناطق بالقوه آب‌های زیرزمینی است. با یادگیری از توزیع مکانی انواع کاربری اراضی و مرتبط کردن آنها با رفتارهای شناخته شده تغذیه، سیستم ANN درک دقیقی از تأثیر LULC بر دینامیک هیدرولوژیکی زیرسطحی ارائه داد.

GWPZS از MRB

نقشه GWPZs برای MRB با ادغام چندین لایه موضوعی با استفاده از یک مدل ANN آموزش‌دیده ایجاد شد. این مدل روابط غیرخطی پیچیده بین پارامترهای موضوعی ورودی – مانند زمین‌شناسی، ژئومورفولوژی، شیب، تراکم زهکشی، تراکم خطواره، LULC، NDVI، NDWI، SAVI و TGSI – و شرایط شناخته‌شده آب‌های زیرزمینی را یاد گرفت تا پتانسیل آب‌های زیرزمینی را با اطمینان بیشتری نسبت به روش‌های اکتشافی سنتی پیش‌بینی کند. نقشه نهایی GWPZ پنج منطقه مجزا را بر اساس مقادیر پتانسیل محاسبه‌شده مشخص کرد: خیلی خوب، خوب، متوسط، ضعیف و خیلی ضعیف (شکل  ۶ ؛ جدول  ۴ ). این مناطق از همپوشانی وزنی ANN و تجزیه و تحلیل توزیع فضایی در ArcGIS استخراج شدند. مدل ANN وزن‌های مشارکتی مبتنی بر داده را برای هر لایه ورودی ارائه داد که به طور مؤثر تأثیر ترکیبی عوامل مربوط به زمین، هیدرولوژیکی، زمین‌شناسی و پوشش گیاهی را ثبت می‌کرد.

مناطق GWPZ بسیار ضعیف (۴۵۹۰.۶۲ کیلومتر مربع ^یا ۱۴.۲۶٪) عمدتاً در مناطقی با شیب‌های تند، رواناب زیاد، تراکم خطواره‌ها و زهکشی کم و سنگ‌شناسی نامطلوب رخ می‌دهند. این مناطق همچنین مقادیر TGSI بالا، SAVI بالا و NDWI بسیار پایین را نشان می‌دهند که همگی نشان‌دهنده شرایط نفوذ و تغذیه ضعیف هستند. مناطق فقیر (۱۰۵۷۵.۸۸ کیلومتر مربع ^یا ۳۲.۸۵٪) شرایط کمی بهبود یافته‌ای را نشان می‌دهند، اما شیب‌های متوسط، زمین‌شناسی با شکستگی کمتر و سطوح نفوذناپذیر قابل توجه، تجمع آب‌های زیرزمینی را محدود می‌کنند. مناطق متوسط ​​(۱۰۱۲۳.۲۷ کیلومتر مربع ^یا ۳۱.۴۵٪) با تنظیمات هیدروژئومورفولوژیکی متعادل، با افزایش حضور خطواره‌ها، پوشش گیاهی متوسط ​​(NDVI) و پتانسیل نفوذ بهتر مشخص می‌شوند – که آنها را به مناطق انتقالی برای تغذیه تبدیل می‌کند. مناطق خوب (۵۵۴۱.۲۵ کیلومتر مربع ^یا ۱۷.۲۱٪) با زمین‌های مسطح، سازندهای سنگی کریستالی شکسته و پوشش گیاهی مساعد برای نفوذ مرتبط هستند. این مناطق به طور برجسته در قسمت‌های شمال شرقی و جنوب غربی MRB ظاهر می‌شوند. GWPZهای بسیار خوب (۱۳۶۰.۵۴ کیلومتر مربع ^یا ۴.۲۳٪) مطلوب‌ترین مناطق تغذیه را نشان می‌دهند که توسط شیب‌های کم‌عمق، خطوط و تراکم بالای بدنه آب، انواع بهینه LULC (زمین‌های زراعی و مناطق بایر) و مقادیر پایین TGSI پشتیبانی می‌شوند. این مناطق نقاط بحرانی تغذیه آب‌های زیرزمینی را تشکیل می‌دهند.

اعتبارسنجی

نقشه GWPZ مبتنی بر ANN با استفاده از AUC-ROC، ماتریس درهم‌ریختگی و داده‌های چاه

تحلیل همبستگی و هم‌خطی چندگانه تأیید کرد که همه متغیرهای پیش‌بینی‌کننده از نظر آماری مستقل بودند، با ضرایب همبستگی کمتر از ۰٫۸۰ و مقادیر VIF کمتر از ۵٫ این امر تضمین می‌کند که هیچ اطلاعات اضافی در چارچوب ANN وارد نشده است، در نتیجه پایداری و تعمیم مدل را افزایش می‌دهد. با وجود همبستگی متوسط ​​بین NDVI و SAVI ( r  = ۰٫۷۲)، هر دو حفظ شدند زیرا نشان‌دهنده ویژگی‌های بازتاب پوشش گیاهی و خاک متمایزی هستند که بر فرآیندهای تغذیه آب‌های زیرزمینی تأثیر متفاوتی می‌گذارند.

عملکرد نقشه GWPZ مشتق‌شده از شبکه عصبی مصنوعی ابتدا با استفاده از تکنیک AUC-ROC اعتبارسنجی شد. مقدار AUC به‌دست‌آمده ۰٫۸۵۰ بود که نشان‌دهنده سطح دقت طبقه‌بندی بالا و قابلیت پیش‌بینی قوی مدل در تمایز بین طبقات مختلف پتانسیل آب‌های زیرزمینی است (شکل  ۷ (الف)). منحنی ROC رابطه بین نرخ‌های مثبت واقعی و کاذب را نشان می‌دهد و یک معیار آماری قوی برای اعتبارسنجی مدل ارائه می‌دهد. برای این تجزیه و تحلیل، در مجموع ۳۵۰ چاه با سطح آب‌های زیرزمینی اندازه‌گیری شده استفاده شد، زیرا AUC-ROC از نمرات احتمال پیوسته برای ارزیابی استفاده می‌کند.

علاوه بر AUC-ROC، یک ماتریس درهم‌ریختگی برای ارزیابی عملکرد طبقه‌بندی چندطبقه‌ای مدل ایجاد شد (جدول  ۵ ). این تجزیه و تحلیل بر اساس ۱۴۰ مکان چاه انجام شد که در آنها عمق تا سطح آب زیرزمینی می‌توانست به وضوح به یکی از پنج دسته GWPZ اختصاص داده شود. این ماتریس بینش دقیقی در مورد طبقه‌بندی‌های صحیح و نادرست برای هر دسته ارائه می‌دهد. از ماتریس درهم‌ریختگی، دقت، فراخوانی و امتیاز F1 برای هر دسته، همراه با مقادیر میانگین کلان و دقت کلی محاسبه شد. مدل ANN به دقت کلی ۸۷٪ دست یافت، با مقادیر دقت و فراخوانی بالاتر از ۰٫۸۵ برای اکثر دسته‌ها، که نشان دهنده عملکرد پیش‌بینی متعادل در تمام GWPZها است (جدول  ۶ ).

همچنین برای تأیید اعتبار مدل ANN، یک تحلیل همپوشانی از داده‌های موقعیت چاه‌ها و مقادیر عمق آب زیرزمینی مربوطه انجام شد. در مجموع ۳۵۰ چاه برای این اعتبارسنجی استفاده شد. الگوی توزیع چاه‌ها در پنج دسته GWPZ به خوبی با پیش‌بینی‌های مدل همسو بود. به طور خاص، ۱۵ چاه در مناطق بسیار خوب (اعماق: ۱۵٫۲۴ تا ۱۹٫۸۱ متر)، ۶۰ چاه در مناطق خوب (۲۰٫۱۲ تا ۲۴٫۳۸ متر)، ۱۱۰ چاه در مناطق متوسط ​​(۲۴٫۶۹ تا ۳۳٫۵۳ متر)، ۱۱۵ چاه در مناطق ضعیف (۳۳٫۸۳ تا ۴۱٫۱۵ متر) و ۵۰ چاه در مناطق بسیار ضعیف (اعماق > 141.15 متر) ثبت شدند (شکل  ۷ (ب)).

هم‌ترازی مکانی سازگار بین طبقه‌بندی GWPZ مشتق‌شده از ANN و داده‌های میدانی مشاهده‌شده، همراه با معیارهای عملکرد قوی AUC-ROC و چندکلاسی، استحکام و دقت رویکرد ANN را برای تعیین مناطق بالقوه آب‌های زیرزمینی در MRB تأیید می‌کند. این نتایج نشان می‌دهد که این مدل به طور مؤثر پارامترهای هیدروژئولوژیکی، محیطی و سنجش از دور را برای شناسایی مناطقی با پتانسیل آب‌های زیرزمینی متغیر ادغام می‌کند و در نتیجه از مدیریت پایدار منابع آب‌های زیرزمینی پشتیبانی می‌کند.

تحلیل خودهمبستگی فضایی باقیمانده‌ها

^{برای ارزیابی استقلال مکانی خطاهای پیش‌بینی مدل، یک تحلیل خودهمبستگی باقیمانده با استفاده از آماره I موران ۷۰} انجام شد . باقیمانده‌ها به عنوان تفاوت بین طبقه‌بندی‌های عملکرد چاه مشاهده شده و مقادیر پتانسیل آب زیرزمینی پیش‌بینی شده توسط ANN مربوطه محاسبه شدند. این تحلیل در ArcGIS 10.8 انجام شد و از یک ماتریس رابطه مکانی وزن‌دهی معکوس فاصله (IDW) برای ثبت اثرات نزدیکی مکانی ^۷۱ استفاده شد . مقدار I موران محاسبه شده (۰٫۰۳۷)، همراه با امتیاز z برابر با ۰٫۷۴ و مقدار p برابر با ۰٫۴۶، نشان می‌دهد که هیچ خودهمبستگی مکانی آماری معنی‌داری بین باقیمانده‌ها وجود ندارد (جدول ۷ ). این یافته نشان می‌دهد که خطاهای پیش‌بینی به جای خوشه‌بندی مکانی، تصادفی مکانی هستند و تأیید می‌کند که مدل ANN نه بایاس مکانی و نه بیش‌برازش موضعی را در MRB نشان می‌دهد.

یک نیم‌تغییرنمای باقیمانده (شکل  ۸ ) این نتیجه را بیشتر تأیید می‌کند. مقادیر نیم‌تغییرنما به تدریج با فاصله تأخیر افزایش می‌یابند و پس از تقریباً ۳ کیلومتر تثبیت می‌شوند، که نشان دهنده یک ساختار وابستگی مکانی ضعیف یا ناچیز در باقیمانده‌ها است. این الگوی تثبیت نشان می‌دهد که خطاهای پیش‌بینی به طور تصادفی در سراسر منطقه مورد مطالعه توزیع شده‌اند، که با نتیجه Moran’s I سازگار است. این نتایج در کنار هم، قابلیت تعمیم مکانی و استحکام مدل GWPZ مبتنی بر ANN را تأیید می‌کنند و نقشه‌برداری قابل اعتماد GWPZها را در سراسر زمین‌های ناهمگن در MRB تضمین می‌کنند.

اعتبارسنجی آماری استنباطی با استفاده از آزمون کروسکال-والیس

برای اعتبارسنجی آماری تمایز بین طبقات پتانسیل آب‌های زیرزمینی پیش‌بینی‌شده توسط ANN، آزمون Kruskal-Wallis H بین عمق آب‌های زیرزمینی مشاهده‌شده (m bgl) و دسته‌های GWPZ مربوطه آنها ^{۷۲ ، ۷۳ ، ۷۴} انجام شد . این آزمون ناپارامتری به این دلیل انتخاب شد که داده‌های عمق آب‌های زیرزمینی فرض نرمال بودن را برآورده نمی‌کردند. تجزیه و تحلیل با استفاده از نرم‌افزار SPSS در سطح اطمینان ۹۵٪ (α = ۰٫۰۵) انجام شد.

آزمون کروسکال-والیس تفاوت آماری معنی‌داری را در عمق آب‌های زیرزمینی بین پنج کلاس GWPZ نشان داد (H = 42.87، df = 4، p  < 0.001)، که تأیید می‌کند پهنه‌بندی مبتنی بر ANN به طور مؤثر تغییرپذیری هیدروژئولوژیکی را در سراسر منطقه مورد مطالعه متمایز می‌کند. مقایسه‌های جفتی پس از وقوع با استفاده از آزمون دان با تصحیح بونفرونی نشان داد که مناطق بسیار خوب و خوب در مقایسه با مناطق ضعیف و بسیار ضعیف، سطح آب‌های زیرزمینی به طور قابل توجهی کم‌عمق‌تری دارند، در حالی که کلاس متوسط ​​​​یک وضعیت متوسط ​​​​را نشان می‌دهد (جداول  ۸ و ۹ ).

این نتایج نشان می‌دهد که نقشه GWPZ مشتق‌شده از ANN به طور دقیق تغییرات عمق آب‌های زیرزمینی واقعی را منعکس می‌کند، در نتیجه اعتبار پیش‌بینی مدل و کاربرد عملی آن در پهنه‌بندی هیدروژئولوژیکی و برنامه‌ریزی منابع آب زیرزمینی را تأیید می‌کند.

افزایش تدریجی در میانگین رتبه و عمق میانه در پنج کلاس پتانسیل آب‌های زیرزمینی، تأیید می‌کند که عمق آب‌های زیرزمینی به طور سیستماتیک با مناطق پیش‌بینی‌شده توسط ANN تغییر می‌کند. این سازگاری آماری قوی، اعتبار هیدروژئولوژیکی مدل و سودمندی تصمیم‌گیری را برجسته می‌کند. شکل  ۹ تغییرات مشاهده‌شده در عمق آب‌های زیرزمینی در کلاس‌های پیش‌بینی‌شده توسط ANN را نشان می‌دهد که روند صعودی واضحی از مناطق بسیار خوب به بسیار ضعیف مطابق با شرایط واقعی مزرعه را نشان می‌دهد.

تحلیل اهمیت و حساسیت ویژگی‌ها

برای ارزیابی سهم نسبی هر لایه موضوعی در پیش‌بینی پتانسیل آب‌های زیرزمینی، یک تحلیل حساسیت ویژگی (یک ویژگی قطره‌ای) انجام شد. در این رویکرد، هر متغیر پیش‌بینی‌کننده به ترتیب از مجموعه داده‌های ورودی حذف شد و مدل ANN برای ارزیابی تغییرات در دقت و AUC مجدداً آموزش داده شد. نتایج نشان داد که حذف NDVI، SAVI یا TGSI منجر به کاهش عملکرد ۳٫۵ تا ۵٫۲ درصدی شد که نشان‌دهنده نقش مهم آنها در ثبت ویژگی‌های پوشش گیاهی و بافت سطح است. پارامترهای دیگر مانند شیب، تراکم زهکشی و LULC تأثیر متوسطی نشان دادند، در حالی که ویژگی‌های مربوط به خاک پاسخ‌های نسبتاً پایداری نشان دادند. مجموعه داده‌ها به طور مداوم به ۷۰٪ زیرمجموعه‌های آموزشی و ۳۰٪ زیرمجموعه‌های آزمایشی با یک بذر تصادفی ثابت برای اطمینان از تکرارپذیری تقسیم‌بندی شد. این نتایج تأیید می‌کند که هر پیش‌بینی‌کننده اطلاعات منحصر به فرد و مکملی را به چارچوب ANN ارائه می‌دهد و استحکام و قابلیت تفسیر طبقه‌بندی GWPZ را افزایش می‌دهد.

عدم قطعیت و کارهای آینده

در مطالعه حاضر، عدم قطعیت مدل به طور غیرمستقیم از طریق معیارهای اعتبارسنجی کمی، از جمله AUC-ROC، دقت ماتریس درهم‌ریختگی، شاخص‌های عملکرد خاص کلاس، خودهمبستگی فضایی باقیمانده Moran’s I و آزمون آماری Kruskal-Wallis ارزیابی شده است. در حالی که این معیارها به طور کلی قابلیت اطمینان پیش‌بینی قوی را نشان می‌دهند، محصولات عدم قطعیت فضایی صریح، مانند نقشه‌های باقیمانده/خطا در سطح پیکسل، سطوح اطمینان مشتق شده از بوت استرپ یا نقشه‌های پراکندگی گروهی تولید نشدند. در نتیجه، نسخه فعلی مدل GWPZ مبتنی بر ANN اطلاعات اطمینان در مقیاس پیکسل را ارائه نمی‌دهد، که ارتباط مستقیم قطعیت پیش‌بینی فضایی را به برنامه‌ریزان و تصمیم‌گیرندگان آب‌های زیرزمینی محدود می‌کند.

کارهای آینده بر ترکیب مدل‌سازی عدم قطعیت مکانی با تولید موارد زیر متمرکز خواهد بود: (۱) نقشه‌های باقیمانده پیکسلی مشتق شده از چاه‌های اعتبارسنجی مستقل، (۲) سطوح اطمینان گروهی بوت‌استرپ شده که تغییرپذیری پیش‌بینی را کمی می‌کنند، و (۳) ارزیابی‌های انتشار خطای مکانی در ورودی‌های لایه موضوعی. ادغام چنین محصولات عدم قطعیتی، قابلیت تفسیر و کاربرد خروجی‌های GWPZ را تقویت می‌کند، از اکتشاف آب‌های زیرزمینی آگاه از ریسک پشتیبانی می‌کند و شفافیت توصیه‌ها برای تغذیه مصنوعی و اولویت‌بندی محل چاه‌ها را بهبود می‌بخشد.

ادغام ANN در تعیین GWPZها در سراسر MRB، پیشرفت قابل توجهی را نسبت به مدل‌های وزنی سنتی مانند فرآیند سلسله مراتبی تحلیلی (AHP) نشان داد. مدل ANN، که با استفاده از چندین لایه موضوعی آموزش دیده و از طریق داده‌های چاه میدانی اعتبارسنجی شده است، به طور مؤثر روابط غیرخطی بین متغیرهای متنوع هیدروژئولوژیکی و سطح زمین را ثبت کرد. این رویکرد، دقت طبقه‌بندی و دقت مکانی نقشه GWPZ حاصل را افزایش داد، همانطور که با مقدار AUC-ROC برابر با ۰٫۸۵۰ نشان داده شده است، که نشان‌دهنده حساسیت بالای مدل و عملکرد پیش‌بینی‌کننده آن است.

معماری شبکه با دو لایه پنهان (۳۲ و ۱۶ نورون) و پنج نورون خروجی با تابع فعال‌سازی Softmax طراحی شده است که مستقیماً با پنج کلاس GWPZ یعنی خیلی خوب، خوب، متوسط، ضعیف و خیلی ضعیف مطابقت دارد و اعتبار روش‌شناختی را در طبقه‌بندی چند کلاسه تضمین می‌کند. مطالعات مشابه پتانسیل آب‌های زیرزمینی مبتنی بر ANN، معماری‌های قابل مقایسه‌ای (یک یا دو لایه پنهان، ۱۰ تا ۳۰ نورون) را اتخاذ کرده‌اند و به دقتی بین ۸۵ تا ۹۴ درصد دست یافته‌اند که با عملکرد مطالعه حاضر در شرایط نیمه‌خشک ^{۷۵ ، ۷۶} همسو است .

تجزیه و تحلیل مکانی نشان داد که شیب، زمین‌شناسی، تراکم خطواره‌ها، LULC، SAVI، NDVI، NDWI و TGSI عوامل کلیدی تعیین‌کننده وقوع و پتانسیل تغذیه آب‌های زیرزمینی بودند. قبل از مدل‌سازی ANN، تشخیص چندخطی (همبستگی و تجزیه و تحلیل VIF) استقلال آماری پیش‌بینی‌کننده‌های ورودی را تأیید کرد و تضمین کرد که هر عامل موضوعی اطلاعات منحصر به فردی را به فرآیند یادگیری مدل ارائه می‌دهد. این امر قابلیت اطمینان وزن‌های سهم مشتق شده را تقویت کرده و سوگیری ناشی از ورودی‌های همبسته را به حداقل می‌رساند و در نتیجه قابلیت تفسیر پیش‌بینی‌های مبتنی بر ANN را بهبود می‌بخشد. مناطقی با شیب‌های ملایم، سازندهای کریستالی شکسته، تراکم خطواره بالا و زمین‌های زراعی گسترده، پتانسیل آب‌های زیرزمینی بالاتری را نشان دادند. در مقابل، مناطقی با شیب‌های تند، پوشش گیاهی پراکنده، گسترش سریع شهری و بسترهای سیلتی، ظرفیت نفوذ محدودی را نشان دادند. این نتایج با یافته‌های قبلی سازگار است که گزارش می‌دادند مدل‌های یادگیری ماشین با ثبت مؤثر روابط غیرخطی و وابستگی‌های متقابل بین متغیرها، در زمین‌های ناهمگن برتری دارند ^{۷۷ ، ۷۸} .

همپوشانی داده‌های چاه و عمق آب‌های زیرزمینی، مناطق طبقه‌بندی‌شده توسط ANN را تأیید کرد، به طوری که سفره‌های آب کم‌عمق عمدتاً در مناطق «بسیار خوب» و «خوب» قرار داشتند. این سازگاری بین پتانسیل پیش‌بینی‌شده و اندازه‌گیری‌های تجربی، اعتبار و قابلیت اطمینان مدل را تقویت می‌کند. با این وجود، دقت خروجی‌های مبتنی بر ANN همچنان به وضوح مکانی، کامل بودن و به‌روز بودن مجموعه داده‌های ورودی بستگی دارد. تغییرات فصلی و تأثیرات انسانی بر پویایی آب‌های زیرزمینی که به طور کامل در مدل در نظر گرفته نشده‌اند، ممکن است عدم قطعیت‌های حاشیه‌ای ایجاد کنند. با وجود این محدودیت‌ها، نقشه‌برداری GWPZ مبتنی بر ANN یک چارچوب برنامه‌ریزی منابع آب منطقه‌ای مقیاس‌پذیر و سازگار ارائه می‌دهد. نقشه‌های حاصل برای تصمیم‌گیرندگان در اولویت‌بندی مکان‌های تغذیه مصنوعی، بهینه‌سازی استخراج آب‌های زیرزمینی و تقویت توسعه پایدار حوزه آبخیز قابل توجه هستند. علاوه بر این، این روش را می‌توان به سایر حوضه‌های آبخیز با کمبود داده منتقل کرد که در آن‌ها مدل‌های مرسوم قادر به ثبت ناهمگونی مکانی و پیچیدگی در سیستم‌های آب‌های زیرزمینی نیستند.

افزایش تقاضا و استخراج ناپایدار منابع آب زیرزمینی در مناطق خشک و نیمه‌خشک، مانند MRB، روش‌های پیشرفته و قابل اعتمادی را برای ارزیابی پتانسیل آب‌های زیرزمینی ضروری می‌کند. این مطالعه یک رویکرد مبتنی بر ANN را با ابزارهای مکانی برای ترسیم GWPZها به کار گرفت و جایگزینی داده‌محور برای روش‌های سنتی مانند AHP ارائه داد. این مدل شامل ده لایه موضوعی، از جمله زمین‌شناسی، ژئومورفولوژی، شیب، تراکم زهکشی و خطواره‌ها، LULC، NDVI، TGSI، NDWI و SAVI بود که هر کدام نقش مهمی در تأثیرگذاری بر پویایی آب‌های زیرزمینی ایفا می‌کنند. مدل مبتنی بر ANN به طور مؤثر تعاملات پیچیده و غیرخطی این متغیرها را ثبت کرد و منجر به یک نقشه GWPZ قوی‌تر و از نظر مکانی دقیق‌تر شد. نتایج نشان داد که تقریباً ۶۲٫۰۸٪ از MRB در GWPZهای متوسط ​​تا بسیار ضعیف قرار می‌گیرد، در حالی که تنها ۲۱٫۴۴٪ در مناطق خوب تا بسیار خوب قرار دارد که بر ضرورت مدیریت پایدار آب‌های زیرزمینی تأکید می‌کند. اعتبارسنجی با استفاده از AUC-ROC (0.850) و همپوشانی داده‌های چاه، قابلیت اطمینان پیش‌بینی مدل ANN را تأیید کرد و مناسب بودن آن را برای پهنه‌بندی هیدرولوژیکی در زمین‌های پیچیده زمین‌شناسی تأیید نمود. با این حال، این مطالعه محدودیت‌هایی دارد. عدم وجود داده‌های زمین‌شناسی و آبخوان زیرسطحی با وضوح بالا، ظرفیت مدل را برای نمایش کامل فرآیندهای هیدروژئولوژیکی عمیق‌تر محدود کرد. نوسانات فصلی در سطح آب‌های زیرزمینی و تأثیرات انسانی مانند تغییر کاربری زمین و روند برداشت آب‌های زیرزمینی به صورت پویا مدل‌سازی نشدند. تحقیقات آینده باید مجموعه داده‌های ژئوفیزیکی، هیدروژئولوژیکی و سری زمانی هیدرومتئورولوژیکی را برای اصلاح ارزیابی‌های پتانسیل آب‌های زیرزمینی و فعال کردن تجزیه و تحلیل مکانی-زمانی ادغام کنند. با وجود این محدودیت‌ها، این مطالعه به طور قابل توجهی به هیدروانفورماتیک و سیستم‌های پشتیبانی تصمیم‌گیری مکانی کمک می‌کند. نقشه‌های GWPZ تولید شده ابزارهای حیاتی برای اکتشاف آب‌های زیرزمینی، انتخاب محل چاه و برنامه‌ریزی تغذیه هستند. برای سیاست‌گذاران و برنامه‌ریزان، این خروجی‌ها راهنمایی علمی در ترویج استخراج عادلانه و پایدار آب‌های زیرزمینی، به ویژه در مناطق آسیب‌پذیر کشاورزی و روستایی ارائه می‌دهند. این تحقیق با تقویت مدیریت آگاهانه آب در مناطق نیمه‌خشک، مستقیماً با اهداف توسعه پایدار سازمان ملل متحد (SDGs)، به‌ویژه هدف ۶ (آب پاک و فاضلاب) و هدف ۱۳ (اقدامات اقلیمی)، همسو است. ادغام ANN با سنجش از دور و GIS، با مدیریت مؤثر مجموعه داده‌های مکانی پیچیده و روابط غیرخطی بین عوامل هیدروژئولوژیکی، دقت نقشه‌برداری GWPZ را افزایش می‌دهد. علاوه بر این، استفاده از روش‌های اعتبارسنجی آماری، مانند AUC-ROC و ماتریس‌های درهم‌ریختگی، استحکام و قابلیت اطمینان پیش‌بینی‌های مدل را تقویت می‌کند و اطمینان را برای کاربردهای عملی فراهم می‌کند. در حالی که عدم قطعیت‌های ذاتی داده‌های ورودی و فرضیات مدل همچنان پابرجاست، این مطالعه نشان می‌دهد که رویکردهای مبتنی بر ANN، چارچوبی مقیاس‌پذیر و سازگار برای ارزیابی آب‌های زیرزمینی ارائه می‌دهند.مشارکت معنادار در تحقیقات دانشگاهی و مدیریت پایدار منابع آب.