با توجه به مجوز اخذ شده از دفتر سیاست‌گذاری و برنامه‌ریزی و امور پژوهشی وزارت علوم، تحقیقات و فناوری، از تاریخ 01. 06. 1402 به‌منظور چاپ مقاله، مبلغ 6.500.000 ریال دریافت می‌شود. این مبالغ باید به شماره کارت 8592-0045-8370- 5859 و یا شماره حساب 0294224971 به‌نام انجمن آبخیزداری ایران، بانک تجارت، بابت هزینه داوری، انتشار و خرید کد Doi مقاله واریز و رسید آن از طریق سامانه شخصی قسمت این فرم ها در سامانه نشریه بارگزاری شود.
لازم به ذکر است پرداخت فوق هم از طریق شعب بانک‌‌ها و هم از طریق همراه بانک و یا بانکداری اینترنتی به شکل پرداخت پایا قابل انجام است.
شوری آب‌های زیرزمینی یکی از مهم‌ترین تهدیدهای کیفی منابع آب در مناطق خشک و نیمه‌خشک به‌شمار می‌رود و تأثیر مستقیمی بر کشاورزی، محیط‌زیست و توسعه پایدار دارد. هدف این پژوهش، بررسی حساسیت شوری آب‌های زیرزمینی در منطقه کوهپایه–سگزی استان اصفهان با بهره‌گیری از مدل‌های یادگیری ماشین، شامل مدل تقویت تطبیقی (AdaBoost) و مدل تقویت تطبیقی تجمیع‌شده (Bagged AdaBoost) بوده است. داده‌های میانگین سالانه شوری حاصل از چاه‌های مشاهداتی در بازه زمانی ۲۳ ساله (1399-1377) مورد استفاده قرار گرفت و متغیرهای توپوگرافی، اقلیم، هیدروژئولوژی، زمین‌شناسی و کاربری اراضی در مدل‌سازی لحاظ شدند. نتایج ارزیابی عملکرد مدل‌ها با استفاده از داده‌های اعتبارسنجی وتحلیل برخورد و خطا از طریق جدول توافقی نشان داد که ترکیب الگوریتم AdaBoost با رویکرد Bagging موجب بهبود قابل‌توجه عملکرد مدل می‌شود؛ به‌طوری‌که صحت کلی مدل‌سازی از 89/0 به 93/0، دقت از 67/0 به 80/0، میانگین هارمونیک دقت و بازخوانی (F1-score) از 80/0 به 89/0 و ضریب کاپا از 72/0 به 85/0 افزایش یافت. تحلیل اهمیت متغیرها نشان داد که عمق سطح آب زیرزمینی، ارتفاع و تبخیر از مهم‌ترین عوامل مؤثر در مدل‌سازی هستند. نقشه حساسیت شوری منطقه، وجود یک گرادیان مکانی مشخص را نشان داد؛ به‌گونه‌ای که مقادیر بالاتر شوری در نواحی جنوبی و غربی مشاهده شده و به‌تدریج به سمت شمال و شرق کاهش می‌یابد. این نقشه می‌تواند ابزاری مؤثر برای مدیریت منابع آب، حفاظت از خاک، و انتخاب الگوی کشت مقاوم به شوری فراهم آورد. یافته‌های این پژوهش با مطالعات مشابه بین‌المللی هم‌راستا بوده و کارآمدی مدل‌های یادگیری ماشین را در شناسایی مناطق پرخطر تأیید می‌کند.
Hashemi M, Dastranj A. Spatial Analysis of Groundwater Salinity Susceptibility Using Ensemble Machine Learning. jwmseir 2025; 19 (70) : 2 URL: http://jwmsei.ir/article-1-1212-fa.html
هاشمی مهدی، دسترنج علی. تحلیل مکانی حساسیت شوری آب زیرزمینی با بهره‌گیری از روش‌های ترکیبی یادگیری ماشین. مجله علوم ومهندسی آبخیزداری ایران. 1404; 19 (70)
به اطلاع کلیه نویسندگان ، محققین و داوران محترم می رساند:با عنایت به تصمیم هیئت تحریریه مجله علمی پژوهشی علوم و مهندسی آبخیزداری فرمت تهیه مقاله به شکل پیوست در بخش راهنمای نویسندگان تغییر کرده است. در این راستا، از تاریخ ۱۴۰۳/۰۱/۲۱ کلیه مقالات ارسالی فقط در صورتی که طبق راهنمای نگارش جدید تنظیم شده باشد مورد بررسی قرار خواهد گرفت.
