使用混合深度学习模型识别合适的人工地下水补给区

识别地下水补给区对于在水资源匮乏的环境中（如伊朗的库尔德斯坦）可持续水资源管理至关重要。本研究评估了四个深度学习模型以划分地下水补给区：人工神经网络（ANN）、卷积神经网络（CNN）、门控递归单元（GRU）以及混合深度学习卷积神经网络-门控递归单元（CNN-GRU）。本研究使用了两个数据集。第一个数据集包含10个传统参数：海拔、降水量、土壤类型、排水密度、土地利用、地形湿润指数（TWI）、流动方向、流域功率指数（SPI）、坡度和曲率。第二个数据集通过纳入与气候模式相关的额外参数来增强分析。此外，采用了两种特征选择方法，即互信息（MI）和随机森林（RF），以识别最重要的因素。最后，使用准确度、Kappa分数、均方根误差（RMSE）、F1分数、混淆矩阵和接收者操作特征曲线（ROC）验证了模型性能。结果表明，混合CNN-GRU在验证期间在13个因素数据集上取得了0.9461的准确度和0.2322的RMSE，优于其他方法，如ANN、CNN和GRU。与10个因素数据集相比，增强的13个因素数据集在所有模型中始终改善了结果，显示了气候因素的价值。最后，本研究发现，结合气候因素的混合CNN-GRU模型在识别地下水补给区方面极大提高了准确性.