انتشارات شهرداری تهران سیاست گذاری پیشرفت شهری 3092-653X 3 3 2026 09 23 The Application of Artificial Intelligence in Developing a Local Climate Change Adaptation Strategy for Qanats: Evaluating the Performance of XGBoost in Estimating the Discharge of Qaen Qanats کاربرد هوش مصنوعی در تدوین استراتژی بومی سازگاری با تغییر اقلیم قنات: ارزیابی عملکرد XGBoost در تخمین دبی قنوات قاین 455 469 247073 10.22034/judpm.2026.579182.1096 FA محمد فولادی نصرآباد دانشجوی دکتری منابع آب، گروه مهندسی آب، دانشگاه بیرجند، بیرجند، ایران محمدرضا فرزانه استادیار گروه پژوهشی مهندسی محیط زیست و پایش آلودگی، پژوهشکدۀ محیط زیست و توسعۀ پایدار، تهران، ایران سپیده زراعتی نیشابوری دانش‌آموختۀ دکتری منابع آب، گروه مهندسی آب، دانشکدۀ کشاورزی، دانشگاه بیرجند، بیرجند، ایران Journal Article 2026 02 27 Climate change, as a fundamental challenge of the present century, has made it inevitable for urban and regional policymakers to revise adaptation strategies and develop accurate prediction tools by affecting water resources in arid regions. Qanats, as strategic and vital infrastructures for water supply in settlements of Iran's arid regions, are currently facing threats due to declining groundwater levels, which doubles the need for applying artificial intelligence-based decision support systems. The present study aims to strengthen the foundations of water resources management planning by evaluating the performance of the XGBoost machine learning model in predicting the discharge of qanats in the Qaen Plain. To this end, 12-year data on qanat discharge (2007–2018), climatic variables (precipitation and temperature), and elevation were used. After preprocessing, the data were split into training (70%) and testing (30%) sets, and the model hyperparameters were tuned using RandomizedSearchCV with RMSE as the optimization objective. The evaluation results showed that XGBoost, with R² ≈ 0.88 and NS = 0.76 in the testing phase, has high reliability for use in hydrological analyses. Based on sensitivity analysis, the optimal combination of hyperparameters was n_estimators=500, max_depth=6, learning_rate=0.08, and min_child_weight=4. However, it was observed that the model suffers from poor performance in predicting discharges exceeding 20 L/s due to the RMSE loss function and data imbalance. The findings of this study, while confirming the effectiveness of machine learning models in smartening water management, emphasize the need for caution in policymaking based on extreme flow predictions and provide an operational framework for enhancing the resilience of traditional water infrastructures against climate change. تغییر اقلیم به عنوان چالشی بنیادین در قرن حاضر، با تحت تأثیر قرار دادن منابع آب مناطق خشک، بازنگری در راهبردهای سازگاری و توسعۀ ابزارهای پیش‌بینی دقیق را برای سیاستگذاران شهری و منطقه‌ای اجتناب‌ناپذیر کرده است. قنوات به عنوان زیرساخت‌های استراتژیک و حیاتی در تأمین آب سکونتگاه‌های مناطق خشک ایران، امروزه با تهدیدهای ناشی از کاهش تراز آب‌های زیرزمینی روبه‌رو هستند که این امر لزوم به‌کارگیری سیستم‌های پشتیبان تصمیم‌گیری مبتنی بر هوش مصنوعی را دوچندان می‌کند. پژوهش حاضر با هدف تقویت مبانی برنامه‌ریزی مدیریت منابع آب، به بررسی عملکرد مدل یادگیری ماشین XGBoost در پیش‌بینی دبی قنوات دشت قاین پرداخته ‌است. در این راستا، از داده‌های ۱۲سالۀ آبدهی قنوات (۱۳۸۶ ـ ۱۳۹۷)، متغیرهای اقلیمی بارش و دما و متغیر ارتفاع استفاده شد که پس از پیش‌پردازش، داده‌ها به دو بخش آموزش (70 درصد) و آزمون (30 درصد) تقسیم و فراسنجه‌های مدل با روش RandomizedSearchCV و هدف بهینه‌سازی RMSE تعیین شدند. نتایج حاصل از ارزیابی مدل نشان داد XGBoost با مقادیر R2حدود 88/0 و معیار NS برابر با 76/0 در بخش آزمون، از قابلیت اعتماد بالایی برای استفاده در تحلیل‌های هیدرولوژیکی برخوردار است. بر اساس تحلیل حساسیت، ترکیب بهینۀ فراسنجه‌ها شامل n_estimators=500، max_depth=6، learning_rate=0.08 و min_child_weight=4 حاصل شد؛ با این‌وجود، مشاهده شد که مدل در پیش‌بینی دبی‌های فراتر از ۲۰ لیتر بر ثانیه به دلیل تابع خطای RMSE و عدم تعادل داده‌ها دچار ضعف است. یافته‌های این پژوهش ضمن تأیید کارایی مدل‌های یادگیری ماشین در هوشمندسازی مدیریت آب، بر ضرورت احتیاط در سیاستگذاری‌های مبتنی بر پیش‌بینی جریان‌های حدی تأکید دارد و چارچوبی عملیاتی برای ارتقای تاب‌آوری زیرساخت‌های سنتی آب در برابر تغییرات اقلیمی ارائه می‌دهد.

https://www.judpm.ir/article_247073_625d7d3ef781fdb16ffbe46809a5cd5b.pdf