موسسه انتشارات دانشگاه تهران تحقیقات آب و خاک ایران 2008-479X 57 7 2026 09 23 Modeling and Qualitative Risk Assessment of Groundwater Affected by Urban and Industrial Pollutants Using XGBoost Algorithm and GIS (Case Study: Mazandaran Plain) مدل‌سازی و ارزیابی ریسک کیفی آب زیرزمینی متأثر از آلاینده‌های شهری و صنعتی با استفاده از الگوریتم XGBoost و GIS (مطالعه موردی: دشت مازندران) 1707 1725 108876 10.22059/ijswr.2026.410109.670091 FA مجید علی‌محمدی اردکانی استادیار، گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه اردکان، اردکان، ایران 0000-0003-0170-1899 Journal Article 2026 02 04 Groundwater contamination caused by urban and industrial activities is considered one of the most important environmental threats to the coastal plains of northern Iran. The aim of the present study is to model and assess groundwater quality risk in the Mazandaran Plain using the XGBoost machine learning algorithm integrated with a Geographic Information System (GIS). In this study, groundwater quality data including nitrate, chloride, total dissolved solids (TDS), and electrical conductivity (EC) were collected from monitoring wells across the study area. In addition, a set of topographic and climatic variables, remote sensing indices (NDVI, NDBI, NDWI, and LST), and indicators related to human activities were incorporated into the model as predictor variables. The XGBoost algorithm was trained to classify groundwater quality risk into three classes: low, moderate, and high. Model performance was evaluated using overall accuracy and confusion matrix analysis. The results showed that the XGBoost model has a suitable capability for identifying spatial patterns of contamination, and variables such as elevation, distance from urban and industrial areas, and the NDBI index had the greatest influence on predicting contamination risk. The results of model evaluation in the testing phase indicated that the XGBoost algorithm achieved the highest accuracy in estimating electrical conductivity (R² = 0.486, RMSE = 280.31 µS/cm) and showed the lowest absolute error for chloride, while the coefficient of determination for nitrate reached R² = 0.412. The risk zoning maps indicate that high risk areas are mainly concentrated in low elevation zones and in regions adjacent to urban and industrial pollution sources. The results of this study demonstrate that the integration of XGBoost and GIS can be used as an effective tool for the management and protection of groundwater resources in environmentally sensitive areas. آلودگی آب‌های زیرزمینی ناشی از فعالیت‌های شهری و صنعتی، یکی از مهم‌ترین تهدیدهای زیست‌محیطی دشت‌های ساحلی شمال ایران به‌شمار می‌رود. هدف پژوهش حاضر، مدل‌سازی و ارزیابی ریسک کیفی آب زیرزمینی دشت مازندران با استفاده از الگوریتم یادگیری ماشین XGBoost و تلفیق آن با سیستم اطلاعات جغرافیایی (GIS) است. در این مطالعه، داده‌های کیفی آب شامل نیترات، کلراید، کل مواد جامد محلول (TDS) و هدایت الکتریکی (EC) از چاه‌های پایش منطقه جمع‌آوری شد. همچنین مجموعه‌ای از متغیرهای توپوگرافی، اقلیمی، شاخص‌های سنجش از دور (NDVI، NDBI، NDWI، (LST و شاخص‌های مرتبط با فعالیت‌های انسانی به‌عنوان متغیرهای پیش‌بین در مدل لحاظ گردید. الگوریتم XGBoost برای طبقه‌بندی ریسک کیفی آب زیرزمینی در سه کلاس کم، متوسط و زیاد آموزش داده شد و عملکرد مدل با استفاده از معیارهای دقت کلی و ماتریس درهم‌ریختگی ارزیابی گردید. نتایج نشان داد که مدل XGBoost از توانایی مناسبی در شناسایی الگوهای مکانی آلودگی برخوردار است و متغیرهایی مانند ارتفاع، فاصله از مناطق شهری و صنعتی و شاخص NDBI بیشترین تأثیر را در پیش‌بینی ریسک آلودگی داشتند. نتایج ارزیابی مدل در مرحله آزمون نشان داد که الگوریتم XGBoost بیشترین دقت را در برآورد هدایت الکتریکی (R2=0.486, RMSE=280.31 µS/cm) و کمترین خطای مطلق را برای کلراید نشان داد، در حالی که این میزان برای نیترات به R2=0.412 رسید. نقشه‌های پهنه‌بندی ریسک بیانگر تمرکز نواحی با ریسک بالا در بخش‌های کم‌ارتفاع و مجاور کانون‌های آلاینده شهری و صنعتی است. نتایج این پژوهش نشان می‌دهد که تلفیق XGBoost و GIS می‌تواند به‌عنوان ابزاری کارآمد برای مدیریت و حفاظت از منابع آب زیرزمینی در مناطق حساس مورد استفاده قرار گیرد. https://ijswr.ut.ac.ir/article_108876_12a7d458c007ff3d508b2a9e6df139ac.pdf