تقدير انموذج الانحدار اللوجستي الجزائي باستعمال بعض الأساليب الإحصائية وتقنيات التعلم العميق

الملخص

تهدف هذه الدراسة الى تصنيف تلوث مياه الأبار(المياه الجوفية) في العراق من خلال توظيف مجموعة من الأساليب الإحصائية المنتظمة وتقنيات الذكاء الاصطناعي الحديثة، اعتمادًا على بيانات بيئية حقيقية مقدمة من وزارة البيئة العراقية، إضافة إلى بيانات محاكاة مولدة باستخدام أسلوب مونت كارلو. وتم التركيز على نماذج الانحدار اللوجستي الجزائي، ولا سيما طرائق LASSO وAdaptive LASSO وSCAD وNet Elastic، إلى جانب خوارزميات التعزيز التدريجي، وبخاصة خوارزمية XGBoost، بهدف تقييم كفاءتها التفسيرية والتنبؤية عند التعامل مع بيانات بيئية متعددة المتغيرات وذات ارتباطات عالية.

اعتمدت الدراسة على معيار متوسط مربع الخطأ (MSE) للمقارنة بين الطرائق المختلفة، حيث أظهرت نتائج المحاكاة تفوق طريقة Net Elastic بين نماذج الانحدار اللوجستي المنتظم، محققةً أقل قيم لمعيار الخطأ عند مختلف أحجام العينات. كما بينت النتائج تفوق خوارزمية XGBoost على خوارزمية Gradient Boosting من حيث الدقة التنبؤية والاستقرار الإحصائي. وفي التطبيق العملي على بيانات تلوث مياه نهر دجلة، أظهرت جميع المتغيرات البيئية المدروسة دلالة إحصائية عالية في كل من نموذج Net Elastic وخوارزمية XGBoost، مع تقارب عام في اتجاه تأثير المتغيرات، وتميز XGBoost بقدرتها الأعلى على تمثيل العلاقات غير الخطية والتفاعلية.

أظهرت نتائج المقارنة أن نموذج Net Elastic أكثر ملاءمة للأغراض التفسيرية وتحديد المتغيرات المؤثرة في تلوث المياه، في حين تتميز خوارزمية XGBoost بكفاءة تنبؤية أعلى، مما يجعلها مناسبة للتطبيقات التي تتطلب دقة عالية في التنبؤ. وتؤكد الدراسة أن الدمج بين الأساليب الإحصائية المنتظمة وتقنيات الذكاء الاصطناعي يوفر إطارًا تحليليًا متكاملًا وفعالًا لدراسة تلوث المياه، ويسهم في دعم صناع القرار في مجال إدارة الموارد المائية وحماية البيئة.