امروزه میزان برداشت از آبهای زیرزمینی بیش از میزان تغذیه آبهای زیرزمینی است که این عامل باعث افت شدید سطح سفره‌های آب زیرزمینی شده است. مراتع و جنگل‌ها بعنوان اصلی‌ترین مکان‌های تغذیه سفره‌های آب زیرزمینی محسوب می‌شوند، درحالی‌که بیشترین برداشت از این منابع در کاربری کشاورزی انجام می‌شود. هدف اصلی از پژوهش حاضر استفاده از الگوریتم‌های یادگیری ماشین شامل رگرسیون جنگل تصادفی و تابع آنتروپی شانون برای مدل‌سازی منابع آب زیرزمینی در مراتع نیمه‌خشک غرب ایران می‌باشد. برای این هدف، ابتدا لایه‌های اطلاعاتی شامل: درجه شیب، جهت شیب، ارتفاع از سطح دریا، فاصله از گسل، شکل شیب، فاصله از آبراهه، فاصله از جاده، بارندگی، لیتولوژی و کاربری اراضی تهیه شد. پس از تعیین وزن پارامترها با استفاده از تابع آنتروپی شانون و سپس تعیین طبقات آن‌ها، در محیط سامانه‌های اطلاعات جغرافیایی، از ترکیب وزن پارامترها و طبقات آن‌ها نقشه نهایی مناطق دارای پتانسیل منابع آب زیرزمینی مدل‌سازی گردید. بعلاوه، برای اجرای مدل جنگل تصادفی از نرم افزار R ۳,۵.۱ و بسته randomForest استفاده شد. در تحقیق حاضر از اعتبارسنجی ضربدری k-fold برای صحت‌سنجی مدل‌ها استفاده گردید. به منظور ارزیابی کارایی مدل‌های جنگل تصادفی و آنتروپی شانون برای پتانسیل‌یابی منابع آب زیرزمینی، از شاخصهای آماری MAE، RMSE و R۲ استفاده شد. نتایج ارزیابی نشان داد که مدل جنگل تصادفی با دقت (RMSE: ۳,۴۱, MAE: ۲.۸۵ R² = ۰,۸۲۵,) دارای دقت بالاتری نسبت به مدل آنتروپی شانون با دقت (R² = ۰,۷۲۷, RMSE: ۴.۳۶, MAE: ۳.۳۴) می‌باشد. یافته‌های مدل جنگل تصادفی نشان داد که قسمت زیادی از منطقه مورد مطالعه دارای پتانسیل متوسط (۲۲/۲۶۹۵۴ هکتار) و مساحت خیلی اندکی (۶۱/۲۰۵ هکتار) بدون پتانسیل آب زیرزمینی می‌باشد. از طرفی، نتایج مدل آنتروپی شانون نشان داد که قسمت اعظمی از منطقه مورد مطالعه دارای پتانسیل متوسط (۰۵/۲۴۶۳۳ هکتار) و مساحت خیلی اندکی (۱۲/۱۵۰۲ هکتار) بدون پتانسیل آب زیرزمینی می‌باشد.
