一种机器学习方法来预测未化盆地的沉积物和营养素的流域健康指数

科学领域:

• 环境科学 环境科学
• 水资源管理 水资源管理
• 机器学习应用 机器学习应用

背景情况:

• 水质 (WQ) 数据在时间和空间上往往稀疏,限制了有效的管理和环境建模.
• 评估水质风险指标的现有方法,如流域健康 (WH),仅限于测量位置.
• 由于复杂的预测变量,对未经修复的流域进行这些指数的估计一直是一个重大挑战.

研究的目的:

• 评估机器学习 (ML) 模型,用于预测水域健康状况 (WH) 和其他风险指标,在未经化的水文单位代码10 (HUC-10) 盆地.
• 利用流域属性,气候,土壤,土地使用和地理数据作为ML模型的预测变量.
• 评估各种ML模型的性能,包括组合方法,用于预测水质成分,如悬浮沉积物,和.

主要方法:

• 采用了机器学习模型:随机森林回归,AdaBoost,梯度提升机器和贝叶斯山脊回归.
• 开发了一个整体模型,将来自单个ML模型的预测结合起来.
• 使用流域属性,长期气候数据,土壤数据,土地使用/土地覆盖,肥料销售和位于上密西西比州,俄俄州和莫米河流域的地理信息进行测试的模型.

主要成果:

• 随机森林,AdaBoost和渐变增强模型实现了悬浮沉积物和的R2>0.8.
• 整体模型表现出这些组成部分的R2>0.95的优异性能.
• ML模型准确地预测了农业地区较低的WH,在城市地区中等的WH,在森林地区悬浮沉积物和的WH较高,验证了未经提升的盆地的预测.

结论:

• 当有足够的培训数据可用时,拟议的ML模型可为未经培养的地点提供可靠的水质估计.
• ML模型可以作为有效的选工具,用于识别各种水质成分的关键源区域或热点.
• 对于预测需要进一步的研究,因为一些森林地区显示出出意想不到的低WH值.