同时识别地下水污染源和重要的水文地质参数,考虑到观测数据的噪音不确定性
Chengming Luo1,2,3, Wenxi Lu4,5,6, Zidong Pan1,2,3
1Key Laboratory of Groundwater Resources and Environment, Ministry of Education, Jilin University, Changchun, 130021, China.
概括
本研究介绍了机器学习方法,极端梯度增强 (XGBoost) 和反向传播神经网络 (BPNN),用于快速识别地下水污染源. XGBoost 实现了较低的错误率,从而实现了高效准确的污染源映射.
科学领域:
- 环境科学 环境科学
- 水文地质学 水文地质学
- 机器学习 机器学习
背景情况:
- 识别地下水污染是一个复杂的反向问题,通常需要耗时的模拟优化或统计方法.
- 现有的替代建模方法增加了复杂性,并延迟了反转过程.
- 快速准确地识别地下水污染源对于有效的补救至关重要.
研究的目的:
- 开发和比较机器学习方法 (XGBoost和BPNN) 以实现直接,快速的地下水污染源逆转.
- 与传统方法相比,评估这些方法的准确性和效率.
- 分析与反转过程中的观测数据噪声相关的不确定性.
主要方法:
- 使用XGBoost和BPNN.直接映射模拟模型输入 (污染源历史,液压导电) 到输出.
- 使用平均绝对百分比误差 (MAPE) 比较XGBoost和BPNN的反转精度.
- 使用更准确的机器学习方法 (BPNN) 进行不确定性分析.
主要成果:
- 无论是XGBoost还是BPNN都表现出了有效的反转能力.
- 与BPNN的4.15%相比,XGBoost实现了1.39%的较低的MAPE.
- 用于不确定性分析的BPNN在选择最大概率密度值时产生了2.13%的MAPE.
结论:
- 机器学习,特别是XGBoost,为快速识别地下水污染源提供了重大进展.
- 开发的方法在数据不确定性下提供可靠的反转结果.
- 决策者可以利用各种可信度级别的反转结果来制定明智的地下水污染控制策略.
