通过绘制多来源使用和分类地理不平等情况的地图,通过机器学习和调查,加强水资源获取监测

科学领域:

• 环境科学 环境科学
• 公共卫生 公共卫生
• 数据科学数据科学数据科学

背景情况:

• 在发展中国家,传统的安全饮用水获取监测依赖于不频繁且空间粗的家庭调查.
• 这些调查往往忽略了多个水源,并未能捕捉到城市基础设施和人口动态的快速变化,特别是在撒哈拉以南非洲.

研究的目的:

• 开发和评估一个以数据为导向的方法,用于对安全饮用水获取的特定环境和分类监测.
• 通过预测数据稀缺地区的水点分布来绘制水资源获取的地理不平等情况.
• 为了比较不同机器学习模型的性能,用于水准预测.

主要方法:

• 利用地理数据,包括水资源的可用性,地形,人口密度和社会经济因素,以训练机器学习模型.
• 开发并比较了两个多层感知子 (MLP) 模型和一个最大 (MaxEnt) 模型,以预测乌干达各地的水准点,分辨率为1公里×1公里.
• 引入了一个缩放方法,从相对概率来预测水点存在的绝对数量,并使用真正率和假正率作为评估指标.

主要成果:

• 机器学习模型,特别是MLP神经网络,在预测水准点方面表现优于MaxEnt模型.
• 性能最好的MLP模型实现了0.89的真实阳性率和0.24的假阳性率.
• 乌干达布什尼 (Bushenyi) 的一项新的家庭调查显示,家庭平均使用1.9个水源,这凸显了专注于单一主要水源的局限性.

结论:

• 数据驱动的机器学习模型,特别是神经网络,为空间显式水准监测和识别地理不平等提供了有价值的工具.
• 虽然机器学习模型增强了水点映射,但它们不能仅仅取代家庭调查.
• 未来的家庭调查应该扩大,包括有关家庭使用的多个水源的问题,以提供对获得水的更全面的了解.