相关实验视频
Updated: Jun 22, 2026
06:37
Continuous Hydrologic and Water Quality Monitoring of Vernal Ponds
Published on: November 13, 2017
9.3K
基于机器学习的地下水微动力学的异常检测:中国成都的案例研究
Haoxin Shi1,2, Jian Guo3, Yuandong Deng4
1State Key Laboratory of Geohazard Prevention and Geoenviromment Protection, Chengdu University of Technology, Chengdu, 610059, China.
Scientific reports
|September 7, 2023
概括
本研究介绍了一种方法,通过考虑大气压和降水等影响因素来检测地下水位异常. 这种方法提高了识别地下水力动力学异常的准确性,以更好地管理资源.
科学领域:
- 水文地质学 水文地质学
- 环境科学 环境科学
- 数据科学数据科学数据科学
背景情况:
- 地下水力动力学异常对于地下水管理和环境监测至关重要.
- 现有的方法可能无法充分考虑影响地下水位的因素,这可能会影响异常检测的准确性.
研究的目的:
- 通过考虑影响因素,提出和评估一种用于检测地下水位数据中的异常值的新方法.
- 为了比较四个异常检测算法 (sl-Pauta,iForest,OCSVM,KNN) 在合成和现实地下水数据上的性能.
主要方法:
- 在成都地区收集地下水位,大气压和降水情况的数据.
- 因素分析以识别和消除影响地下水位的变量,创建简化数据.
- 用于异常值检测的sl-Pauta,iForest,OCSVM和KNN算法的应用和比较评估.
主要成果:
- 在合成数据上,OCSVM表现出卓越的性能,达到88.89%的精度,91.43%的回忆,90.14%的F1得分和95.66%的AUC.
- 对于简化地下水位,iForest和OCSVM在异常值检测方面表现优于KNN.
- 拟议的方法结合了影响地下水位的因素,提高了检测效率和准确性.
结论:
- 考虑影响因素显著提高了检测地下水位异常值的准确性.
- 在水文地质研究中,OCSVM和iForest在识别地下水力动力学异常方面显示出有希望的结果.
- 开发的方法为稳健的地下水资源管理和环境监测提供了有价值的工具.
