地下水质量建模和确定关键点:机器学习与最佳-最差方法的比较

科学领域:

• 环境科学 环境科学
• 水文地质学 水文地质学
• 数据科学数据科学数据科学

背景情况:

• 在像伊朗这样的发展中国家,地下水质量是一个关键问题.
• 对地下水质量的威胁需要先进的建模技术.

研究的目的:

• 将机器学习算法 (MLA) 应用于地下水质量建模 (GQM).
• 通过最佳-最差方法 (BWM) 在伊朗阿尔达比尔省确定GQM的最佳MLA.

主要方法:

• 在Python中使用了七个MLA (SVR,RF,DTR,KNN,Naïve Bayes,SLR,SVM).
• 分析了地下水质量参数 (离子,TDS,EC,pH).
• 最好的最坏的方法 (BWM) 用于算法验证.

主要成果:

• 随机森林 (RF) 算法表现出卓越的性能 (MAE=0.28,MSE=0.12,RMSE=0.35,AUC=0.93). 随机森林 (RF) 算法显示出卓越的性能 (MAE=0.28,MSE=0.12,RMSE=0.35,AUC=0.93). 随机森林 (RF) 算法显示出卓越的性能 (MAE=0.28,MSE=0.12,RMSE=0.35,AUC=0.93). 随机森林 (RF) 算法显示出卓越的性能 (MAE=0.28,MSE=0.12,RMSE=0.35,AUC=0.93).
• 斯科勒图显示了关键离子 (Na+K,Ca2+,Mg2+,Cl-,HCO3+CO3) 的含量较高.
• 根据水化学分析,超过50%的研究区域的地下水质量较低.

结论:

• 在研究区域内,RF是GQM最有效的MLA.
• 阿尔达比尔省的很大一部分面临地下水质量退化.
• 这些发现支持基于信息的地下水资源管理和开发策略.