使用自动机器学习 (AutoML) 进行地下水潜力的空间预测:对中国青海省特征选择和训练样本大小的比较研究

科学领域:

• 水文学和水文地质学
• 地理空间分析是什么
• 机器学习在地球科学中的应用

背景情况:

• 准确地预测地下水潜力对于可持续的水资源管理,开发和保护至关重要.
• 以前的研究经常优先考虑预测模型的准确性,而不是特征选择和样本大小的影响.
• 了解这些因素对于优化数据稀缺或复杂地区的地下水资源评估至关重要.

研究的目的:

• 用自动机器学习来预测青海省的地下水潜力.
• 评估不同样本大小和特征选择策略对预测准确性的影响.
• 为强大的地下水潜力建模确定最佳参数.

主要方法:

• 采用自动机器学习技术来预测地下水潜力.
• 利用了16个地下水条件因素,分为数值和分类变量.
• 测试了四种特征选择模式,包括主要组件分析 (PCA) 和法,采用不同的样本大小 (200和600个数据点).

主要成果:

• 具有所有功能 (XGB-ALL) 的XGBoost模型实现了最高的精度 (0.783) 和AUC (0.819).
• 预测准确性和曲线下面积 (AUC) 值随着训练样本数量的增加而持续改善.
• 的特征选择方法在减小维度方面比PCA更有效,对600个样本的训练产生了高精度 (0.9).

结论:

• 样本大小和特征选择显著影响地下水潜在预测模型的准确性.
• 一个用8个特征和200个样本训练的模型提供了足够的准确性,而600个样本可以进行精确的预测.
• 这些发现为青海省和类似地区的地下水资源管理提供了关键的理论和实践支持.