一个创新的方法来预测地下水TDS使用优化集团机器学习算法在两个层次的建模战略的算法预测地下水TDS

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:

• 地下水的化是全球沿海含水层的一个关键问题,由人类活动和自然因素驱动.
• 准确地评估地下水质量对于可持续的水资源管理至关重要,特别是在像阿曼这样的地区.
• 海水入侵是盐化的主要原因,需要有效的监测和预测方法.

研究的目的:

• 开发和评估一种基于集体树的新型机器学习策略,用于预测地下水总溶解固体 (TDS).
• 评估Catboost回归 (CBR),Extra Trees回归 (ETR) 和Bagging回归 (BA) 模型在识别海水入侵时的有效性.
• 通过两级建模方法提高预测准确性,利用单个模型作为集合模型的输入.

主要方法:

• 采用了使用机器学习算法的两级集合建模策略:Catboost回归 (CBR),额外树回归 (ETR) 和袋装回归 (BA).
• 一级模型 (ETR,CBR) 使用来自地下水样本的有限输入变量 (Cl,K,Sr).
• 2级使用包装回归 (BA) 模型,结合1级模型的输出,以改善地下水TDS的预测.

主要成果:

• 1级的单个ETR和CBR模型在使用关键化学指标预测TDS方面表现令人满意.
• 第二级包装回归 (BA) 模型显著提高了预测准确性,实现了R2 = 0.995和NSE = 0.996.
• 2级的BA模型在预测准确度,概括能力和准确识别和非地下水位置方面超过了个别模型.

结论:

• 拟议的两级ETB机器学习方法有效地预测了地下水TDS的高精度,作为水质恶化的早期预警系统.
• 这种方法为监测和管理地下水资源提供了一个强大的工具,这对于确保沿海水层的水资源可持续性至关重要.
• 这项研究强调了整体机器学习技术在应对海水入侵等复杂的水文地质挑战方面的潜力.