基于机器学习的复杂水文地质条件地区地下水中硫酸盐度的预测
Yushan Tian1, Quanli Liu1, Yao Ji1
1State Key Laboratory of Environmental Criteria and Risk Assessment, Chinese Research Academy of Environmental Sciences, Beijing 100012, China.
地下水中硫酸盐水平的上升带来了环境风险. 机器学习模型,特别是反向传播神经网络 (BPNN),有效预测硫酸盐度,确定矿井排水作为关键来源并帮助地下水保护战略.
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:
- 由于人为活动而增加的地下水硫酸盐含量是一个严重的环境问题.
- 有效地管理和保护地下水资源需要了解硫酸盐的控制因素和准确的度预测.
研究的目的:
- 确定影响海北平原地下水硫酸盐度的因素.
- 使用集成自组织地图 (SOM) 和机器学习 (ML) 模型预测硫酸盐水平.
- 为了确定地下水硫酸盐污染的主要来源.
主要方法:
- 利用自组织地图 (SOM) 方法分析地下水水化学和参数相关性.
- 采用了三种机器学习算法:随机森林 (RF),支持矢量机 (SVM) 和反向传播神经网络 (BPNN).
- 使用统计指标验证模型性能:R2,平均平方误差 (MSE) 和平均绝对误差 (MAE).
主要成果:
- 鉴定了矿井排水作为地下水硫酸盐升高的主要原因,石膏溶解和酸盐氧化作为次要来源.
- 观察到地下水硫酸盐和总溶解固体 (TDS),化物 (Cl−) 和 (Na+) 之间存在强烈的相关性.
- 后传神经网络 (BPNN) 与RF和SVM相比,显示出更高的预测准确性 (R2:0.43-0.70),TDS和Na+是具有高度影响力的变量.
结论:
- 整合SOM和ML,特别是BPNN,为预测地下水硫酸盐度提供了一个强大的框架.
- 这些发现对于为可持续管理提供地下水保护和修复政策的信息至关重要.
- 了解水化参数及其来源对于解决地下水污染问题至关重要.
更多相关视频
09:44Use of Principal Components for Scaling Up Topographic Models to Map Soil Redistribution and Soil Organic Carbon
Published on: October 16, 2018
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
相关概念视频
Precipitation and Co-precipitation
End Point Prediction: Gran Plot
For potentiometric titration, the Gran plot is created by plotting...
Calibration Curves: Linear Least Squares
For data that follow a straight line, the standard method for fitting is the linear...
Complexometric Titration: Ligands
Extraction: Advanced Methods
Factors Affecting Solubility
