利用机器学习从空间数据绘制特定的地下水酸盐度:中国重庆的一个案例研究

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:

• 地下水是重要的资源,但高酸盐水平对人类健康构成重大风险.
• 准确地绘制地下水中酸盐分布的地图对于环境管理至关重要.

研究的目的:

• 开发和比较用于预测地下水酸盐度分布的机器学习模型.
• 确定影响地下水中酸盐水平的主要环境和人为因素.

主要方法:

• 使用了四种机器学习模型 (渐变增强回归,随机森林回归,极端渐变增强回归,自适应增强回归).
• 模型整合了空间环境数据,包括地形,遥感,水地质,水文,气候,酸盐输入和社会经济因素,使用500米的贡献面积.
• 595个地下水样本被用于模型培训和验证.

主要成果:

• 梯度增强回归模型在预测酸盐度方面表现优异 (R2 = 0.627).
• 高分辨率地图显示,大多数地区的酸盐含量低于1 mg/L,在特定的城市和谷地区的度 (>10 mg/L) 较高.
• 确定了水文地质条件,土壤特性,投入和耕地百分比作为关键影响因素.

结论:

• 机器学习,特别是梯度增强回归,为地下水酸盐度的空间预测提供了一种有效的方法.
• 调查结果为重庆的地下水污染控制提供了至关重要的决策支持,特别是对于依赖地下水的地区.
• 这项研究在应用空间方法来评估地下水质量方面取得了重大进展.