通过整合河流流域的地理空间参数来改进用于总有机碳预测的机器学习模型

科学领域:

• 环境科学 环境科学
• 水资源管理 水资源管理
• 数据科学数据科学数据科学

背景情况:

• 总有机碳 (TOC) 是一个关键的水质指标.
• 由于复杂的影响因素,预测TOC具有挑战性,特别是在动态雨事件期间.
• 现有的模型往往缺乏整合地理空间数据以提高准确性.

研究的目的:

• 开发和比较机器学习 (ML) 模型,用于预测河流TOC.
• 评估地理空间参数,特别是土地利用对TOC预测准确性的影响.
• 在不同的水文条件下识别TOC的关键预测因素 (非雨与雨事件).

主要方法:

• 使用极端梯度增强 (XGBoost),深度神经网络 (DNN) 和多重线性回归 (MLR).
• 集成的地理空间数据 (土地使用,斜率) 和水质参数 (BOD,COD,TN,TP,SS).
• 使用Shapley值进行特征重要性分析,以了解预测因素的影响.

主要成果:

• 与DNN和MLR相比,XGBoost表现出更好的预测性能 (R2 0.61-0.68).
• 包括土地使用数据在内,显著提高了 XGBoost 在降雨事件中的准确性 (R2 0.77).
• COD是非雨事件的主要预测因素;COD,TP,TN,SS和农业用地在雨事件期间是关键因素.

结论:

• 机器学习模型,特别是XGBoost,为河流系统提供了强大的TOC预测能力.
• 整合土地使用数据对于提高TOC预测准确性至关重要,特别是在雨天.
• 开发的方法提供了有效的河流管理和TOC监测的框架.