一个机器学习框架,用于在伊朗Lenjanat平原的一个数据稀缺地区的地下水对酸盐的时空空间脆弱性映射

科学领域:

• 环境科学 环境科学
• 水文学的水文学
• 机器学习 机器学习

背景情况:

• 地下水对酸盐污染的脆弱性通常被认为是静态的,忽视了时间动态.
• 农业活动和地下水需求显著影响半干旱地区的水质.

研究的目的:

• 使用机器学习动态评估地下水对酸盐污染的脆弱性.
• 识别随着时间的推移,酸盐水平,地下水,植被,降水和农业实践之间的关系.
• 在伊朗的Lenjanat平原绘制污染概率图.

主要方法:

• 采用检测断点和估计趋势段 (DBEST) 算法进行时间序列分析.
• 使用的机器学习模型:随机森林 (RF),支持矢量机器 (SVM) 和K-近邻 (KNN).
• 研究的特征选择 (顺序特征选择 - SFS) 和失衡学习 (SMOTE-Tomek) 技术.

主要成果:

• 使用SFS和SMOTE-Tomek的射频模型实现了最高的精度 (F1得分:0.94,MCC:0.83).
• DBEST发现了与扎扬德罗德河沿线的农业实践与酸盐污染有关的重大断点.
• 地下水脆弱性地图显示,中部和西南部地区的污染程度中等至高.

结论:

• 时间分析对于了解地下水对酸盐的脆弱性至关重要.
• 机器学习,特别是使用SFS和SMOTE-Tomek的射频,有效地模拟和预测地下水污染.
• 农业做法与研究区域中酸盐污染的增加直接相关.