使用机器学习模型进行地下水质量评估:对半干旱地区工业走廊的综合研究
Loganathan Krishnamoorthy1, Vignesh Rajkumar Lakshmanan2
1School of Civil Engineering, Vellore Institute of Technology, Vellore, Tamil Nadu, India.
概括
机器学习模型可以准确预测地下水质量. 随机森林模型显示出卓越的性能,表明拉尼佩特工业走廊的地下水不适合饮用或灌.
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:
- 地下水质量对生命至关重要,但面临着污染和气候变化的威胁.
- 由于越来越多的污染和全球变暖的影响,对地下水的分析至关重要.
- 地下水中的水地化学和重金属污染需要先进的评估方法.
研究的目的:
- 使用机器学习 (ML) 模型预测水质指数 (WQI) 和水质分类 (WQC).
- 评估各种ML模型的性能,包括随机森林 (RF),梯度增强 (GB),决策树 (DT),K-最近邻居 (KNN),极端梯度增强 (XGBoost),支持向量回归器 (SVR) 和多层感知器 (MLP).
- 为了评估拉尼佩特工业走廊附近的地下水质量.
主要方法:
- 收集了40个地下水样本用于水地化学和重金属分析.
- 使用的ML模型用于WQC (RF,GB,DT,KNN) 和WQI (XGBoost,SVR,RF,MLP) 预测.
- 使用的网格搜索用于模型评估,使用F1得分,准确性,R2,MAE,MSE和MAPE等指标.
主要成果:
- 研究区域的地下水质量被确定为非常差,不适合饮用和灌.
- 随机森林 (RF) 模型表现出色,WQC的准确度为97%,WQI的R2为91.0%.
- 在地下水质量评估准确性方面,ML模型的表现优于传统技术.
结论:
- 机器学习模型对于预测地下水质量指数和分类非常有效.
- 该研究强调了拉尼佩特工业走廊的地下水质量不佳,需要进行整治工作.
- 与传统方法相比,ML提供了一种优越而准确的地下水质量评估方法.
