相关实验视频
Updated: Jun 17, 2025

Watershed Planning within a Quantitative Scenario Analysis Framework
Published on: July 24, 2016
一个新的合可解释的机器学习框架,用于预测水质和了解水利项目的不同流量排放法规中的环境影响
Xizhi Nong1, Cheng Lai2, Lihua Chen2
1College of Civil Engineering and Architecture, Guangxi University, Nanning 530004, China; State Key Laboratory of Hydroscience and Engineering, Tsinghua University, Beijing 100084, China; Centre for Urban Sustainability and Resilience, Department of Civil, Environmental and Geomatic Engineering, University College London, London WC1E 6BT, UK; School of Computing and Engineering, University of West London, London W5 5RF, UK.
本研究引入了一个可解释的机器学习框架,通过分析环境因素和流量排放来预测水质,特别是酸盐指数 (CODMn). 可解释的随机森林模型增强了对复杂水利项目的水质动态的理解.
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:
- 机器学习模型 (MLM) 越来越多地用于水污染预测.
- 多元水源管理的"黑子"性质限制了其在水质管理中的应用,因为缺乏机械的理解,特别是在受监管的水利项目中.
- 可解释的ML对于理解水质预测中的环境因素影响至关重要.
研究的目的:
- 为预测水质提出一个可解释的机器学习框架.
- 将基于场景的水力动力学 (流放) 随机森林 (RF) 模型与模型不可知解释技术结合起来.
- 量化全球,地方和共同解释环境因素对水质的影响.
主要方法:
- 使用随机森林 (RF) 模型开发了一个可解释的机器学习框架.
- 应用了多种模型不可知解释技术 (部分依赖,个人有条件的预期,累积的局部效应).
- 利用了从2019年5月到2020年12月的4664个采样案例的数据集,包括来自中国南北水分项目 (MRSNWDPC) 中间路线的水质,气象和水文指标.
主要成果:
- 射频模型在不同的流放电场景中有效预测了酸盐指数 (CODMn) (MSE: 0.006-0.026,R2: 0.481-0.792,MAE: 0.069-0.104).
- 全球解释确定溶解氧气,流放电和表面压力是CODMn的关键预测因素.
- 当地和联合解释证明了该模型能够提供对驱动水质变化的物理机制的洞察力.
结论:
- 拟议的可解释框架准确预测水质,并增强对环境因素影响的理解.
- 对于水资源管理中的可靠机器学习应用程序,模型可解释性至关重要.
- 该研究为水利工程项目的水质预测和管理提供了可靠的方法框架.
相关概念视频
Design Example: Analyzing Capacity Contours for Flood Risk Assessment
Typical Model Studies
Modeling and Similitude

