通过将高频传感器数据与机器学习相结合,在岩流域解开酸盐转化机制
Xin Liu1, Fu-Jun Yue2, Wei Wen Wong3
1Institute of Surface-Earth System Science, School of Earth System Science, Tianjin University, Tianjin 300072, China; Water Studies, School of Chemistry, Monash University, Clayton, Victoria 3800, Australia.
Water research
|September 29, 2024
概括
机器学习模型准确地预测了酸盐动态和岩石流域中的同位素. 降雨是一个关键的驱动因素,影响源和运输,特别是在雨季.
科学领域:
- 环境科学 环境科学
- 水文学的水文学
- 地质化学 地质化学
背景情况:
- 流域中的酸盐动态对地球系统过程至关重要,但在高分辨率下对其了解甚微.
- 对酸盐运输和转换的水文影响需要进一步评估,以有效地管理流域气.
研究的目的:
- 采用机器学习 (ML) 模型来重建一年的酸盐动态和石流域的同位素变化.
- 评估不同ML模型在预测酸盐度及其同位素方面的性能.
主要方法:
- 利用随机森林,长期短期记忆,卷积神经网络和支持矢量机器模型.
- 重建了酸盐度,d15N-NO3-和d18O-NO3-的年度变化.
- 确定了引发快速水文反应的降水值.
主要成果:
- 随机森林模型的表现优于其他ML模型,达到高的纳什-萨特克利夫效率 (NSE) 值 (0.95为NO3--N,0.80为δ15N-NO3-,0.53为δ18O-NO3-).
- 确定了约269.1毫米的降水值 (23.0%的年率) 触发了湿季反应.
- 模拟的酸盐同位素支持现场数据,表明季节性源变化是由降水和肥料输入驱动的.
结论:
- 机器学习提供了一个强大的方法来建模复杂的酸盐动态和石灰岩系统中的同位素.
- 降水是酸盐来源和运输的主要驱动因素,在不同的水文时期 (湿/干) 进行不同的控制.
- 了解这些动态对于管理循环和缓解流域水质问题至关重要.


