使用机器学习和可解释的人工智能改善便细菌估计在四条主要河流,韩国,韩国

科学领域:

• 环境科学 环境科学
• 水质管理水质管理
• 计算水文学计算水文学

背景情况:

• 便大肠杆菌污染在韩国主要河流中构成重大公共卫生风险.
• 由于复杂的环境变量和数据限制,精确估计便中的大肠杆菌水平具有挑战性.
• 现有的模型在预测准确性和影响因素的解释性方面都存在困难.

研究的目的:

• 提高南韩主要河流便大肠杆菌污染预测的准确性和可解释性.
• 识别和理解影响便大肠杆菌水平的关键环境和水质变量.
• 应用先进的机器学习和可解释的人工智能来改善水质评估.

主要方法:

• 采用随机森林 (RF),极端梯度增强 (XGBoost),深度神经网络 (DNN) 和卷积神经网络 (CNN) 的模型.
• 使用Shapley添加式解释 (SHAP) 进行模型解释性和变量贡献分析.
• 分析了来自四大河流的16个水质参数和气象数据的综合数据集 (2014-2022年).

主要成果:

• XGBoost和CNN模型在便大肠杆菌估计中表现出更好的准确性.
• 在汉河中,XGBoost以0.597的Nash-Sutcliffe效率获得了最佳结果.
• SHAP分析提供了关于推动不同河流系统便中大肠杆菌度的重要因素的明确见解.

结论:

• XGBoost为便大肠杆菌预测中的可变贡献提供了卓越的估计准确性和强大的解释.
• 该研究提高了对水质参数和便大肠杆菌污染之间的复杂关系的理解.
• 这些发现支持改善韩国主要河流的水质管理策略.