在埃塞俄比亚吉达博流域使用基于GIS的机器学习组合模型对地下水潜在区域的评估,埃塞俄比亚

科学领域:

• 地球科学 地球科学 地球科学
• 水文学 水文学
• 环境科学 环境科学

背景情况:

• 地下水是水安全的关键资源.
• 准确地绘制地下水潜在区域 (GWPZs) 对于可持续管理至关重要.
• 先进的机器学习技术为GWPZ评估提供了强大的工具.

研究的目的:

• 使用整体机器学习模型绘制和评估地下水潜在区域 (GWPZs).
• 为了比较随机森林 (RF) 和支持向量机 (SVM) 的性能,用于GWPZ预测.
• 为可持续的地下水资源管理和水安全提供基础.

主要方法:

• 利用地质,水文和土地覆盖数据来确定GWPZs.
• 经过训练和验证的随机森林 (RF) 和支持矢量机 (SVM) 模型与特定站点数据.
• 使用接收器操作特征曲线 (AUC-ROC) 下面的面积来评估模型性能.

主要成果:

• 随机森林 (RF) 模型实现了较高的AUC0.91,而支持矢量机 (SVM) 模型的AUC为0.88.
• 两种模型都有效地对GWPZ进行了分类,RF表现稍好一些.
• 高GWPZ主要存在于水体,泉源,低和森林地区.

结论:

• 整体机器学习模型,特别是RF,对于映射GWPZs是有效的.
• 该研究为决策者提供了关键的见解,以促进可持续的地下水利用.
• 这些发现有助于通过明智的资源管理,确保研究区域的水安全.