人工智能的应用,用于对密集农业盆地地表水体的营养估计

科学领域:

• 环境科学 环境科学
• 水质监测 水质监测
• 计算化学的计算化学

背景情况:

• 化对供水和粮食安全构成重大风险,由和的度驱动.
• 农业盆地的营养分析至关重要,但耗费大量劳动力和资源.
• 人工智能为模拟复杂的环境变量提供了潜在的解决方案.

研究的目的:

• 探索和评估用于估计地表水中的营养度的机器学习方法.
• 评估多层感知器 (MLP),K-最近邻居 (KNN),卷积神经网络 (CNN) 和随机森林 (RF) 模型的性能.
• 使用超参数优化 (HPO) 优化模型以提高准确性.

主要方法:

• 使用实时测量参数 (pH,溶解氧,导电性,温度,总悬浮固体) 作为输入特征.
• 应用了各种机器学习算法:MLP,KNN,CNN和RF.
• 实现超参数规范化和优化 (HPO) 以提高模型性能.

主要成果:

• 随机森林 (RF) 模型表现出最高的性能,实现了从0.79到0.85.8的R2值.
• 在HPO之后,射频模型在训练中达到0.95,在验证准确度达到0.94.
• 所有测试的模型都在营养估计方面表现出不同程度的成功.

结论:

• 机器学习,特别是射频,提供了一种有效和高效的方法来估计地表水中的营养水平.
• 开发的模型适用于墨西哥西纳罗亚州的不同地表水体和气候季节.
• 这些模型支持基于科学的环境规范,用于土地利用和农药应用,增强水资源管理.