通过使用极端梯度增强的基于水质估计工具 - - XGBest - - 提高每日流中营养物质和沉积物度的预测和推断
Shubham Jain1, Arun Bawa2, Katie Mendoza2
1Water Management and Hydrological Science, Texas A&M University, College Station, TX, USA; Texas A&M AgriLife Research, Blackland Research & Extension Center, Temple, TX, USA.
The Science of the total environment
|January 19, 2025
概括
一个新的机器学习工具,XGBest,通过整合水文数据和流域特征,准确地预测河流中的每日营养和沉积物负载. XGBest的性能优于现有的方法,为水质监测和管理提供了强大的解决方案.
科学领域:
- 环境科学 环境科学
- 水文学的水文学
- 机器学习 机器学习
背景情况:
- 估计河流构成载荷至关重要,但由于采样不频繁,很难.
- 现有的水质模型与区域规模的复杂生态水文相互作用作斗争.
研究的目的:
- 介绍XGBest,一个用于区域范围内的每日水质预测的机器学习工具.
- 评估XGBest的性能与已建立的方法 (LOADEST,WRTDS) 相比.
主要方法:
- XGBest集成了29个环境变量 (排放,土地覆盖面,流域属性).
- 该模型在美国东部三个不同水文地区的499个地点进行了验证.
- 用于解释模型驱动器的SHapley添加式解释 (SHAP).
主要成果:
- 在预测准确度方面,XGBest显著超过了LOADEST和WRTDS.
- 确定了水质变化的关键驱动因素,包括土地覆盖面和先前排放.
- 证明了整合静态和动态流域属性的重要性.
结论:
- XGBest提供了一个强大的,可扩展的解决方案,用于预测总,总和总悬浮固体度.
- 该工具增强了对水质动态的理解,并支持环境管理.
- 整合各种环境数据可以更好地预测度-排放关系.


