基于城市分布的Shaying河流域浅地下水酸盐的比较和预测,使用多种机器学习方法

科学领域:

• 环境科学 环境科学
• 水文地质学 水文地质学
• 数据科学数据科学数据科学

背景情况:

• 地下水的酸盐污染是一个重大的全球性挑战,影响水质和可用性.
• 传统的方法很难准确地建模复杂的,非线性地下水动态,特别是高可变性地下水.
• 机器学习 (ML) 提供了一种有前途的方法来增强对地下水系统的模拟和理解.

研究的目的:

• 用6个ML算法在Shaying河流盆地建模浅地下水中酸盐度.
• 评估不同的ML模型在预测地下水中酸盐水平方面的性能.
• 确定影响酸盐度的关键环境因素,并确定污染热点.

主要方法:

• 用6个机器学习算法来模拟地下水中酸盐度.
• 模型有效性使用R2,MAE和RMSE指标进行评估,比较观察和预测值.
• 使用最熟练的模型来确定环境变量的相对重要性.

主要成果:

• 在XGB算法上,R2 = 0.773,MAE = 7.625和RMSE = 11.92.9的表现优异.
• 福阳市被确定为最受污染的地区,化物 (Cl−) 是一个重要的影响因素 (78.64%).
• 州市显示污染最少,受到 (K+) 和酸盐 (NO2−) 的影响,这表明环境减少.

结论:

• 这项研究成功地使用ML整合了各种环境变量,以调查地下水污染.
• XGB模型为预测地下水中酸盐水平和了解影响因素提供了一个强大的工具.
• 调查结果为在Shaying河流盆地和类似地区有效管理酸盐污染提供了关键的见解.