相关实验视频
Updated: May 15, 2025

Continuous Hydrologic and Water Quality Monitoring of Vernal Ponds
Published on: November 13, 2017
半监督模型的应用用于在干旱地区的地下水位模拟,样本大小小小
Dongping Xue1, Dongwei Gui2, Qi Liu3
1State Key Laboratory of Desert and Oasis Ecology, Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi 830011, China; Cele National Station of Observation & Research for Desert Grassland Ecosystem in Xinjiang, Cele, 848300, China; University of Chinese Academy of Sciences, Beijing 100049, China.
这项研究引入了一种半监督式学习模型,用于准确预测塔林河流域等数据稀缺的干旱地区的地下水位. 该模型有效地克服了数据限制,为可持续的水资源管理提供了关键的见解.
科学领域:
- 水文学的水文学
- 机器学习 机器学习
- 环境科学 环境科学
背景情况:
- 地下水位监测对于可持续的含水层管理至关重要,但由于干旱地区的数据稀缺,它面临着挑战.
- 传统模型在拥有稀疏监测网络的盆地中扎,限制了预测准确度.
研究的目的:
- 开发和评估一个半监督学习模型,用于预测塔林河流域的空间地下水位,解决数据稀缺问题.
- 通过使用先进的模型解释技术,识别影响地下水动态的关键环境共变量.
主要方法:
- 采用了半监督学习架构,将有限的地下水观测与未标记的环境数据集成在一起.
- 使用对抗性的伪标签生成和变异性特征提取来提高预测准确性.
- 为了模型的解释性,进行了SHAP (夏普利添加式扩展) 分析.
主要成果:
- 半监督模型实现了高性能 (R2 = 0.87,RMSE = 0.75 ± 0.03),超过了传统方法.
- 确定的主要预测因素包括距离河流的距离,液压导电性,地下水储存异常和NDVI.
- 在塔林河流域北部观察到大量的地下水枯竭,而南部地区则显示出上升的趋势.
结论:
- 半监督学习,特别是基于物理的伪标签,有效地克服了地下水预测中的数据稀缺性.
- 开发的框架为数据稀疏的干旱地区提供了可转移的解决方案,使水资源管理得更好.
- 尽管局部恢复,地下水资源面临着持续的压力,需要谨慎的水分配和生态保护策略.
相关概念视频
Sampling Plans
Random sampling is a method where each member of the population has an equal chance of being selected for the sample. It involves selecting individuals randomly, often using random number generators or lottery-type methods. For example, when analyzing the properties of a...
Typical Model Studies
Modeling and Similitude
Design Example: Creating a Hydraulic Model of a Dam Spillway
Responses to Drought and Flooding
Stratified Sampling Method
To choose a stratified sample, divide the population into groups called strata and then take a...

