使用Optuna超参数优化进行营养模拟的SWAT和SWAT与XGBoost模型相结合的比较分析:泰国上南河流域的一个案例研究:泰国上南河流域的一个案例研究

科学领域:

• 环境科学 环境科学
• 水资源管理 水资源管理
• 计算水文学计算水文学

背景情况:

• 农业排水是酸盐 (NO3-N) 和正酸盐 (PO4-P) 污染的主要来源,给环境和公共卫生带来了重大挑战.
• 准确预测水体中的营养度对于有效的流域管理和缓解战略至关重要.

研究的目的:

• 开发和验证一个混合模型,将土壤和水评估工具 (SWAT) 与 eXtreme Gradient Boosting (XGBoost) 集成在一起,以提高营养度预测.
• 使用Optuna超参数调整优化混合型号,以提高准确性和性能.
• 通过SHAP分析确定营养污染的关键驱动因素,以获得可操作的管理见解.

主要方法:

• 将基于物理的土壤和水评估工具 (SWAT) 与机器学习算法 eXtreme Gradient Boosting (XGBoost) 的集成.
• 使用Optuna超参数调框架优化混合SWAT-XGBoost模型.
• 应用SHAP (夏普利增量扩展) 分析来解释模型预测并确定影响因素.

主要成果:

• 优化的混合SWAT-XGBoost模型与独立SWAT模型相比显著改进,R平方值增加了高达50%,根平均平方误差 (RMSE) 减少了高达75%.
• SHAP分析显示,沉积物动态和营养物质矿化是影响营养物质运输和水污染的主要驱动因素.
• 混合模型有效地捕获了复杂的营养物质运输动态,展示了增强的预测能力.

结论:

• 混合SWAT-XGBoost模型提供了一种强大而准确的方法,用于预测受农业排水影响的水体中的营养度.
• 将机器学习与物理水文模型集成,为改善流域管理提供了一个可扩展和适应的框架.
• 这些发现为开发可持续农业实践和减轻水污染风险提供了可操作的见解.