为地下水质量预测优化机器学习方法:巴基斯坦阿扎德克什米尔巴格地区的案例研究

科学领域:

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

背景情况:

• 地下水质量监测对于环境和人类健康保护至关重要.
• 机器学习 (ML) 显示了改善地下水质量预测和污染识别的前景.

研究的目的:

• 评估基础ML算法和堆叠组合分类器,用于地下水质量预测.
• 建立一种可靠的方法来对巴基斯坦阿扎德克什米尔巴格地区的地下水质量进行分类.

主要方法:

• 雇佣了6个受监督的ML分类器 (LR,KNN,DT,SVM,RF,XGB) 和它们的元分类器.
• 使用精度,回忆,F1得分,准确性,R2,RMSE和ROC曲线来评估性能.
• 分析了来自90个地下水样本的数据.

主要成果:

• 支持矢量机 (SVM) 和其元分类器 (Meta-SVM) 显示出卓越的性能,达到高精度 (0.85-0.89) 和F1得分 (0.88-0.89).
• 超分类器通常表现优于LR,SVM和XGB的基本模型.
• 确定的关键污染指标包括总溶解固体 (TDS),硫酸盐 (SO4) 和酸盐 (NO3),显示出日益增长的趋势.

结论:

• 基于污染指标预测地下水质量的ML技术,特别是SVM和Meta-SVM,是有效的.
• 研究结果强调了预测建模对于有效地管理地下水资源和减轻污染的重要性.
• 未来的工作应该集中在改进模型和扩大数据集以获得更广泛的适用性.