深度学习预测和解释跨越密西西比河流域的河流酸盐出口

科学领域:

• 环境科学 环境科学
• 水的质量 水的质量
• 机器学习应用 机器学习应用

背景情况:

• 过多的河流酸盐有助于下游的肥胖和缺氧,特别是在墨西哥湾,由于密西西比河流域 (MRB) 的营养物质排放.
• 了解酸盐的动态和出口对于制定有效的营养管理策略以减轻环境影响至关重要.

研究的目的:

• 开发和验证一种机器学习模型,用于使用高频传感器数据预测每日酸盐度.
• 评估模型在时间和空间验证方面的表现,识别数据缺口并指导目标应用.
• 量化酸盐在MRB中的出口和保留,并确定影响酸盐度的关键驱动因素.

主要方法:

• 开发一个长期短期记忆 (LSTM) 模型,利用来自美国各地的高频传感器数据.
• 对LSTM模型进行时间和空间验证,以评估监测和未监测盆地的预测准确性.
• 该模型应用于MRB (1980-2022年) 来分析酸盐出口,储存和跨年变化.
• 利用可解释的沙普利值来识别影响酸盐度的关键空间驱动因素和非线性值.

主要成果:

• 在LSTM模型中,在MRB中表现出强烈的时间验证 (KGE中位数=0.60) 和中度的空间验证 (KGE中位数=0.34).
• 河流酸盐模型显示,河流酸盐出口相对较低 (19±4%的剩余),这表明河流酸盐在河流盆地内存在显著的酸盐保留.
• 观察到酸盐产量的显著跨年变化,湿年显示出更高的出口分数,这与增加的水文连接和遗留的重组化有关.
• 排水,道路密度和湿地覆盖被确定为影响酸盐度的关键空间驱动因素,并确定了非线性值.

结论:

• 机器学习和水中传感为改善时空酸盐预测和对营养动态的洞察提供了有价值的工具.
• MRB保留了大量的酸盐过剩,但遗留的重调动,特别是在雨季,显著影响出口.
• 已识别的驱动因素和值为制定有针对性的营养管理策略以减少酸盐污染提供了关键信息.