机器学习和深度学习模型与SHAP策略的开发,用于预测韩国地下水位

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:

• 预测地下水位 (GWL) 对水资源管理至关重要.
• 机器学习和深度学习为水文预测提供了先进的工具.
• 济州岛面临着独特的水文地质挑战,需要准确的GWL预测.

研究的目的:

• 为了预测韩国济州岛邦井的地下水位 (GWL).
• 在不同的预测场景下比较各种机器学习和深度学习模型的性能.
• 为了确定最有影响力的因素,准确的GWL预测.

主要方法:

• 使用的机器学习 (SGB,RF,GRNN,GMDH) 和深度学习 (深度ESN,LSTM) 模型.
• 开发了使用气象数据,地下水数据和具有不同交付时间 (1-15天) 的历史GWL的三个预测场景.
• 使用了五种评估指标 (RMSE,CC,NSE,RE,RRSE) 和夏普利添加式解释 (SHAP) 进行模型评估和特征重要性分析.

主要成果:

• 场景03下的随机森林 (RF3) 模型 (使用1-15天的领先时间GWL) 显示出最好的预测准确性 (RMSE = 0.053 m,CC = 1.000,NSE = 1.000).
• SHAP分析发现1天的领先时间GWL是影响预测准确性的最重要的特征.
• 单向ANOVA证实,在场景03中所有模型的预测值在统计学上与测量值相似.

结论:

• 机器和深度学习模型,特别是带领时间数据的随机森林,对于地下水位预测是有效的.
• 领先时间地下水位数据是水文预测的关键预测指标.
• 像SHAP这样的先进分析技术提高了预测模型的可解释性和可靠性.