基于机器学习的地下水潜力测绘和因素分析在热带横流地形使用自组织地图和随机森林

科学领域:

• 地球科学 地球科学 地球科学
• 水文学的水文学
• 地理空间分析的研究.

背景情况:

• 可持续的地下水管理至关重要,特别是在印度南喀拉拉邦等热带地区,社区严重依赖地下水资源.
• 岩层地形由于其复杂的水文地质学,对地下水的勘探和管理提出了独特的挑战.

研究的目的:

• 在印度南喀拉拉邦伊蒂卡拉河流域划定地下水潜在区域 (GWPZ).
• 将地理空间技术与机器学习相结合,以准确地绘制地下水潜力的地图.
• 确定控制地下水发生的关键水环境因素.

主要方法:

• 利用一个地理空间和机器学习框架,结合自组织地图 (SOM),K-means集群和随机森林 (RF) 分析.
• 整合了八个水环境参数:LULC,地形学,地质学,斜率,相对缓解,线条密度,排水密度和平均水表深度 (MDTW).
• 采用GIS进行数据处理和SOM将其分为五个不同的地下水潜力类别,通过戴维斯-博尔丁指数 (DBI) 验证.

主要成果:

• 确定了土地利用/土地覆盖 (LULC),地形学和地质学作为影响地下水潜力的最重要的因素.
• 成功地划出了五个地下水潜在区域:非常低,低,中等,高和非常高.
• 使用井产量和水表深度数据的验证显示出强烈的一致性,高潜力区域与高产量井和浅层含水层相关.

结论:

• 综合的地理空间和机器学习方法为在水文地质学上复杂的热带地形中绘制地下水潜力的强大框架.
• 划定的GWPZ为地下水勘探,人工充电计划和伊蒂卡拉河流域的可持续开采提供了实际见解.
• 该方法可扩展,可用于全球其他热带河流流域的地下水管理.