HydroPredictor是一种混合机器学习模型,用于解决地下水预测中的数据稀缺问题

科学领域:

• 水文地质学 水文地质学
• 机器学习 机器学习
• 环境科学 环境科学

背景情况:

• 由于有限的数据和复杂的环境因素,地下水预测在数据稀缺的地区具有挑战性.
• 现有的模型与空间异质性和非线性水文地质过程作斗争.

研究的目的:

• 开发一个强大的混合机器学习框架,HydroPredictor,用于准确地预测地下水潜力.
• 解决数据有限和环境敏感领域的传统模型的局限性.

主要方法:

• 一个混合框架集成CatBoost和一个规范化的多层感知器 (MLP).
• 在摩洛哥费贾盆地的地理参考数据集 (315个样本) 上进行培训,使用十个环境预测指标.
• 基于Optuna的超参数优化和5倍交叉验证用于模型验证.

主要成果:

• HydroPredictor实现了89.23%的测试准确度,F1得分为0.8937和AUC>0.90.
• 该模型的表现明显超过了Random Forest,SVM和独立的MLP.
• 与现有文献模型相比,与最小的过拟合 (∆精度 = 0.35%) 证明了优越的概括性.

结论:

• HydroPredictor为在数据有限的环境中进行地下水分类提供了一个可扩展和强大的解决方案.
• 混合方法有效地将可解释的基于树的嵌入与深度神经表示相结合.
• 在环境不确定性中,为可持续的地下水资源管理提供了一种可重复的工具.