机器学习模型的比较评估,用于空间时间地下水质量预测和分类在印度穆瓦塔图普扎河流域,印度
K Alagulakshmi1,2, Sneha Gautam1,2,3, G Prince Arulraj1
1Division of Civil Engineering, Karunya Institute of Technology and Sciences, Coimbatore, Tamil Nadu, India.
概括
机器学习模型有效地评估地下水质量,决策树显示高精度. 这种方法通过确定污染风险的关键指标,有助于可持续的水资源管理.
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:
- 由于人类活动,地下水污染正在增加,因此需要更好的水资源管理预测工具.
- 有效的水治理需要先进的方法来评估和预测地下水质量随时间变化.
研究的目的:
- 用多时机机器学习模型评估Muvattupuzha河流域的地下水质量.
- 为了比较五个监督机器学习模型的性能,以对地下水安全进行分类.
主要方法:
- 利用2003年,2013年和2023年的数据集进行比较分析.
- 评估了五种监督机器学习模型:决策树 (DT),逻辑回归,支持矢量机,随机森林和k-最近邻居.
- 使用精度,回忆,F1得分,确定系数和根-平均平方误差来评估模型性能.
主要成果:
- 决策树 (DT) 模型实现了最高的分类准确性 (96%) 并显示出强大的解释性.
- 综合特征的重要性与水化学推理确定盐度参数作为大规模查的关键指标.
- 营养素和硬度反映了对地下水质量的局部人类和地质影响.
结论:
- 该研究推进了可解释的,基于数据的地下水评估,以有效地管理水资源.
- 时间分析显示,在过去二十年中,地下水质量动态的演变和新出现的风险发生了变化.
- 这些发现为早期预警系统,可持续监测和河流盆地政策制定提供了可操作的见解.
