相关实验视频
Updated: Jul 15, 2026
12:44
Watershed Planning within a Quantitative Scenario Analysis Framework
Published on: July 24, 2016
通过可解释集机机器学习框架预测地下水总:复杂采集区地下水转移管理的影响
Qiqi Sun1, Yuhuan Cui1, Jie Wang2
1College of Resources and Environment,Anhui Agricultural University, Hefei, Anhui 230036, China.
Environmental research
|March 9, 2026
概括
准确地预测地下水总 (TN) 对流域管理至关重要. 集成机器学习有效地识别了景观和地形等关键驱动因素,改善了污染控制策略.
科学领域:
- 环境科学 环境科学
- 水文学 水文学
- 机器学习 机器学习
背景情况:
- 地下水总 (TN) 是地下水生态安全的关键指标.
- 准确的预测和驾驶员识别对于有效的控制和流域管理至关重要.
- 单个模型往往难以捕捉影响地下水TN的复杂相互作用.
研究的目的:
- 开发一个可解释的集体机器学习框架,用于预测地下水TN.
- 确定杭布河流域地下水TN变化的关键环境驱动因素.
- 用多尺度缓冲分析确定地下水TN预测的最佳空间尺度.
主要方法:
- 收集了59个井的地下水TN数据和环境变量 (气候,地形,土地利用,植被,土壤).
- 采用多尺度缓冲分析 (500-3500米),以找到最佳的预测尺度.
- 开发了一个集成机器学习框架,集成加权投票和堆叠,通过SHAP和递归特征消除进行验证.
主要成果:
- 3000米的缓冲区被确定为最佳预测尺度.
- 集体投票实现了高准确度 (R2 = 0.87),而堆叠将错误降至最低 (RMSE = 1.11,MAE = 0.76).
- SHAP分析揭示了景观配置,地形和降雨之间的非线性相互作用作为主要驱动因素;前九个预测因素解释了81%的变化.
结论:
- 拟议的整体学习框架增强了对复杂流域地下水动态的理解.
- 这种方法为精确地控制地下水中污染提供了强大的方法支持.
- 确定关键驱动因素和最佳规模对于有效的流域管理和生态安全至关重要.
