首页  |  本刊简介  |  编委会  |  投稿须知  |  订阅与联系  |  微信  |  出版道德声明  |  Ei收录本刊数据  |  封面
融合多源时空数据的地下水硫酸盐预测模型
摘要点击 811  全文点击 156  投稿时间:2023-07-05  修订日期:2023-08-16
查看HTML全文 查看全文  查看/发表评论  下载PDF阅读器
中文关键词  地下水硫酸盐  空间分布预测  多源时空数据  随机森林回归(RFR)  贝叶斯优化算法(BOA)
英文关键词  groundwater sulphate  spatial distribution prediction  multi-source spatio-temporal data  random forests regression(RFR)  Bayesian optimization algorithm(BOA)
作者单位E-mail
李如跃 新疆农业大学水利与土木工程学院, 乌鲁木齐 830052
新疆水文水资源工程技术研究中心, 乌鲁木齐 830052
新疆水利工程安全与水灾害防治重点实验室, 乌鲁木齐 830052 
13406780060@163.com 
曾妍妍 新疆农业大学水利与土木工程学院, 乌鲁木齐 830052
新疆水文水资源工程技术研究中心, 乌鲁木齐 830052
新疆水利工程安全与水灾害防治重点实验室, 乌鲁木齐 830052 
644257818@qq.com 
周金龙 新疆农业大学水利与土木工程学院, 乌鲁木齐 830052
新疆水文水资源工程技术研究中心, 乌鲁木齐 830052
新疆水利工程安全与水灾害防治重点实验室, 乌鲁木齐 830052 
 
孙英 新疆农业大学水利与土木工程学院, 乌鲁木齐 830052
新疆水文水资源工程技术研究中心, 乌鲁木齐 830052
新疆水利工程安全与水灾害防治重点实验室, 乌鲁木齐 830052 
 
闫志雲 新疆农业大学水利与土木工程学院, 乌鲁木齐 830052
新疆水文水资源工程技术研究中心, 乌鲁木齐 830052
新疆水利工程安全与水灾害防治重点实验室, 乌鲁木齐 830052 
 
中文摘要
      准确预测地下水SO4 2-空间变化趋势对改善地下水质量、提高区域地下水管理水平具有重要意义.以2011、2014、2017和2020年叶尔羌河流域平原区土地覆盖数据、土壤参数数据、数字高程数据等多源时空数据和地下水pH值为特征变量,分析其与地下水SO4 2-浓度的相关性,利用贝叶斯优化算法优化随机森林回归,建立BOA-RFR模型,并基于BOA-RFR模型对特征变量进行重要性分析,对模型预测精度进行评价,最后生成地下水SO4 2-预测图.结果表明,pH值、地面高程(GE)和贡献区荒地(BAR)面积占比作为影响地下水水化学组分的重要参数,与地下水SO4 2-浓度均呈现极显著负相关,对地下水SO4 2-浓度预测的重要度均大于25 %;地统计插值方法作为空间分布预测建模的辅助手段,加入辅助样本后的BOA-RFR模型,地下水SO4 2-浓度预测的R2均大于0.96,且多辅助样本构建模型的RMSE和MAE最大值较少样本模型的最小值分别降低了4.7 %和23.8 %;在地下水SO4 2-浓度预测中,高SO4 2-地下水向叶尔羌河流域平原区东北部富集,且面积呈扩张趋势.
英文摘要
      The accurate prediction of spatial variation trends in groundwater SO42- is of great significance for improving groundwater quality and regional groundwater management level. The multi-source spatio-temporal data such as land cover data, soil parameter data, digital elevation data, and groundwater pH value in the plain area of the Yarkant River Basin in 2011, 2014, 2017, and 2020 were used as characteristic variables to analyze their correlation with groundwater SO42- concentration. To enhance the prediction accuracy, the Bayesian optimization algorithm (BOA) was used to optimize the random forest regression (RFR). Based on the BOA-RFR model, the importance of the characteristic variables was analyzed, the prediction accuracy of the model was evaluated, and the groundwater SO42- prediction map was generated. The results showed that pH value, ground elevation (GE), and percentage of bare land (BAR) in the contribution area were important parameters influencing groundwater hydrochemical composition, which were significantly negatively correlated with groundwater SO42- concentration, and the importance of impact factors for predicting groundwater SO42- concentration exceeded 25 %. The geostatistical interpolation method was used as an auxiliary tool for the predictive modeling of spatial distribution. After adding auxiliary samples, the R2 of groundwater SO42- concentration prediction of the BOA-RFR model was greater than 0.96, and the maximum values of RMSE and MAE were reduced by 4.7 % and 23.8 %, respectively, compared with the minimum values of the model with fewer samples. The SO42- concentration prediction map showed that high SO42- groundwater was enriched in the northeast of the plain area of the Yarkand River Basin, an area that was expanding.

您是第56095926位访客
主办单位:中国科学院生态环境研究中心 单位地址:北京市海淀区双清路18号
电话:010-62941102 邮编:100085 E-mail: hjkx@rcees.ac.cn
本系统由北京勤云科技发展有限公司设计  京ICP备05002858号-2