机器学习方法在预测泉水潜在出露位置中的应用
Application of Machine Learning Method in Prediction of Potential Exposure Position of Spring Water作者机构:首都师范大学资源环境与旅游学院北京100048 水资源安全北京实验室北京100048 北京市水文地质工程地质大队(北京市地质环境监测总站)北京100195
出 版 物:《地球信息科学学报》 (Journal of Geo-information Science)
年 卷 期:2021年第23卷第6期
页 面:1028-1039页
核心收录:
学科分类:12[管理学] 081803[工学-地质工程] 08[工学] 0711[理学-系统科学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 0818[工学-地质资源与地质工程] 0815[工学-水利工程] 0705[理学-地理学] 0903[农学-农业资源与环境] 0901[农学-作物学] 0714[理学-统计学(可授理学、经济学学位)] 0835[工学-软件工程] 0833[工学-城乡规划学] 0701[理学-数学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)] 0713[理学-生态学]
主 题:泉水潜在出露 证据权重 随机森林模型 分类回归树模型 北京市
摘 要:泉水出露受到多种因素影响,在传统地质勘查手段之外,各种模型方法及影响因子预测手段,也被越来越多地应用于泉水的研究中。本文尝试利用机器学习的方法进行泉水出露位置的预测研究。根据北京市野外调查,确定了1378个测试样本点,选取了高程、坡度、坡向、地形湿度指数、径流强度指数、距河流距离、距断裂距离、岩性、归一化植被指数及土地利用类型作为影响因子,对比了2种机器学习方法(随机森林模型、分类回归树模型)和地统计方法(证据权重模型)的预测效果。研究发现:随机森林模型的预测效果最好(Area Under Curve,AUC=0.86),分类回归树和证据权重模型效果相当(AUC分别为0.81、0.80);随机森林模型同时揭示,岩性、距断裂距离和距河流距离这3个影响因子对泉潜在出露的影响最大。本研究表明,在强烈人类活动影响下机器学习方法仍然具有较好的泉水出露预测能力,有望为泉水保护、恢复提供新的技术方法。