基于遗传算法优化机器学习模型的地下水潜在性预测

作     者：冯希尧 苟俊程 刘瑞 李谷琳 韩佳良 魏良帅 FENG Xi-yao;GOU Jun-cheng;LIU Rui;LI Gu-lin;HAN Jia-liang;WEI Liang-shuai

作者机构：四川省地质局区域地质调查队成都610213 成都理工大学地质灾害防治与地质环境保护国家重点实验室成都610059 成都理工大学地球物理学院成都610059 中国地质科学院探矿工艺研究所成都611734 

出 版 物：《科学技术与工程》 (Science Technology and Engineering)

年 卷 期：2024年第24卷第19期

页      面：7988-7998页

学科分类：081803[工学-地质工程] 08[工学] 0818[工学-地质资源与地质工程] 

基　　金：地质灾害防治与地质环境保护国家重点实验室开放基金(SKLGP2022K026) 四川省教育厅人文社会科学重点研究项目(ZHYJ21-YB04) 

主　　题：地下水 潜在性预测 遗传算法 特征选择 支持向量机 

摘      要：传统机器学习模型在地下水潜在性预测中,未考虑最优因子组合,会对地下水潜在性制图产生不利影响。为此,提出了遗传算法优化支持向量机的地下水潜在性预测方法。以云南省彝良县为研究区,从地形、水文、土壤、地质等方面选取了共15个影响因子;考虑模型性能和影响因子的作用,利用遗传优化算法筛选了包含11个影响因子的最优因子组合;然后使用支持向量机方法构建了地下水潜在性预测模型;最后计算了因子优化前后的模型准确度和受试者工作特性曲线下面积(area under curve,AUC),并绘制了模型的受试者工作特性(receiver operating characteristic,ROC)曲线和地下水潜在性预测图。结果表明:因子优化前模型的准确度为0.774,验证集AUC为0.789,因子优化后模型的准确度为0.777,验证集AUC为0.806,分别提高了0.003和0.017。可见,所提方法的准确性、可靠性优于传统的支持向量机法,其结果可以为区域水文地质调查和地下水资源管理与规划提供科学参考。