面向以色列的地下水盐化 AI 驱动预测建模
机器学习
2026-02-10 v1
摘要
盐化和污染地下水是世界上许多地区严重的问题,导致水资源的恶化。本工作旨在全面理解地下水盐化的原因,并识别重要的气象、地质和人为驱动因素。我们整合了不同潜在协变量的数据集,创建了一个健壮的基于机器学习的预测模型框架,包括随机森林(RF)、XGBoost、神经网络、长短期记忆网络(LSTM)、卷积神经网络(CNN)和线性回归(LR)。此外,我们使用递归特征消除(RFE)后跟随全局灵敏度分析(GSA)和基于解释 AI(XAI)的 SHapley 加法解释(SHAP)来估计重要性分数并发现盐化驱动因素的洞见。我们还使用各种预测模型通过双机器学习进行因果分析。通过这些分析,我们确定关键气象因素(降水、温度)、地质因素(距离河流、距离盐体、土壤湿度指数、海岸距离)和人为因素(农田面积、处理污水)是地下水盐化在以色列全国范围内的重要驱动因素。XAI 分析还确定处理污水(TWW)是盐化的关键人为驱动因素,其重要性在特定情境下但对脆弱的水文气候环境至关重要。我们的ethods 提供了对全球盐化机制的深入见解,降低了 AI 模型不确定性,并凸显了针对盐化问题需要量身定制策略的必要性。
引用
@article{arxiv.2602.07478,
title = {AI-Driven Predictive Modelling for Groundwater Salinization in Israel},
author = {Laxmi Pandey and Ariel Meroz and Ben Cheng and Ankita Manekar and Abhijit Mukherjee and Meirav Cohen and Adway Mitra},
journal= {arXiv preprint arXiv:2602.07478},
year = {2026}
}
备注
60 pages, 9 figures in main text and 6 figures in appendix, 2 tables, 3 Appendix