利用机器学习方法从水质替代指标估算高频营养盐浓度
机器学习
2020-01-28 v1 机器学习
摘要
连续高频水质监测正成为支撑水资源管理的一项关键任务。尽管传感器技术有所进步，某些变量仍难以和/或无法在经济上可行的情况下进行原位实时监测。在这些情况下，可利用替代指标通过数据驱动模型进行估算。本工作中，将通常原位测量的变量作为替代指标，借助机器学习模型（具体为随机森林 (Random Forests)）来估算一个农村流域和一个城市流域中的营养盐浓度。结果与使用相同数量替代指标的线性建模进行比较，均方根误差 (RMSE) 最高降低了 60.1%。我们计算了纳入多达七个替代传感器的收益，得出结论：在每个流域中分别增加超过 4 个和 5 个传感器就误差改善而言并不值得。
引用
@article{arxiv.2001.09695,
title = {Estimation of high frequency nutrient concentrations from water quality surrogates using machine learning methods},
author = {María Castrillo and Álvaro López García},
journal= {arXiv preprint arXiv:2001.09695},
year = {2020}
}