将提升学习与差分演化（DE）优化器集成：俄奥斯利地下水质量风险评估
机器学习
2025-02-26 v1 人工智能
摘要
地下水日益受到人类活动的威胁，包括快速工业化、城市化、过度抽取以及来自农业和城市来源的污染。其中，重金属如镉（Cd）、铬（Cr）、砷（As）和铅（Pb）的存在在浓度极高时对健康构成严重威胁，长期摄入可能导致神经系统障碍、肾脏功能衰竭及多种癌症。为应对这些问题，本研究开发了基于机器学习的预测模型，用于评估地下水质量指数（GWQI）并识别影响水质的主要污染物。通过采用混合机器学习模型 LCBoost Fusion 实现，模型经历了数据预处理、使用差分演化（DE）优化进行超参数调优，并通过交叉验证进行评估。LCBoost Fusion 模型优于单个模型（CatBoost 和 LightGBM），实现 RMSE（0.6829）、MSE（0.5102）、MAE（0.3147）及 R² 分数 0.9809。特征重要性分析指出钾（K）、氟（F）和总硬度（TH）是地下水污染的最重要指示器。本研究成功证明了机器学习在俄奥斯利地下水质量风险评估中的应用。 proposed LCBoost Fusion 模型为实时地下水监测和风险缓解提供了可靠且高效的方法。这些发现将帮助环境组织者和决策者制定针对性措施，以实现可持续地下水管理。未来工作将重点利用遥感数据，开发用于地下水质量评估的交互式决策系统。
引用
@article{arxiv.2502.17929,
title = {Integrating Boosted learning with Differential Evolution (DE) Optimizer: A Prediction of Groundwater Quality Risk Assessment in Odisha},
author = {Sonalika Subudhi and Alok Kumar Pati and Sephali Bose and Subhasmita Sahoo and Avipsa Pattanaik and Biswa Mohan Acharya},
journal= {arXiv preprint arXiv:2502.17929},
year = {2025}
}
备注
9 Figures (8 figs in paper and one additional graphical abstract), 9 Tables