通过机器学习解决水位深度建模问题：从代理观测到可验证性
机器学习
2025-03-14 v3 应用统计
机器学习
摘要
水位深度 (WTD) 的空间模式在塑造生态系统韧性、水文连通性以及人类系统方面起着关键作用。一般而言，可使用基于物理的 (PB) 或机器学习 (ML) 模型模拟大尺度 (如大陆或全球) 的静态 WTD 连续图。我们使用 XGBoost 算法构建了三个高分辨率 (500 米) 的 WTD ML 模型，利用了来自美国和加拿大的 2000 万+ 真实和代理 WTD 观测。我们将三个 ML 模型约束为利用已知的 WTD 驱动因素与 WTD 之间的物理关系，并通过依次添加真实和代理 WTD 观测来训练模型。在该研究区域内以及北美十个主要生态区的像素级别大规模评估后，我们证明我们的模型 (相关系数 0.6-0.75) 能更准确地预测未看到的真实和代理 WTD 观测，与两套可用的 PB WTD 模型 (相关系数 0.21-0.40) 相比。然而，我们仍认为当前可用的大尺度静态 WTD 模型在数据稀缺地区 (如陡峭山地) 可能具有不确定性。我们认为，主要来自低海拔洪泛平原的偏倚观测数据以及现有模型的过度灵活性会严重影响大尺度 WTD 模型的可验证性。最终，我们深入讨论了未来几个方向，帮助水文地质学家决定如何改进基于机器学习的 WTD 估计。特别是，我们倡导使用代理卫星数据、纳入物理规律、实施更好的模型验证标准、开发新型全球可获得的显现指数，以及收集更多可靠的观测数据。
引用
@article{arxiv.2405.04579,
title = {Tackling water table depth modeling via machine learning: From proxy observations to verifiability},
author = {Joseph Janssen and Ardalan Tootchi and Ali A. Ameli},
journal= {arXiv preprint arXiv:2405.04579},
year = {2025}
}