利用集成机器学习模型预测河水中用于灌溉的潜在盐度

《Irrigation and Drainage》：Predicting Potential Salinity in River Water for Irrigation Water Purposes Using Integrative Machine Learning Models

本研究提出一种结合核极端学习机与增强盐碱蜂群算法的模型（KELM-BSSADE），用于预测干旱区河流潜在盐度。基于伊朗Idenak站336个样本数据（包括碳酸氢盐、钙、pH等参数），结果表明该模型优于dRVFL、GRNN、MARS等模型，并通过Boruta-XGBoost特征选择优化输入，开发了灰狼优化、鲸鱼优化等四种元启发式算法的KELM模型，为精准灌溉和减少盐害提供技术支持。

　　

摘要

en
此链接指向英文版内容 fr
此链接指向法文版内容

准确预测河流水质参数对于环境保护和可持续农业资源管理至关重要。本研究提出了一种新的框架，通过结合核极端学习机（KELM）和基于差分进化的增强型Salp群体算法（KELM-BSSADE），来估算干旱和半干旱地区河水的潜在盐度。研究使用了来自伊朗Idenak站点的336个样本数据集（包括碳酸氢盐、钙、pH值、总溶解固体和钠吸附率）进行建模。结果表明，与深度随机向量功能链接（dRVFL）、广义回归神经网络（GRNN）、多变量自适应回归样条（MARS）、在线序列极端学习机（OSELM）和极端梯度提升决策树（XGBoost）等模型相比，KELM-BSSADE在预测河流水盐度方面表现更优。此外，KELM-BSSADE模型还通过Boruta-XGBoost（B-XGB）特征选择方法有效确定了最优输入参数。研究人员进一步开发了四种基于元启发式的KELM模型，分别采用了灰狼优化器、鲸鱼优化算法和平衡优化算法，进一步证明了KELM-BSSADE在估算河流水盐度方面的能力。通过准确预测潜在盐度，KELM-BSSADE有助于优化灌溉方式，确保满足农业需求的同时，将盐度对作物造成的损害风险降至最低。

总结

en
此链接指向英文版内容 fr
此链接指向法文版内容

准确预测河流水质参数对于环境保护和农业资源的可持续管理至关重要。本研究通过整合核极端学习机（KELM）与基于差分进化的增强型Salp群体算法（KELM-BSSADE），提出了一种新的方法来估算干旱和半干旱地区河水的潜在盐度。研究使用了来自伊朗Idenak站点的336个样本数据（包含碳酸氢盐、钙、pH值、总溶解固体和钠吸附率）进行建模。结果表明，KELM-BSSADE在预测河流水盐度方面优于深度随机向量功能链接（dRVFL）、广义回归神经网络（GRNN）、多变量自适应回归样条（MARS）、在线序列极端学习机（OSELM）和极端梯度提升决策树（XGBoost）等模型。同时，KELM-BSSADE通过Boruta-XGBoost特征选择方法有效筛选出了最优输入参数。研究还开发了四种基于元启发式的KELM模型，分别采用了灰狼优化器、鲸鱼优化算法和平衡优化算法，进一步验证了KELM-BSSADE在估算河流水盐度方面的有效性。通过精确预测潜在盐度，KELM-BSSADE有助于优化灌溉策略，既能满足农业需求，又能降低盐度对农作物造成的损害风险。

利益冲突

作者声明不存在利益冲突。