基于可解释机器学习与遥感指标的地下水硝酸盐空间预测：不平衡数据集条件下的创新方法

来自国内的研究人员针对地下水硝酸盐污染空间预测中数据不平衡问题，利用可解释机器学习模型（如XGBoost和SHAP）结合遥感指标开展研究，实现了高精度预测并揭示了关键驱动因子，为地下水污染治理提供了科学依据。

　　

通过可解释机器学习模型（例如XGBoost和随机森林）与多源遥感指标相结合，研究人员针对地下水硝酸盐（NO₃^-）污染的空间预测问题展开攻关。在数据集高度不平衡的挑战下，采用合成少数类过采样技术(SMOTE)优化样本分布，显著提升了模型泛化能力。通过沙普利加和解释(SHAP)框架解析了影响硝酸盐分布的关键环境因子，包括归一化植被指数(NDVI)、土地利用类型及土壤理化性质。结果表明：模型预测精度（R²>0.85）显著优于传统地质统计方法，且遥感衍生的地形湿度指数(TWI)和电导率指标对硝酸盐浓度空间分异具有决定性影响。该研究为地下水污染精准防控提供了融合人工智能与遥感技术的新范式，尤其适用于数据稀缺区域的环境风险评估。