基于机器学习整合水文化学、土壤盐分及遥感指数的海水入侵探测与制图

《Environmental Engineering Science》：Detection and Mapping of Seawater Intrusion Using Machine Learning Integration of Hydro-Chemical, Soil Salinity, and Remote Sensing Indices

　　

摘要

由于过度开采地下水、土地利用变化以及气候变化等因素，地下水盐渍化和海水入侵过程影响着干旱和半干旱地区的沿海含水层。本研究将水化学分析、遥感技术、地理信息系统和机器学习技术相结合，分析了印度泰米尔纳德邦拉马纳塔普拉姆区地下水盐度和海水入侵的程度。共采集并分析了30个样本的电导率（EC）、总溶解固体（TDS）、Ca²⁺、Mg²⁺、Na⁺、K⁺、HCO₃^?、SO₄^2?、Cl^?和NO₃^?参数。空间变异性显著，EC在2,450至12,450 μS/cm之间变化，TDS在1,650至7,980 mg/L之间变化。此外，Na⁺（平均值：43.85 meq/L）和Cl^?（平均值：65.47 meq/L）浓度较高，表明沿海地区以海水为主。利用Landsat-8/9影像获取的土壤盐度指数与水化学分析参数相结合，然后使用随机森林（RF）技术进行分类。RF分类模型的总体准确率达到91.8%，Kappa系数为0.89。SSI-2（29%）和NDSI（24%）被选为主要预测因子，其次为盐度指数（19%）、SSI-1（17%）和短波红外（SWIR）-1反射率（11%）。空间分析表明，Sayalgudi和Keelakarai为严重受影响区（海水入侵指标 > 10），Ramanathapuram、Devipattinam和Thondi为高影响区，RS Mangalam和Perunali为中等影响区，而Kamudi、Paramakudi和Bogalur为低至极低盐度区。综合方法确保了较高的预测精度（91.8%），表明基于SWIR计算的盐度指数是数据稀疏的沿海含水层中预测海水入侵最敏感的指标。研究结果可为拉马纳塔普拉姆区及其他全球半干旱沿海地区沿海含水层的管理与治理提供有用的指导。

获取本文完整访问权限

查看本文所有访问和购买选项。

获取访问权限