
-
生物通官微
陪你抓住生命科技
跳动的脉搏
利用响应面方法和机器学习对塞布斯河水质进行评估与预测
《Scientific Reports》:Evaluation and prediction of Seybouse river water quality using response surface methodology and machine learning
【字体: 大 中 小 】 时间:2026年05月16日 来源:Scientific Reports 3.9
编辑推荐:
摘要气候变化和人类活动对水质构成了日益严重的威胁。阿尔及利亚的地表水,尤其是在半干旱地区,正承受着工业排放和城市污水排放带来的日益增加的压力,而关于这些水体的质量及其是否适合用于灌溉的科学信息仍然十分匮乏。本研究旨在评估阿尔及利亚东北部塞布斯河沿岸九个地点的地表水的物理化学性质及
气候变化和人类活动对水质构成了日益严重的威胁。阿尔及利亚的地表水,尤其是在半干旱地区,正承受着工业排放和城市污水排放带来的日益增加的压力,而关于这些水体的质量及其是否适合用于灌溉的科学信息仍然十分匮乏。本研究旨在评估阿尔及利亚东北部塞布斯河沿岸九个地点的地表水的物理化学性质及其灌溉适用性,从而填补这一监测不足区域的重要信息空白。研究选取了九个采样点,对河流水质指数(WQI)、钠吸收率(SAR)、可溶性钠含量(SSP)和凯利比率(KR)进行了检测。研究采用了基于人工神经网络(ANN)和响应面方法(RSM)的机器学习(ML)技术,并结合主成分分析(PCA)对数据进行了处理,PCA涵盖了全部数据的82.08%。研究结果表明,人工神经网络在预测WQI、SSP、SAR和KR方面比响应面方法更为准确。人工神经网络的预测性能更为优越,其R2值分别为98.20%、98.39%、99.85%和97.24%,同时平均平方误差(MSE)也非常低,分别为0.0451、0.0231、0.0241和0.0167。此外,人工神经网络的均方根误差(RMSE)值较低(介于0.0211至0.0521之间),进一步证明了其高精度。相比之下,响应面方法的R2值分别为97.10%、96.37%、97.06%和97.20%,误差范围略高。综上所述,人工神经网络和基于响应面方法的预测模型为水质预测提供了可靠的替代方案。机器学习技术还有助于提升水质监测水平,帮助水资源管理者更好地控制水质指标。对于需要准确水质数据来制定水资源管理计划的相关人员来说,这项研究具有很高的参考价值。