
-
生物通官微
陪你抓住生命科技
跳动的脉搏
地下水灌溉水质指数的机器学习预测可靠性:基于严格验证方案的评估
《Scientific Reports》:Irrigation water quality assessment and evaluation of machine learning prediction reliability in a semi-arid region, Midmar Catchment, Tigray, Northern Ethiopia
【字体: 大 中 小 】 时间:2026年09月20日 来源:Scientific Reports 4.9
编辑推荐:
摘要地下水是半干旱地区灌溉用水的关键来源,然而机器学习(ML)对灌溉水质指数预测的可靠性仍缺乏深入了解,尤其是对于那些通常仅通过单次训练-测试划分进行评估的小型数据集。本研究评估了埃塞俄比亚北部Midmar流域的地下水灌溉适用性,并通过逐步严格的验证方案评估了基于机器学习的灌
地下水是半干旱地区灌溉用水的关键来源,然而机器学习(ML)对灌溉水质指数预测的可靠性仍缺乏深入了解,尤其是对于那些通常仅通过单次训练-测试划分进行评估的小型数据集。本研究评估了埃塞俄比亚北部Midmar流域的地下水灌溉适用性,并通过逐步严格的验证方案评估了基于机器学习的灌溉水质指数(IWQI)预测的可靠性。对40个地下水样品进行了电导率(EC)、总溶解固体(TDS)、总硬度(TH)、钠吸附比(SAR)、钠百分比(Na%)、残余碳酸钠(RSC)、渗透性指数(PI)、Kelly指数(KI)、潜在盐度(PS)和IWQI的分析。在六个输入场景下评估了15种回归算法,验证方法包括单次划分、重复五折交叉验证、留一法交叉验证(LOOCV)和嵌套交叉验证。EC(5%)、TH(5%)和PI(37.5%)超过了推荐限值,而TDS、SAR、RSC、Na%、KI和PS保持在推荐限值范围内。IWQI将95%、2.5%和2.5%的样品分别分类为无限制、低限制和中等限制。单次划分和LOOCV评估显示中等预测性能(SVR的R2 = 0.666;GPR的R2 = 0.694)。然而,重复交叉验证将最大平均R2降至0.179,而嵌套交叉验证在所有模型和场景下均产生了负的平均R2。地下水总体上适合灌溉,但某些地点较高的EC、TH和PI值得监测。在严格验证下机器学习性能的显著下降表明,小型数据集可能会产生不稳定且具有潜在误导性的性能评估,这突显了在基于机器学习的IWQI预测被认为可靠之前,需要更大的多季节数据集和稳健的验证。