Sep, 2023

利用机器学习和神经网络方法进行水质预测

PDF
TL;DR利用不同性能度量评估线性回归、随机森林、XGBoost、LightGBM 和 MLP 神经网络五种模型在美国佐治亚州预测 pH 值方面的效果，表明 LightGBM 具有最高的平均精度，树模型在回归问题中具有卓越性能，MLP 神经网络的性能对特征缩放敏感，并解释了机器学习模型相对原研究的提升原因，以建立适用于实际应用的强大预测流程，既适合数据科学领域专业人士，也适用于缺乏特定应用领域专业知识的人群，强调预测准确性和可解释性。
water resourceswater quality predictionmachine learning modelsperformance metricspredictive pipeline
发现论文，激发创造
  • 应用机器学习进行空气质量预测：全球视角与对低资源环境的相关性

    本研究利用两个月的空气质量数据，通过提出一种新颖的机器学习方法，在全球 197 个首都的世界天气数据库中运用气象、空气污染物和空气质量指数特征，预测下一天的空气质量。通过评估多个机器学习模型，证明了随机森林算法在分类而非回归应用时可靠性预测的有效性，模型的泛化能力提高了 42％，回归交叉验证得分为 0.38，分类交叉验证得分为 0.89。研究还考虑了可解释的机器学习，给出了在高资源和低资源环境中实施该解决方案的成本估算及技术许可商业模式的初步尝试。该研究突出了资源有限国家在等待更大数据集以进一步改进预测能力之际，自主预测空气质量的潜力。

    Jan, 2024

  • 水资源中未监测站点的时间序列预测的机器学习技术调查

    预测未监测站点中的动态环境变量是水资源科学领域长期存在的挑战，使用机器学习方法对水文时间序列进行预测能够从大量多样的数据集中提取信息，并提出了几个开放问题，包括如何将动态输入和站点特征、机制性理解和空间背景以及可解释的人工智能技术融入现代机器学习框架中。

    Aug, 2023

  • 复制研究：物理引导的机器学习增强水文模型

    该研究介绍了一种物理信息驱动的机器学习（PIML）模型，将概念性水文模型的过程理解与机器学习算法的预测效能相结合，在安纳达普尔亚分水汇中应用，表明该模型在预测月流量和实际蒸散发方面的性能优于独立的概念模型和机器学习算法，确保输出的物理一致性。

    Feb, 2024

  • 利用物理信息机器学习来估计非规则的用水需求以帮助泄漏检测

    该研究论文介绍了一种利用物理知识驱动的机器学习算法，通过分析压力数据来估计未知的水需求，最终利用伯努利方程并线性化泄漏检测问题。该算法在 L-Town 基准网络的数据上进行了测试，结果显示其在估计大多数不规则需求方面具有较好的能力，R2 大于 0.8；与不考虑不规则需求的结果相比，对于突发泄漏和潜在泄漏情况下的泄漏识别结果分别提高了 5.3 倍和 3.0 倍。

    Sep, 2023

  • 机器学习模型对天气预测的比较评估

    该研究通过应用机器学习算法，分析了各种算法在使用达卡市一个气象站 20 年数据预测降水和温度变化模式方面的贡献和性能指标。研究结果突出了显著成就，并提供了有价值的洞察和特征相关性。

    Feb, 2024

  • 神经网络用于流域水温预测的评估

    本研究利用神经网络预测德国六条小溪的水温。通过评估神经网络的鲁棒性、可能的最大值和最小值以及单个输入参数对输出的影响等分析方法，为可靠的水温预测模型选择架构和输入参数做出贡献，以帮助了解神经网络中的过程并增强系统的韧性。

    Oct, 2021

  • 融合卫星和地面观测资料的降水不确定性机器学习估计

    通过对具有 15 年长期月度跨越美国的大型数据集进行广泛比较，本研究旨在首次进行基于机器学习的不确定性量化任务的基准测试，结论表明适用于此任务的学习器的能力排名分别为：LightGBM，QRF，GRF，GBM，QRNN 和 QR。

    Nov, 2023

  • 物理引导机器学习方法在水文学中的应用

    本文提出一种基于 LSTM 的深度学习结构，结合前沿的水文模型 SWAT，通过建模天气驱动和产流之间的中间交互过程，实现对径流预测的精确预测，同时减少了传统数据驱动方法所需的大量数据。

    Dec, 2020

  • 物理感知机器学习改变机器学习和基于过程的水文学科范式

    准确的水文认识和水循环预测对于解决水资源管理中的科学和社会挑战至关重要，特别是在人为气候变化的动态影响下。我们介绍了物理感知机器学习作为一种改变性方法，旨在克服水文学和机器学习的观念障碍，并革命化这两个领域。通过综述物理感知机器学习方法，我们建立了一个结构化的方法库，将先前的物理知识或基于物理建模的方法融合到机器学习中。我们首先对水文学中的物理感知机器学习进行了系统回顾，包括降雨径流模型和水动力学过程，并突出了不同目标和物理感知机器学习方法的最有前景和具有挑战性的方向。最后，我们发布了一个基于物理感知机器学习的水文学平台，称为 HydroPML，作为水文学应用的基础。HydroPML 增强了机器学习的可解释性和因果关系，并为数字水循环的实现奠定了基础。

    Oct, 2023

  • 挖掘可解释的预测特征用于水质管理

    本篇文章阐述了在水质管理过程中，通过搜索现象的位置与天气变量集对水质变量进行识别和解释的需要性，并提出了以机器学习算法和 Shapley 值来帮助解释水质数据，使用不同算法和都柏林运河数据进行了相关性能评估。

    Dec, 2022