使用增强回归树和随机森林模型进行溪流水质预测--文献阅读

流域特征和气候变量（例如地形、土壤、气候数据）也会影响河流水质。例如，陡坡可能会通过将污染物转移到溪流中来影响溪流水质，从而导致水质恶化。同样，土壤特性也会影响水质。例如，以母岩为主的流域显示出较低的溶解离子值；另一方面，软沉积岩显示出较高的溶解离子值。此外，在沉积物沉积量高的流域，河流中的磷含量很高。不同的流域特征可能会影响水质，因为它们会影响动员过程和指标向河流的传递

有两种常用的建模策略可用于预测未计量流域中的河流水质：

(1) 基于物理的确定性模型（例如，分布式水文和水质模型）

(2) 统计和机器学习方法（例如，决策树模型））。

流域特征对水质指标的影响往往是复杂和非线性的。最近的机器学习算法可以处理与复杂流域过程相关的非线性关系

此外，RF 和 BRT 算法

(1) 的用户定义参数较少；

(2) 灵活处理非线性关系、缺失值和异常值；

(3) 可以限制模型过拟合；

(4) 能够结合定性和定量变量；

(5) 已在不同领域成功应用

本研究旨在解决以下研究问题：

（1）比较和确定基于分类和决策树方法的最佳机器学习算法，用于河流中的水质（TN、TP 和 TUR）预测；

(2) 基于解释性机器学习技术（即部分依赖分析）研究影响河流水质的主要变量之间的函数关系和相互作用。

研究区

研究包括位于北卡罗来纳州、南卡罗来纳州和乔治亚州的 97 个流域

数据选择

仅根据以下标准选择了 97 个流域： (1) 不包括嵌套流域，以避免污染物从其他流域转移；(2) 水库覆盖流域面积超过 25% 的流域被剔除； (3) 位于水库出口下游 50 公里以内的水质站被剔除。

变量的选择

使用逐步线性回归 (SR) 来选择提供最佳线性组合的最少相关变量然而，SR 可能存在统计缺陷，例如偏差估计、标准误差和 p 值大小；因此，最小绝对收缩和选择算子 (LASSO) 也用于变量选择。LASSO 使用交叉验证技术来找到一组具有最佳性能的重要变量；如果与另一个变量有很强的相关性，LASSO 会将回归系数缩小到零。此外，还包括了一种非线性方法（遗传算法，GA）来选择最重要的气候/流域特征。GA 是一种自适应优化搜索方法，它模仿达尔文的自然选择理论来寻找函数的最优值。根据 (Welikala et al., 2015 )的建议，为 GA 定义了三个标准参数设置，种群大小为 50，交叉率为 0.80，突变率为 0.1 。基于四个不同数据集的相关变量用于开发基于 RF 和 BRT 算法的预测模型。