.png){kind=icon}
返回
Interpretable machine learning for river salinity dynamics in arid basins
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-49042-9.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在干旱河流中管理盐度受到稀疏监测的阻碍，依赖于低频瞬时采样，无法捕捉水文事件动态。本文将可解释机器学习应用于伊朗卡尔克河三条测站1968–2018年50年的月度档案（流量、主要离子、pH值）。梯度提升回归对总溶解固体（TDS）/电导率（EC）具有高预测能力（测试集R2=0.94/0.97；RMSE=55 mg L−1/56 µS cm−1），并通过时间感知交叉验证得到验证。SHAP特征归因表明，Na+和SO4–2是TDS的主要贡献者，而Na+和Cl−主导EC，这与基流条件下的保守盐度来源一致。一个简化输入的决策树（四个预测变量）保留了R2=0.81–0.87，可实现最小传感器监测。流量分区和STL（使用局部估计散点图平滑的季节-趋势分解）去趋势事件复合分析揭示了低流盐渍化和离子特定的洪水后恢复（Cl−：1–2个月；Na+：2–3个月），为靶向采样提供指导。该框架从历史瞬时采样档案中提取预测能力、过程关联和操作指导，可扩展应用于全球数据有限流域。
Keyword:
Climate sciences
Environmental sciences
Hydrology
Salinity dynamics
Hydrological regimes
Water quality management
Arid rivers
Interpretable machine learning
Science
Humanities and Social Sciences
multidisciplinary
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.9
论文数:
28.0W
被引数:
83.5W
机构
引用论文
Prediction of total organic carbon and E. coli in rivers within the Milwaukee River basin using machine learning methods基于机器学习方法的密尔沃基河流域河流总有机碳和大肠杆菌预测
OAAI
OAAI分享收藏Spatially adaptive machine learning models for predicting water quality in Hong Kong预测香港水质的空间自适应机器学习模型.png)
JOURNAL OF HYDROLOGY
JOURNAL OF HYDROLOGYIF6.3
PREAI
分享收藏Performance evaluation of using Shannon’s entropy crossing time to monitor drought: a case study of the Karkheh使用香农熵穿越时间监测干旱的性能评估：Karkheh的案例研究
PREAI
分享收藏
查看更多内容