机构名称：
¥ 1.0
由于在估计许多含水层的地下水补给和跨边界性质的困难引起的摘要，因此已经提出了大规模估算地下水补给的摘要。已经建立了基于过程的模型以及数据驱动的模型，以满足这一需求。同时，随着可解释的人工智能（XAI）方法的出现，数据驱动的机器学习模型可以利用增强的解释性，同时保持高灵活性。在这项研究中，建立了一个集成神经网络模型，以检查该模型以预测地下水充电的适用性，并有可能从大型数据集中获得新的见解。最近的大量地下水补给数据输入和本研究中整理的阿拉伯半岛的其他投入被送入了该模型，该模型具有与气候，土壤和植物特征，地形和水文地质学有关的多种预测因素。该模型显示出比最近基于全球过程的模型预测地下水充值的模型更高的性能（调整后的R 2：0.702，RMSE：193.35 mm -yr -1）。使用XAI方法作为个人条件期望和沙普利添加说明相互作用值，分析了模型行为，并发现了预测因子和地下水补给率之间可能的线性和非线性关系。长期平均降水量和增强的植被指数显示出与地下水充电率的非线性关系，而坡度，化合物地形指数和地下水位深度对模型结果的重要性较低。大多数模型行为遵循域知识，而预测因子和数据偏斜之间的多相关阻碍了模型的学习。
使用神经网络的全球尺度建模
主要关键词
相关文件推荐
