Explainable machine learning for spatial modelling of groundwater nitrate contamination: a multi-year analysis in the Duero basin
Manuel Rodríguez del Rosario · Victor Gómez-Escalonilla · Héctor Aguilera 等 5 人
用可解释机器学习预测西班牙杜埃罗盆地地下水硝酸盐超标概率并绘制多年风险图。
随机森林二分类，结合监测数据与空间环境人为预测因子，SHAP解释。
模型AUC达0.79-0.88，识别出硝酸盐脆弱区外12.7-23.6%的高风险区。
可迁移至其他农业流域，结合时序遥感与政策情景模拟优化脆弱区动态划定。
可解释机器学习结合多年空间建模识别地下水硝酸盐污染高风险区，方法新颖、结论可靠，对农业面源污染监测与脆弱区划定有参考价值。
地下水硝酸盐污染是一个重要的水质问题，对饮用水供应和依赖地下水的生态系统具有影响。本研究评估了西班牙杜埃罗河流域（Duero River basin），近几十年来，由于集约化农业和畜牧业，该地区地下水硝酸盐浓度有所上升。本研究使用机器学习预测地下水硝酸盐浓度升高的概率，并将其表述为以37.5 mg/L为阈值的二分类问题。监测数据与空间衍生的环境及人为预测因子相结合。研究评估了多种基于树的算法，并因随机森林（Random Forest）具有稳定的预测性能而选用该算法。模型性能通过重复嵌套交叉验证以及适用于不平衡数据集的指标进行评估，在三个分析水文年度中，少数类别的AUC达到0.79-0.88，F1分数达到0.56-0.70。SHAP分析确定降水、面源农业压力、距地表水体距离、NDVI和土壤属性为主要贡献预测因子。多年概率图显示出与官方指定硝酸盐脆弱区（Nitrate Vulnerable Zones）较高的空间一致性（46.9-64.9%），同时在这些区域之外识别出额外的高概率区域（12.7-23.6%）。可解释机器学习、多年空间建模和监管比较的整合提供了一个框架，可支持地下水监测、审查脆弱区划定并优先安排缓解措施。