岩溶所提出数据驱动新模型提升地下水潜力预测精度

近日，中国地质diao'cha'ju中国地质科学院岩溶地质研究所信息化研究团队在数据驱动岩溶地下水潜力预测领域取得重要进展，提出了一种融合正－未标记样本与事后可解释性的混合机器学习框架，为地下水勘探和快速预测提供了全新技术路径。 

当前，机器学习模型在区域地下水潜力预测中虽然应用广泛，但受限于调查样本不完备导致的随机不确定性以及模型本身“黑箱”特性带来的可解释性不足等问题，预测精度面临挑战。针对这一痛点，该团队构建了基于装袋的正－未标记混合学习模型（BPUL），并以漓江流域为研究对象开展实证研究。研究中，团队系统整合地形、水文、地质、气象和土地等多维因子，以水井、钻孔、岩溶泉和地下河作为训练样本，将逻辑回归（LR）、K近邻（KNN）、随机森林（RF）和轻量梯度增强机（LightGBM）四种基学习器嵌入BPUL算法，并进行了模型验证，构建了岩溶地区的地下水潜力预测模型。结果表明，所有模型均表现出良好性能，其中RF-BPUL和LightGBM-BPUL两种混合集成模型验证分数尤为突出。

此外，借助SHAP值揭示了各种条件因子对岩溶区地下水分布的贡献规律，强调岩性、谷底平整度多分辨率指数（MRVBF）和地球化学元素氧化钙（CaO）对岩溶区地下水富集的影响最为显著。未来，该团队将进一步聚焦于开发该框架更全面的评估指标，挖掘更多地下水条件因素，以提升模型在不同岩溶地区的泛化能力。