地理空间和机器学习算法在灌溉目的地下水质量预测中的应用

摘要 本研究的主要目的是评估印度哈里亚纳邦中西部地区的灌溉地下水质量。为此，在2022年的季风前和季风后期间收集了272个地下水样本。多个指标被推导，包括钠吸收比(SAR)、渗透性指数(PI)、钠百分比(Na %)、凯利比率(KR)、镁吸附比(MAR)和灌溉水质指数(IWQI)。在SAR、Na %和KR值方面的结果表明，地下水通常适合灌溉。另一方面，PI和MAR超过了既定限制，主要显示地下水的盐度和镁含量相关问题。此外，根据IWQI分类的地下水质量评估，在季风前和季风后期间，分别有47.06%和25%的总收集样本属于“严重限制灌溉”类别。空间变化地图表明，研究区西部的水质在两个时期都不适合灌溉。集成并验证了三种机器学习（ML）算法，即随机森林（RF）、支持向量机（SVM）和极端梯度提升（XGBoost），以预测IWQI。结果显示，使用随机搜索的XGBoost获得了最佳的预测性能。本研究中建立的方法已被确认在地下水质量评估中具有成本效益和可行性，使用水化学参数作为输入变量，并对水资源规划和管理具有极大的帮助。