【文献精选】J HYDROL｜利用集成机器学习模型改进大流域尺度盐度预测

本研究开发了一种集成机器学习方法，用于预测科罗拉多河上游流域的年平均盐度。研究背景指出，盐度问题在美国每年造成3亿美元的损失，而灌溉农田对溶解固体负荷的贡献显著。研究目的是评估多种机器学习算法在盐度预测中的性能，并通过贝叶斯模型平均（BMA）和堆叠泛化技术提高预测准确性和鲁棒性。研究使用了来自150个流域的20年数据，评估了11种机器学习算法，发现极端梯度增强、梯度增强和随机森林表现最佳。BMA集成模型在性能和稳定性上优于单个模型和堆叠集成，同时计算资源需求更低。研究结论表明，土壤电导率和碳酸钙含量是最重要的预测因子，而集成机器学习方法在大流域盐度预测中具有显著优势。