第七届青年地学论坛

流域内居民将因缺乏水质数据而面临着健康风险。随着在线传感器的发展，机器学习模型在估算水质方面显示出巨大潜力。然而，由于与数据输入相关的不确定性，准确估算水质仍然面临挑战。在这项研究中，我们使用具有两种采样频率（即逐4小时和逐日）的数据集，通过五种容易获得的水质输入指标（包括水温（WT），pH，电导率（EC），溶解氧（DO）和浊度（TUR））来构建随机森林模型（RF）以分别估算沿海小流域的河流总磷（TP），总氮（TN）和氨氮（NH₄ ⁺-N）。结果表明，使用逐4小时采样频率的数据集开发的RF模型的估算准确性显着高于逐日采样频率的数据集。营养盐估算准确度从高到低依次为TN，TP和NH₄ ⁺-N。 EC，TUR和WT是最为重要的三个输入指标。当测试集的占比为15-30％时，RF提供的高估算精度更加可靠。RF模型已被证明在数据稀少且当地水安全问题突出的小尺度流域的适用性。

营养盐,随机森林,不确定性,数据输入,采样频率