基于堆叠机器学习技术的河流水质指数（WQI）预测精度提升研究——以南布格河为例

《Science of The Total Environment》：Enhancing estimation of water quality index using stacking machine learning techniques: The case of Southern Bug River

　　本文系统评估了11种堆叠机器学习（ML）技术在水质指数（WQI）预测中的应用。研究发现，虽然堆叠模型整体优于单一模型，但高斯过程回归（GPR）作为独立模型表现最佳（总排名指数为1）。研究强调了元学习器选择对性能的关键影响，并分析了计算成本与分类可靠性，为复杂环境数据的高精度预测提供了重要参考。

　　

研究区域亮点

南布格河全长792公里，流域面积达63,700平方公里，是乌克兰第二长河（图1）。这条河流发源于斯摩棱斯克州埃尔尼亚附近的沼泽地带，最终汇入第聂伯河。其年均径流量为2.9立方公里，森林草原区贡献了56%的径流，而草原区仅贡献17.5%。研究中重点关注的中下游流域正面临着...

模型性能结果

本研究所有机器学习模型均采用表3优化的超参数进行训练，并从RMSE（均方根误差）、MAE（平均绝对误差）、R²（决定系数）、NSE（纳什效率系数）、MXARE（最大绝对相对误差）和MARE（平均绝对相对误差）六项指标进行评估。训练集的RMSE值范围在0到12.34之间，而测试集范围则为0.02到9.49。MAE值在训练集中介于0到7.41，测试集中为0到7.43。此外，训练数据的NSE和R²值均表现出色，分别在0.76到1之间波动，展现出模型强大的拟合能力。

结论

本研究通过11种堆叠机器学习技术对南布格河的水质指数（WQI）进行精准预测探索。这种堆叠方法通过元模型整合多个基学习器，巧妙融合了单一机器学习模型的优势，显著提升了复杂非线性环境数据的预测性能。结果表明，在面对多维环境参数时，堆叠方法在多数情况下能够超越独立模型的表现。