Ансамблевый метод машинного обучения для прогнозирования δ18O в подземных водах

Интерпретация δ18O подземных вод в аридных регионах затруднена сложными условиями питания, засолением и ограниченным объемом данных. Мы применили ансамблевые методы машинного обучения — случайный лес, лассо-регрессию и градиентный бустинг — для прогнозирования δ18O с использованием гидрохимических и пространственных переменных в районе средней части долины Нила. При случайном разделении данных наилучшие результаты показала регрессия на основе случайного леса (RFR; R² = 0,83), за которой следовали лассо-регрессия (0,81) и регрессия с градиентным бустингом (GBR) (0,80). Основными предикторами оказались долгота, содержание хлоридов, калия и магния, что согласуется с гидрохимическими данными. Однако при пространственной перекрестной проверке, являющейся более реалистичным тестом, эффективность снизилась: RFR — R² = 0,50, лассо-регрессия — 0,45, GBR — 0,41. Таким образом, часть прогностической способности обусловлена пространственной структурой, а не переносимыми взаимосвязями. Анализ чувствительности без учета долготы показал, что одни только гидрохимические переменные объясняют около 40% дисперсии δ18O (R² = 0,405). В диапазоне, хорошо представленном данными (от −3‰ до −1‰, n = 54), модель обеспечила среднюю абсолютную величину остатка 0,70‰ и 95%-ный интервал прогнозирования ±2,26‰. За пределами этого диапазона, для эоценовых конечных членов (n = 7) и обогащенных образцов четвертичного возраста (n ≈ 6), неопределенность существенно возрастала. Машинное обучение полезно для прогнозирования изотопного состава в регионах с дефицитом данных, однако его результаты следует интерпретировать с осторожностью. Пространственные эффекты имеют существенное значение. Модель лучше всего подходит для анализа конкретных участков в пределах диапазона ее надежного применения. В дальнейших исследованиях следует сосредоточиться на сборе большего числа образцов конечных членов для восполнения изотопного пробела.