Прогнозирование потенциальных рисков загрязнения почвы и грунтовых вод на автозаправочных станциях с использованием трех моделей машинного обучения (XGBoost, LightGBM и Random Forest)
Predicting potential soil and groundwater contamination risks from gas stations using three machine learning models (XGBoost, LightGBM, and Random Forest)
2025-05-01
SCID: 54.1/pxhm6qqy
Discuss with AI
LightGBMслучайный лесXGBoostавтозаправочные станциизагрязнение почвы и грунтовых вод
Figures from the paper
Abstract (AI)
Объекты автозаправочных станций создают потенциальные риски загрязнения почвы и грунтовых вод, что не только угрожает здоровью населения и сохранности имущества, но также может наносить ущерб активам и репутации коммерческих организаций и государственных структур. Учитывая сложный характер загрязнения почвы и грунтовых вод на автозаправочных станциях, в настоящем исследовании используются полевые данные об основных и экологических характеристиках, техническом обслуживании и мониторинге резервуаров и трубопроводов, а также экологическом мониторинге для разработки моделей машинного обучения, предназначенных для прогнозирования потенциальных рисков загрязнения и оценки факторов риска с наибольшим влиянием. В исследовании применены три модели машинного обучения: XGBoost, LightGBM и Random Forest (RF). Для сравнения эффективности этих моделей при прогнозировании загрязнения почвы и грунтовых вод использовали несколько показателей, включая кривые рабочей характеристики приемника (Receiver Operating Characteristic, ROC), графики точности–полноты (Precision–Recall) и матрицу ошибок (Confusion Matrix, CM). Анализ матрицы ошибок показал следующие результаты: точность классификации — 85,1–87,4%, точность положительных предсказаний — 86,6–88,3%, полнота — 83,0–87,2%, показатель F1 — 84,8–87,8%. Ранжирование моделей по всем показателям было стабильным: XGBoost > LightGBM > RF. Площади под кривыми ROC и Precision–Recall для трех моделей составили соответственно 0,95 (XGBoost), 0,94 (LightGBM) и 0,93 (RF). Хотя все три подхода на основе машинного обучения продемонстрировали удовлетворительную прогностическую способность, модель XGBoost показала оптимальные результаты по всем оценочным показателям. Результаты исследования демонстрируют, что надлежащим образом обученные модели машинного обучения могут служить эффективными инструментами оценки и управления экологическими рисками. Эти выводы имеют важное значение для лиц, принимающих решения в сфере охраны окружающей среды, поскольку позволяют точнее прогнозировать и контролировать риски загрязнения, тем самым способствуя сохранению экологических систем, здоровья населения и сохранности имущества.
Key Findings
1
Все модели показали удовлетворительную эффективность: точность составила 85,1–87,4 %, precision — 86,6–88,3 %, полнота — 83,0–87,2 %, а F1-мера — 84,8–87,8 %.
2
Модели использовали данные о площадке и окружающей среде, техническом обслуживании, мониторинге резервуаров и трубопроводов, а также экологическом мониторинге для оценки факторов риска загрязнения.
3
Результаты подтверждают, что корректно обученные модели машинного обучения могут эффективно применяться для экологической оценки и управления рисками загрязнения на автозаправочных станциях.
4
Для прогнозирования потенциальных рисков загрязнения почвы и грунтовых вод на автозаправочных станциях были разработаны три модели машинного обучения: XGBoost, LightGBM и Random Forest.
5
XGBoost стабильно превосходил LightGBM и Random Forest по всем метрикам, достигнув наивысшей площади под ROC- и precision-recall-кривыми — 0,95.
Research Object
Территории автозаправочных станций и связанные с ними почвенные и подземные водные системы
Research Subject
Потенциальные риски загрязнения почвы и подземных вод и ключевые факторы риска, включая прогностическую эффективность моделей машинного обучения
Publication Details
Publication Date
2025-05-01
Journal
Publisher
ISSN
Cited by
66
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest