沙特国王大学学报：独立模型反演砂岩含水层地下水盐渍化建模

沙特国王大学学报利用改进的非线性集成机器学习技术的独立模型反演砂岩含水层地下水盐渍化建模S.I. 穆罕默德·本纳纳神父Usmanb，c，Isam H.Aljundia，da膜和水安全跨学科研究中心，法赫德国王石油和矿产大学，沙特阿拉伯，Dhairsb分析化学系，药学院，近东大学，TRNC，Mersin 10，Nicosia 99138，土耳其c近东大学保健业务研究中心，尼科西亚，北塞浦路斯土耳其共和国d沙特阿拉伯法赫德国王石油矿产大学化学工程系，邮编：31261阿提奇莱因福奥文章历史记录：2022年5月13日收到2022年7月2日修订2022年8月1日接受2022年8月3日在线发布保留字：含水层机器学习电导率地下水盐碱化沙特阿拉伯A B S T R A C T地下水（GW）盐碱化是对水资源管理、淡水供应、水资源短缺和可持续性产生重要影响的几种水文环境过程之一。机器学习（ML）是GW监控的有效和强大的工具，主要是当混沌和相关参数影响系统时。目前的研究提出了砂岩含水层GW盐渍化的第一个反演模型，使用独立的（Elman NN，GRNN，BPNN和ILR）模型与非线性集成ML（GPR-E，SVR-E和ANFIS-E）技术相结合 为此，对数据挖掘施加了25个输入参数;最后，将包括碳酸氢盐（HC O-3）、硝酸盐（NO-3）、温度（Te m p）、锂（Li）和锰（Mn）在内的逆量化变量用于对电导率（EC）进行建模。神经敏感性特征选择（NSFS）排名用于确定输入组合。建模方案是基于实际的现场和实验数据。结果表明GRNN-C1在校准和验证阶段的NSE值分别为0.998和0.928结果显示，所有其他独立模型的效率都很低，从0到60%不等。所获得的集成结果证明对所有人都有希望，ANFIS-E-C1（RMSE = 2.993，MAE = 0.879，NSE = 0.999）在验证阶段表现最好整体集成学习证明了ML处理复杂GW过程的出色能力，并作为水资源管理的可靠预测工具。本研究中探索的基于贡献的方法包括逆向建模、非线性特征选择和非线性集成技术，这是GW盐渍化的首次研究©2022作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍地下水是全球用于满足人类和经济发展用水需求的主要水资源。它分别占世界饮用水、灌溉和工业用水的33%、40%和25%&它是实现*通讯作者。电子邮件地址：benaafi@kfupm.edu.sa（M. Benaiti）。沙特国王大学负责同行审查制作和主办：Elsevier在国家和全球层面实现2030年可持续发展目标（联合国，2015年）。在沙特阿拉伯，半干旱国家之一，炎热干燥的环境和降水量很少，地下水分别满足城市用水和农业用水需求的35%和90%（沙特阿拉伯统计年鉴，2017年）。妥善管理这些宝贵的水资源对于到2030年实现沙特阿拉伯的可持续发展目标至关重要（沙特阿拉伯2030年愿景，2017年愿景（2017年））。防止自然和人工污染物进入地下水资源有助于维持地下水资源。淡水资源的盐碱化威胁到人类对淡水资源的利用以及沿海和内陆地区的水生生物。它可能是由于盐水入侵，集约化农业和其他管理不善的人类活动而发生的。过度开采含水层和密集的作物灌溉是造成沿海和沿海地区地下水体盐度升高https://doi.org/10.1016/j.jksuci.2022.08.0021319-1578/©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comS.I. Abba，M.贝纳尔特公司Usman等人沙特国王大学学报8163内陆地区（Badaruddin等人，2015; Kumari，2021）。在世界范围内，农业部门对水的需求不断增加是地下水盐碱化的主要驱动因素（Sarkar，Islam，&Majumder，2021年）。淡水资源的盐碱化对水的质量及其饮用、家庭使用、农业和其他用途的适宜性具有严重的负面影响（Bhagat等人， 2021年）。了解地下水资源中盐度升高的机制对于减轻和预防盐碱化以及建立长期复原力至关重要（ El Mountassir 等人， 2021;Mirzavand&Ghazban，2022）。通过广泛的实地和实验室工作，包括水化学，水文和地球物理数据集，需要广泛的数据来解开这些机制（ Asare ， Appiah-Adjei ， Ali ， &Owusu-Nimo ， 2021; Jeen ，Kang，Jung，Lee，2021）。此外，研究人员应用复杂的建模和模拟 技 术 来 检 测 地 下 水 盐 碱 化 的程度（ Yakirevich 等 人 ， 2013;Gopinath等人， 2019年）。除了综合GW管理战略外，预警系统对决策者、社区和利益攸关方至关重要。传统的和基于物理学的经典GW建模在基本方法中被普遍探索。最近，一种处理被称为人工智能（AI）的复杂系统的新兴方法由于其操作和执行类似于人类智能的独特任务的能力而受到关注（Gholami等人，2015;Javadinejad等人，2020年; Benawei等人，2022; Nunno等人，2022;Tao等人，以前的地下水盐碱化数据采集、调查方法和建模技术既昂贵又耗时。因此，需要新的，具有成本效益的技术，早期识别和检测地下水盐碱化。机器学习和深度学习技术最近已被用于绘制和预测地下水盐碱化（Bilali et al.，2021; Tran等人， 2021年）。值得注意的是，机器人工神经网络（ANN）、支持向量回归（SVR）和模糊逻辑（FL）等基于人工智能的模型在地下水、水文地质学和水文地球化学等复杂过程领域的Nosair等人最近的一项研究， 2022）使用多种盐度指数和 ML 模 型 评 估 GW 盐 渍 化 。 预 测 结 果 表 明 ， 前 馈 神 经 网 络（FFNN）在埃及尼罗河三角洲东部含水层中的高斯过程回归（GPR）和深度学习长短期记忆（LSTM）的能力FFNN模型还用于构建2030年的预测EC模型。Tran等人，（2021）采用不同的最先进ML模型对越南湄公河三角洲沿海含水层的GW盐度进行建模。所获得的结果证明，Cat Boost回归（CBR）模型优于其他决策树，并为决策者提供了可靠的结果。同样，Sahour等人，（2020）基于探索性统计分析、ML模型和基于GIS的空间分析，探索了里海南部沿海含水层GW盐度的关系。根据性能标准，结果表明极端梯度提升优于传统线性回归和深度学习模型。尽管在GW建模方面已有文献，但由于GW过程的复杂性，一些软计算模型的有效性与几个弱点有关。然而，在这方面，为了提高性能效率，称为集成学习（EL）的新技术在科学和工程问题中显示出有希望的结果（Nourani等人，二〇一九年;Rezaie-balf等人，2019; Abba等人，2020年）。EL可以捕捉最佳模型的交互限制，并驱动其预测优势，以提高独立模型的准确性。此外，GW过程归因于各种物理、化学、水文化学和水文地球化学参数，这些参数将GW过程定义为对于适当的特征选择更加复杂。适当选择输入组合，包括线性和非线性方法。众所周知，没有例外的方法来选择输入，它被证明是在建模模式中的几个输入参数导致良好的泛化和预测能力。本研究的主要热情是引入一种建模方法，使用间接参数，减少分区的参数分为两个，涉及线性和非线性特征选择。目前的研究旨在模拟GW盐渍化的砂岩含水层的基础上独立的模型，即：Elman神经网络（榆树NN），反向传播神经网络（BPNN），广义回归神经网络（GRNN），和交互线性回归（ILR）模型。随后，使用新的非线性集成模型，包括高斯过程回归（GPR-E），支持向量回归（SVR-E）和自适应神经模糊推理系统（ANFIS-E）增强模拟模型。据我们所知，这是第一个研究中，GW盐渍化在沙特阿拉伯已建模使用神经敏感性分析- sis排名特征选择和非线性集成ML技术。1.1. 研究的动机和贡献在沙特阿拉伯等干旱气候地区，盐碱化是一个严重的社会经济和环境威胁由于地下水枯竭、水质恶化、海水入侵、降水量低和干旱期持续，沙特王国仍然面临水资源短缺和压力此外，气候变化威胁到沙特王国的水资源和流域，这需要对极端事件及其对可持续发展的影响进行深入研究和高分辨率预测。因此，需要创新技术和智能水科学与工程研究，为饮用水，工业和农业部门提供可持续的水供应，并实现王国的2030年2021; KSA，2020）。这样一个可靠的和强大的模型可以被用来作为一个适当的工具，成功地评估水源管理。除了上述动机之外，基于人工智能的专家系统对于规划未来和极端事件以及开发水平衡系统至关重要。总的来说，提供良好的预测和监测GW盐渍化是一项棘手的任务。含水层的非均匀性和复杂性决定了各类地下水模型的精度。因此，探索不同的响应式机器学习计算方法仍然是水文地质和GW水建模人员的一项有吸引力的任务本研究所探索的除了在实地考察中所做的贡献外，经验-心理分析和建模模式，即，Elman NN、GRNN、BPNN和ILR模型与非线性集合GPR-E、SVR-E和ANFIS-E技术相结合;根据图1（a和b）。图1描述了基于Scopus数据的最新调查，显示了截至2022年7月3日的462篇出版文献（1984通过的文献的基础上的三个基本关键词（地下水，盐碱化和建模）表示广泛参与GW盐碱化建模。在数千个关键词中，1000个关键词满足如图la中所呈现的阈值。此外，图1b显示了当前研究在全球范围内对suspendingGW盐碱化建模的普及程度; Scopus数据库显示超过84个国家对该主题感兴趣这些文件证实，美国、澳大利亚、S.I. Abba，M.贝纳尔特公司Usman等人沙特国王大学学报816444图1.一、a）GW盐碱化建模文献中使用的主要关键词（1984年至2022年7月），b）GW盐碱化建模的调查研究区域中国、德国和中国是全球前五大贡献者。尽管沙特阿拉伯提供了四份文件，但既没有注意到地下水盐碱化逆模型，也没有注意到基于人工智能的整体技术。2. 的研究本研究区位于沙特阿拉伯利雅得省南部地区，如图所示。 二、研究区地处半干旱地区，夏季炎热干燥，根据世界银行气候记录（1921另一方面，平均降水量从不到1毫米到22毫米不等，最大值在3月和4月。沙特阿拉伯中部的年气温从1901年的24.58 ℃上升到2020年的26.47 ℃。从不同深度和地理位置的砂岩和含砂含水层中采集的地下水样品覆盖了研究区域。现场测量的物理和化学性质（pH值，溶解氧（DO），氧化还原电位(ORP)电导率（EC）（lS/cm），温度（°C）地下水在现场进行。在实验室条件下对地下水样品的理化性质进行了分析，包括钾（K+）、钠（Na+）、钙（Ca 2+）、镁（Mg 2+）、铵（NH+）、氯（Cl-）、硝酸盐（NO-3）、硫酸盐（SO2-）、碱度、总硬度、总溶解性固体（TDS）、碳酸氢盐（HC O-3）等，以mg/L计。L.此外，所研究的地下水样品的元素分析包括铬（Cr）、锌（Zn）、钴（Co）、铁（Fe）、硼（B）、镍（Ni）、砷（As）、钒（V）和铜。每（Cu）1g/L。为了更直观地了解在反向选择之前的原始数据中，图3呈现了显示平均值、中值盒须和离群值信息的箱形图3. 材料和方法3.1. 反向传播神经网络人 工 神 经 网 络 （ ANN ） 模 型 的 基 础 由 McCulloch 和 Pitts（McCulloch Pitts，1990）提出此外，一些研究提出了各种类型的人 工 神 经 网 络 ， 可 以 应 对 现 实 生 活 和 工 程 应 用 的 解 决 方 案（Zhu&Heddam，2020）。ANN中的重要元素是神经元，它们是相互连接的层，在ANN的学习过程中起主导作用（Zhu Heddam，2020）。通常称为人工神经网络，BPNN类似于人类通过计算模型处理信息的生物方法它包含被称为神经元的基本计算单元，其负责将输入携带到决策和数据处理的不同节点（Gazzaz等人，2012; Darjiet等人，2015年）。节点由多层感知器（MLP）组成，负责对接收到的数据执行其他功能。ANN的最大优点是，如果神经元没有响应，网络仍然可以检测到错误并生成输出。BPNN的体系结构由输入层、隐藏层和输出层组成。在BPNN中，隐藏节点将处理输入层中的值并将预测传输到输出层。在BPNN的几种结构中，三层前馈反向传播网络是最常用的BPNN结构（Haykin，1999）。3.2. 广义回归神经网络广义回归神经网络（GRNN），也称为惰性训练方法模型，由Specht（Wiangkham等人，2022）以回归方法的方式表现，该回归方法利用较小数据组的非线性回归估计来生成自变量（X）与因变量（Y）之间的关系。输入层类似于传统神经网络。其主要目的是训练S.I. Abba，M.贝纳尔特公司Usman等人沙特国王大学学报8165图二. 本工作中使用的研究地点地图。输入数据，并且输入向量的大小是训练所需的神经元数量的主要由于高斯核对先前输入数据的转换，模型训练在模式层中立即开始平滑参数（r）用于计算该层中每个神经元的权重该参数被称为"GRNN模型的超参数”，其有助于GRNN模型的预测精度（Huang等人， 2020年）。其一般形式如下所示历史数据输入带来的变化特征。最后一层，输出层，给出预测的结果，并作为线性权重。3.4.交互作用线性回归一般来说，我们有不同种类的线性回归，包括：多元线性回归（MLR），逐步线性回归Pi¼exp.-X-Xi2R2ð1Þ（SWLR）、交互作用线性回归（ILR）等。（2019）说，多元线性回归（MLR）概念一直是最常用的回归模型。其中X是测试数据集的输入数据，Xi是训练数据集的第i个输入，r是平滑参数，Pi是变量的维数，上标T表示向量的转置运算。3.3. Elman神经网络Elm NN是ANN的子集，其全部由输入层、隐藏层和输出层组成（Asadisaghandi等人，2011;Jia Taheri，2021）。Elm NN在基于BPNN的基本结构上增加了反馈因此，它有时被称为反馈神经网络。 这种反馈提高 了训练效率， 并防止网络陷入局部最小值（Huang et al.， 2020年）。Elm神经网络对高频非线性时间序列数据具有较好的泛化它们是输入层、隐藏层、上下文层/底层/接收层和输出层。输入层进行气象参数的信号传输，并将信号发送到隐藏层进行翻译。底层存储隐藏层的输出值，并将其本身建模为具有反馈的单步延迟层网络（Jia Taheri，2021）。这种将隐藏层的输出连接到其输入的内部反馈方法在系统中创建了一个记忆，使网络能够处理复杂的时间-Ric对数比），并且它是一种回归类型，着眼于依赖（目标）因素和一个 或 甚 至 多 个 反 应 （ 响 应 ） 参 数 如 何 相 关 和 通 信（Asadisaghandi&Tahmasebi，2011）。MLR可以被读取，即使它具有比基于AI的建模技术更低的预测性能（Nemati等人，2015年）。一般来说，LR模型可以表示为：yb0b1x1b2x2：bi xi2其中，y表示目标参数，xi等于第i个预测器的值，b0表示常数回归，并且bi表示第i个预测器系数。3.5. Ensemble机器学习方法包围学习是一种机器学习，需要结合许多预测器来提高模型性能。 它由一个经过训练的基本分类器组成，该分类器合并决策以产生新的结果（Baba等人，2015年）。包围学习已经应用于各种计算机科学，医学和工程应用。该策略的基本目的是通过合并多个独立模型的结果来提高单个模型的性能因此，集成建模将用于组合许多单个模型（Nourani等人，2018年）。使用这种技术的另一个原因是可变性，！S.I. Abba，M.贝纳尔特公司Usman等人沙特国王大学学报8166图三. 反预选前砂岩含水层的原始数据数据的特征。任何模型的准确性都受到数据变化的影响，例如正态性、大小和线性。此外，多个研究项目表明，同一类型的数据集的性能结果可能因不同的模型而异，这意味着应该使用集合方法根据不同的研究（Sharghi等人，2018;Nourani等人，2018; Elkiran等人，2019;Nourani等人，2019; Nourani等人，2019），合奏可以分为线性和非线性合奏范例。因此，本文采用了四种非线性集成范式，即神经网络集成（NNE）、支持向量回归集成（SVR-E）、自适应神经模糊推理系统集成（ANFIS-E）和高斯过程回归集成（GPR-E）来提高单个模型的预测精度3.6. 模型开发和评估指标在预处理和数据智能建模之前，进行了现场和实验室研究作为男人-对上述25个物理和水化学变量进行了适当的预处理。Pearson相关性是用于挖掘反向变量（温度、NO-3、HC O-3、Li和Mn）的分析的一部分。 然后进行神经敏感特征选择，确定目标变量的主导输入参数。将模型C1和C2的两种不同组合施加并校准（60%）到独立模型（ElmNN、GRNN、BPNN和ILR）中。在这项工作中使用的拟议方法是目前在图。 四、值得一提的是，该方法是数据智能算法，所建立的独立模型是基于科学和工程领域的多篇文献所形成和验证的问题陈述。沙特阿拉伯也采取了类似的办法来引进这些技术值得注意的是，本研究包含三种不同的场景，即：现场工作，实验室分析和人工智能方法（单个独立和非线性集成）作为新颖性。对于任何数据驱动的方法，根据比较预测，S.I. Abba，M.贝纳尔特公司Usman等人沙特国王大学学报8167X.¼阿托PΣPhihcfiEC-ECEC-EC1ΣNMAEi¼1N.EC.ð8ÞPC¼见图4。 本研究中使用的拟定流程图。接受的价值。在本研究中，我们采用了两种统计误差度量，即均方根误差（RMSE）和均方误差（MSE），以及两种拟合优度度量，即Nash-Sutcliffe效率系数（NSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和皮尔逊系数（PC）（见等式10）。（3）至（8））。在建模之前，引入了使用k折交叉验证的外部验证，以优化结果，减少误差不确定性，并增加完整性。为了验证模型，使用了40%的数据。N3.7. 数据和GW参数说明本节解释了选定的间接相关变量，并将其用作GW盐渍化的逆模型。用于该建模的GW质量参数包括温度、EC、无机溶解固体（例如，碳酸氢盐HC O-3，锂（Li），硝酸盐（NO-3））（见图 5）。如上所述，数据来源基于本研究中收集的现场和实验室数据。实地调查是为了收集现场测量的物理-GW的物理和化学性质GPS多参数测量仪MSE1ECN1欧洲共同体Σ2ð3Þ带有pH、DO、TDS、EC、Tempe和压力传感器的探头，用于获得GW原位测量。从井中收集GW样品，并在泵送15分钟以除去vut1X N。ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiΣffiffi2ffiffi死水。根据指南进行采样RMSE¼N1ECp-ECoð4Þ美国环境保护局（USEPA，2000）。在实验室条件下，采用离子色谱法（IC）和电感耦合等离子体质谱法（ICP-MS）对样品中的离子和电子进行了测定NNSE1-P111/1.EC欧洲共同体2阿托佐阿托2ð5ÞGW样品的成分（ICP-MS）。温度是水的一个物理参数，跟踪其他水质参数，如溶解氧、水电导率和饮用水、家用水Nit;itt;it2017年12月22日，美国国家航空航天局（NASA）在纽约举行了一场名为“2017年世界航空航天大会”的开幕式。ð6Þ和娱乐用途（Fondriest Environmenta，2014年）。表面水和浅层地下水与水文过程和气候条件密切相关（FondriestEnvironmenta，1/1PN¼欧洲共同体秘书处. ECp-ECo。EcCt;i-EfCt2014年）。这些水体的温度显示出对气候的明显反应变化和全球变暖（Woolway等人，2020年）。因此，水体的温度可以作为气候变化对水质影响的环境指标。据报道，水的温度-100Xn. ECo-ECp。阿托溶解氧和pH值呈负相关，水，并且与水电导率呈正相关（Fondriest Environ- menta，2014）。另一方面，深层地下水具有较高的N.EC-EC0ðpÞð7Þ联系我们1/1S.I. Abba，M.贝纳尔特公司Usman等人沙特国王大学学报8168图五.所使用的输入-输出参数之间的棒核密度图。由于深度增加和岩石类型以及邻近的火山热源而导致的温度升高（Riedel，2019）。水的电导率是衡量水的传导能力的指标。总体而言，水体（地表水和地下水）的电导率取决于分水岭地区和含水层基质的地质情况。然而，根据排放类型，向河流和浅层地下水的人为排放可能会增加/降低水的电导率。污水使水体EC值增加，油污使水体EC值降低。水体无机溶解性固体主要是水体中的阳离子和阴离子成分。然而，HC O-3是水中主要的溶解碳，反映了水体的碱度（Bozorg-Haddad等人，2021年）。水中碳酸氢根离子的主要来源是土壤和岩石矿物。水中高浓度的碳酸氢盐会使水的味道变增加水中的碳酸氢盐与减少氢离子（即增加水的pH）有关（Bozorg-Haddad等人， 2021年）。地表水中碳酸氢盐浓度范围为痕量至150 mg/L（Mallick，2017）。然而，地下水的碳酸氢盐浓度可能更流域和含水层中富含碳酸盐的岩石是水体中碳酸氢根离子升高的主要原因 NO-3是水体中的另一种无机溶解性固体，对水质和水质适宜性有重要影响。水体中的硝酸盐可能是天然存在的，来源于含水层基质和流域基岩。然而，地表和浅层地下水中的高水平硝酸盐主要是由于动物粪便、城市污水废物、农业活动和化肥。地下水中硝酸盐浓度超过1.0 mg/L表明人类对地下水资源的影响（例如，肥料）（Dubrovsky等人， 2010年）。对于地表水，高水平的硝酸盐可以增加藻类的生产，导致地表水的富营养化（Randall Mulla，2001）。根据饮用水指南（世卫组织，2004年），饮用水中的硝酸盐限制在10 mg/L以下饮用水中较高浓度的硝酸盐会导致健康问题，如婴儿高铁血红蛋白血症。4. 结果和讨论为任何计算方法的回归和分类方法确定合适的特征提取技术这同样类似于GW质量评估的情况，GW质量评估与重金属、物理化学、水文地球化学和地球化学性质有关因此，从特定数据集选择适当的输入组合对于预测任何因变量至关重要。因此，本研究探索了用于特征提取分析的线性相关和非线性灵敏度分析，以在建模步骤之前选择合适的输入组合（见表1和图2）。 6）。基于投入产出关系和敏感性分析技术，选择了投入变量组合。敏感性分析由于其稳健性优于线性相关特征提取方法而被优先考虑。因此，根据变量的排名，表1使用非线性特征提取方法对参数进行排序电它通常以微西门子每厘米为单位测量参数RMSE排名（1 s/cm）或微姆欧每厘米（1 mhos/cm）（Metcalf等人，不1665.22721991年）。 无机溶解固体（阴离子）HCO31572.7451和阳离子），如氯化物，硝酸盐，硫酸盐，磷酸盐，NO3-1863.6475钠、镁、钙、铁和铝是水EC的主要控制因素（联邦协会，2005）。自然李1734.72 3锰1792.677 4S.I. Abba，M.贝纳尔特公司Usman等人沙特国王大学学报8169见图6。用于GW分析的逆输入-输出关系。表2地下水盐渍化数据统计分析。参数最小值最大值平均值SDperforman ce. 化合物1（C1）由N、O-3、Mn和Li组成。 同时，化合物2（C2）分别由NO-3、Mn、Li、T和HC O-3组成。此外，敏感性分析技术T和HCO-3描述了基于输入-输出关系和敏感性分析技术的以EC为目标输出变量的优良相关性al得分值得一提的是，在各种水化学文献中已经建立了 灵 敏 度 和 相 关 性 分 析 （ Nasr 等 人 ， 2012; Elkiran 等 人 ， 2019年;Wang等人，2019年）。从沙特阿拉伯南部收集的实验数据集分为60%的校准和40%的验证，使用单一和基于集合的范式建模。此外，统计分析表3GRNN，BPNN，Elm NN和ILR模型的性能NSE校准阶段MaeMAPEPCRMSEMSEGRNN-C10.99780.998995.82209181.85671.01000.0000GRNN-C20.99000.99003.193910.201089.98000.0037BPNN-C10.08300.28812126.94434523891.873481.42000.0034BPNN-C20.60190.77581274.91101625398.1458762.08000.0317Elm NN-C10.21190.46031793.80463217734.8517700.05000.0291Elm NN-C20.24370.49371757.18863087711.6121175.17000.0073ILR-C10.07930.28162137.03064566899.9440404.64000.0168ILR-C20.34930.59101629.93372656683.8765408.33000.0170GRNN-C10.9277验证阶段0.9632543.1340294994.57631.89000.0001GRNN-C20.74930.8656336.1547113000.004090.18000.0047BPNN-C10.17930.42341195.42721429046.130084.42000.0044BPNN-C20.08790.29652282.93015211769.9120792.08000.0387Elm NN-C10.18790.43351231.24431515962.6090796.05000.0491Elm NN-C20.28790.5366773.8373598824.2370180.17000.0083ILR-C10.23790.4878917.8574842462.1580423.64000.0568ILR-C20.20790.45601024.63781049882.5850409.67000.0170Temp（oC）27.5736.8631.822.60HCO3（mg/L）68.00193.00146.4529.27NO-3（mg/L）0.1597.3922.1926.89锂（mg/L）0.2586.7724.5731.73锰（mg/L）0.0088.239.4116.41EC（lS/cm）1308.008672.633500.131903.13S.I. Abba，M.贝纳尔特公司Usman等人沙特国王大学学报8170≥≤生成变量以计算标准品的范围元素S。NO-3与标准相比几乎没有增加，偏差（STD），平均值，最小值和最大值使用SPSS（社会科学统计软件包）。统计分析（表2）表明，温度范围为27.57至36.86°C，HCO-3范围为68.00至68.00。这可能会对健康造成一些影响。然而，统计结果显示，EC的高增加，这可能是一个微咸水的元素。一般来说，EC被认为是GW盐碱化的主要指标（Chachadi，2001年）。然而，协议-193.00mg/L，NO-3Li（0.25 ~97.39 mg/L）、Li（0.15 ~ 97.39mg/L）、Li（0.25~ 97.39根据（Chebotarev，1955年），基于TDS的水质可以锰（0.00-88.23 mg/Lcm）。表2所示的温度升高可能表明水质退化，从而影响盐碱化。这与（Riedel，2019）的研究一致，该研究指出，温度升高的GW描绘了矿物风化增强和饮用水相关浓度较高的迹象根据世界卫生组织（WHO）（2004），将其分为新鲜2500 mg/L、微咸2500-与（Chebotarev，1955）进行的关于TDS范围的研究相比，设定了更新的可接受限值由WHO。10,0008,0006,0004,0002,000010,0008,0006,0004,0002,000010,0008,0006,0004,0002,000010,0008,0006,0004,0002,00005 10 155 10 155 10 155 10 1520 25 3020 25 30`20 25 3020 25 30图7.第一次会议。（a）GRNN（b）BPNN（c）Elman（d）ILR模型的核密度响应趋势（观测EC（µS/cm）GRNN-C1GRNNC2（观察到的EC（µS/cm）BPNN-C1BPNN-C2（观察到的EC（µS/cm）Elman-C1Elman-C2（观察到的EC（µS/cm）ILR-C1ILR-C2S.I. Abba，M.贝纳尔特公司Usman等人沙特国王大学学报81714.1. BPNN、Elm NN、GRNN和ILR模型的结果本节重点展示了在校准和验证阶段获得的用于估计EC的单一范例的性能。这种建模的目的是证明单个和集合ML模型的潜在用途，以逆建模EC，这在文献中没有得到任何关注。值得一提的是，使用经典、数值和地球化学建模对GW流进行的直接和反向建模受到了相当大的关注（Ibrahim&El-Naqa，2018年;Samper-Calvete& García-Vera，1998年; Hussien等人，2021年）。使用Matlab（2020b）完成建模步骤。基于AI的模型GRNN、Elm NN和BPNN是处理复杂行为并减少错误的神经技术（Sharghi等人，2019;Nourani等人，2020年）。描述了每个模型的性能表3所在建模过程中，考虑了不同的结构和车削参数，以优化最佳结果。四 个 不 同 的 性 能 指 标 （ NSE ， PC ， MSE ， RMSE ， MAE 和MAPE）被用来评估单个范例的准确性，并证明这些技术的效率是否具有更高的性能。基于校准和验证步骤中模型的性能技能，仅GPR-C1显示NSE值高于0.8的排列。这表明C1组合相对于C2输入变量组合的鲁棒性和训练网络的鲁棒性GRNN模型在Elm NN和BPNN上的性能（见图7）。由于数据的性质，单个独立模型的结果不佳并不令人惊讶。一般来说，基于人工智能的NN模型与对应模型相比具有合理的准确性。从两个对偶函数核密度响应图图 7，可以注意到GRNN模型在观测和模拟的GW盐渍化之间达到了极好的一致性。与BPNN、Elm NN和ILR模型相比，模型组合的特征在于没有异常值和不连续性。用于校准和验证的独立模型的定量比较证明了GRNN的预测能力相对于其他模型呈指数增长。GRNN的拟合优度使BPNN、Elman和ILR模型的最佳模型的估计精度分别提高了73%、64%和69%。为了将当前的工作与盐度建模中的其他最新模型进行比较，（Melesse等人，2020）使用两个独立模型和八个 混合机器学习模型模拟EC。八使用不同的输入变量，最大结果显示NSE = 0.994的最佳结果值。与本研究相比，我们的GRNN（NSE = 0.998）的四个变量的结果Seyedmohammadi等人，（2016）使用了不同的方法，包括高斯和径向基函数（RBF）、IDW和LPI，模拟结果的范围为R = 0.69-0.87。同样，Tutmez等人，（2006）使用ANFIS模型模拟了土耳其南部的EC，他们的发现（R2 = 0.97）不如我们的研究准确。 我们还将我们最好的独立模型与Ahmadianfar等人的模型进行了比较，（2020），并发现他的最佳拟合优度为0.97，表明我们的工作的优越性。4.2. NNE、ANFIS-E、GRNN-E和SVR-E范式的结果单数据智能算法的实现受到了极大的关注，但在一些情况下，由于各种原因，被集成学习结合了多种模型的预测能力，计算效率更高。单一范例的性能在捕获EC数据的行为时在某个点失败。因此，这表明需要利用先进的计算方法，该方法可以捕获当前EC实验数据的非线性因此，提出了四种不同的非线性集成机器学习范式该模型的性能评价见表4。集成机器学习参数的性能技能表明，所有四种技术都能够在校准和验证步骤中估计出NSE值高于0.8的 EC值这表明所提出的范式可以增强简单范式的性能预测。此外，在校正和验证步骤中，集成范式的预测性能可以分别提高到单个范式的92%和79%。总体而言，GPR-E-C2在校准阶段更优，而ANFIS-E-C1在验证步骤中显示出最高的预测能力。此外，这些技术的预测能力可以用散点图（见图1）的视觉表示来说明。8）。此外，基于核函数分布的集成机器学习范式表4NNE、ANFIS-E、GRNN-E和SVR-E范式的性能。校准阶段MaeMAPENSEPCRMSEMSENNE-C10.92770.9632841.4196707986.98321.99800.0085NNE-C20.99780.9989148.446822036.45621.87240.0033GPR-E-C10.93230.9656814.2664663029.75541.08000.0000GPR-E-C20.99900.999031.62281000.00121.00080.0043SVR-E-C10.92860.9636836.6775700029.24061.09900.0065SVR-E-C20.99650.9982186.170734659.52081.01100.0050ANFIS-E-C10.93220.9655815.1054664396.88422.34200.0143ANFIS-E-C20.99770.9988150.627422688.60661.01010.0000NNE-C10.9956验证阶段0.997844.72142000.00001.00230.0080NNE-C20.99780.998931.62281000.00001.84560.0067GPR-E-C10.85360.9239256.872665983.52701.26300.0000GPR-E-C20.99840.999226.8518721.01701.56200.0035SVR-E-C10.85360.9239256.872665983.52701.09900.0065SVR-E-C20.99380.996952.79632787.45101.01100.0050ANFIS-E-C10.99900.99902.99308.95800.87900.0001ANFIS-E-C20.94380.9715159.207125346.90801.00030.0000S.I. Abba，M.贝纳尔特公司Usman等人沙特国王大学学报8172图8.第八条。（a）NN-E（b）GPR-E（c）、SVR-E和（d）ANFIS-E的观测和模拟EC之间的嵌入散点箱形图S.I. Abba，M.贝纳尔特公司Usman等人沙特国王大学学报8173图9.第九条。根据经验累积分布函数进行比较表5最佳独立和集成模型的总结E-标准ANFIS-E-C1 GRNN-C1差异准确度（%）NSE0.9990.9280.0717.125PC0.9990.9630.0363.580RMSE2.993543.134MSE8.958294994.576Mae0.8791.890MAPE0.0000.000示于图9.第九条。该图比较性地说明了在GW的EC的化学估计期间使用的每个集合范例的性能添加图9的可视化，显示ANFIS-E-C1在观察到的EC和模拟的EC之间显示出极好的匹配（表5）。这也表明GW政策制定者直接批准了复杂GW的未来预测和建模。一般而言，某一地区的农业活动和灌溉水成为影响地