基于XGBoost-SHAP模型的流域水质指标对DO的驱动与协同影响分析

南淑荷; 李进军; 魏佳芳; 魏荣升; 赵天赐

doi:10.20040/j.cnki.1000-7709.2025.20242384

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于XGBoost-SHAP模型的流域水质指标对DO的驱动与协同影响分析

水文水资源与环境 | 更新时间：2026-02-25

- 基于XGBoost-SHAP模型的流域水质指标对DO的驱动与协同影响分析
- 基于XGBoost-SHAP模型的流域水质指标对DO的驱动与协同影响分析
- 水电能源科学 2025年第7期页码：52-56
- 作者机构：
  
  1. 甘肃水务节水科技发展有限责任公司
  2. 兰州理工大学能源与动力工程学院
- 作者简介：
- 基金信息：
  
  兰州理工大学红柳优青人才计划(062004)
- DOI：10.20040/j.cnki.1000-7709.2025.20242384
  中图分类号： X824
- 纸质出版：2025
- 稿件说明：
移动端阅览
南淑荷, 李进军, 魏佳芳, 等. 基于XGBoost-SHAP模型的流域水质指标对DO的驱动与协同影响分析[J]. 水电能源科学, 2025,(7):52-56.

南淑荷, 李进军, 魏佳芳, et al. 基于XGBoost-SHAP模型的流域水质指标对DO的驱动与协同影响分析[J]. 2025, (7): 52-56.
南淑荷, 李进军, 魏佳芳, 等. 基于XGBoost-SHAP模型的流域水质指标对DO的驱动与协同影响分析[J]. 水电能源科学, 2025,(7):52-56. DOI： 10.20040/j.cnki.1000-7709.2025.20242384.

南淑荷, 李进军, 魏佳芳, et al. 基于XGBoost-SHAP模型的流域水质指标对DO的驱动与协同影响分析[J]. 2025, (7): 52-56. DOI： 10.20040/j.cnki.1000-7709.2025.20242384.

摘要

溶解氧(DO)是衡量水质健康的关键指标，其变化受多种环境因子和交互作用的影响。为此，基于2021年1月～2022年4月钱塘江浙闽片河流闸口水质数据，采用极端梯度提升(XGBoost)算法构建DO预测模型，并结合SHAP(Shapley值)方法分析水质指标对DO的驱动作用及其交互效应。结果表明，水温(WT)、pH值是影响DO变化的主要因素，对模型输出的贡献分别为42.7%、20.9%。此外，WT与pH值的非线性交互关系尤为显著。低WT、pH值促进DO浓度，而高WT、pH值则可能降低DO浓度。WT与浊度(TB)的交互作用显著降低DO浓度，而适量的总磷、电导率对DO浓度具有正向促进作用。研究结果可为流域水质管理和生态保护提供科学依据。

Abstract

关键词

Keywords

references

梁紫婷,李清雪,王博宇,孙健.基于交叉小波的河流溶解氧变化特征及其关键影响因子[J].水电能源科学,2024(12).

林奕晨,周鹏,潘悦,刘兰君,王润泽.荆州市洪涝灾害影响因子探究及风险评估——基于随机森林和XGBoost算法[J].中国农村水利水电,2022(06).

王浩钰,付国永,李黎,仝涵琦.一种基于Xgboost+GWR算法的中国地区降水量空间插值模型[J].水电能源科学,2021(12).

Alexander Y Sun,Bridget R Scanlon.How can Big Data and machine learning benefit environment and water management: a survey of methods, applications, and future directions[J].Environmental Research Letters,2019.

浏览量

987

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

小清河流域邹平段水环境综合治理措施效果评估

基于河流分段水环境容量分析的污染研究及水质分析

基于进化算法优化的CNN-EA-ConvLSTM水质预测模型

基于HHO-SVM的水质预测模型及应用

多源数据条件下信号交叉口排队长度估算方法