Geosci. Front. | 基于自动机器学习替代模型考虑未知边界条件的地下水污染源识别

背景：地下水污染源识别是污染风险评估和修复的前提，以往研究通常将边界条件设为已知，但实际中边界条件复杂且难以准确估计，将其设为已知可能导致识别结果失真。研究目的：本研究聚焦于未知边界条件，创新性地提出同时识别污染源信息、模型参数和边界条件三类未知变量的方法，并采用自动机器学习构建替代模型以降低计算负荷，实现模型选择与超参数优化自动化。结论：结果表明，考虑未知边界条件的地下水污染源识别是可靠且实用的，边界条件的识别精度总体更高；自动机器学习替代模型相比极端梯度提升法、随机森林法等具有最高精度，能大幅减少人工操作和时间，为地下水污染源识别提供了可靠支持。