Enhancing the prediction of hydraulic parameters using machine learning, integrating multiple attributes of GIS and geophysics

Abstract

Estimation of hydraulic parameters and their successful prediction in an arid and/or semiarid region are challenging due to various hydrogeological complexities. In this study, machine learning (ML) algorithms, namely random forest (RF), random tree (RT), support vector machine (SVM), Gaussian process (GP) and long short-term memory (LSTM)) are used and their performances are compared for the prediction of hydraulic parameters, utilizing multiple hydrogeological attributes deriving from a geographical information system (GIS) and geophysical investigations in Sindhudurg District, Maharashtra, India. Multihydrogeological attributes as input and hydraulic parameters—e.g., hydraulic conductivity (K) and transmissivity (T) derived by geoelectrical methods are used as a target for building the predictive models. To enhance the model performance, a logarithmic data transformation technique was employed and correlation analysis was conducted to hypothesize the different input configurations during ML model building. The data were divided into two components: training (80%) and testing (20%). Qualitative and quantitative performance measures were evaluated to examine the predictive power of the ML models. Based on the test result, RF is found to be the best predictive model with Pearson’s correlation coefficients of ~0.93 and 0.83 for modeling K and T, respectively. Results also reveal that model performance mainly depends on ML architecture, data structure, data accuracy, and the amount of data used. Thus, the present study successfully facilitates the predictive modeling of hydraulic parameters in the study area and the proposed method could be further explored in other complex hydrogeological areas around the world.

Résumé

L’estimation des paramètres hydrauliques et leur prédiction réussie dans une région aride et/ou semiaride sont un défi en raison de diverses complexités hydrogéologiques. Dans cette étude, des algorithmes d’apprentissage automatique (ML), à savoir la forêt aléatoire (RF), l’arbre aléatoire (RT), la machine à vecteur de support (SVM), le processus gaussien (GP) et la mémoire à long terme (LSTM), sont utilisés et leurs performances sont comparées pour la prédiction des paramètres hydrauliques, en utilisant de multiples attributs hydrogéologiques provenant d’un système d’information géographique (SIG) et d’études géophysiques dans le district de Sindhudurg, Maharashtra, Inde. Les attributs hydrogéologiques multiples en tant que paramètre d’entrée et les paramètres hydrauliques (par exemple, la conductivité hydraulique (K) et la transmissivité (T)) dérivés des méthodes géoélectriques sont utilisés comme cible pour construire les modèles prédictifs. Afin d’améliorer les performances du modèle, une technique de transformation logarithmique des données a été employée et une analyse de corrélation a été menée pour émettre des hypothèses sur les différentes configurations d’entrée pendant la construction du modèle ML. Les données ont été divisées en deux composantes: entraînement (80%) et test (20%). Des mesures de performance qualitatives et quantitatives ont été évaluées pour examiner le pouvoir prédictif des modèles ML. D’après les résultats des tests, RF s’avère être le meilleur modèle prédictif avec des coefficients de corrélation de Pearson de ~0.93 et 0.83 pour la modélisation de K et T, respectivement. Les résultats révèlent également que la performance du modèle dépend principalement de l’architecture ML, de la structure des données, de la précision des données et de la quantité de données utilisées. Ainsi, la présente étude facilite avec succès la modélisation prédictive des paramètres hydrauliques dans la zone d’étude et la méthode proposée pourrait faire l’objet d’étude approfondie dans d’autres zones hydrogéologiques complexes dans le monde.

Resumen

La estimación de los parámetros hidráulicos y su predicción satisfactoria en una región árida y/o semiárida constituyen un desafío debido a diversas complejidades hidrogeológicas. En este estudio, se utilizan algoritmos de aprendizaje automático (ML), a saber, Random Forest (RF), Random Tree (RT), Support Vector Machine (SVM), Gaussian Process (GP) y Long Short-Term Memory (LSTM)) y se comparan sus rendimientos para la predicción de parámetros hidráulicos, utilizando múltiples atributos hidrogeológicos derivados de un sistema de información geográfica (GIS) e investigaciones geofísicas en el distrito de Sindhudurg, Maharashtra, India. Los atributos hidrogeológicos múltiples como entrada y los parámetros hidráulicos (por ejemplo, la conductividad hidráulica (K) y la transmisividad (T)) derivados por métodos geoeléctricos se utilizan como objetivo para construir los modelos predictivos. Para mejorar el rendimiento del modelo, se empleó una técnica de transformación logarítmica de los datos y se realizó un análisis de correlación para hipotetizar las diferentes configuraciones de entrada durante la construcción del modelo ML. Los datos se dividieron en dos componentes: entrenamiento (80%) y prueba (20%). Se evaluaron las medidas de rendimiento cualitativas y cuantitativas para examinar el poder predictivo de los modelos ML. Según el resultado de la prueba, se encuentra que RF es el mejor modelo predictivo con coeficientes de correlación de Pearson de ~0.93 y 0.83 para modelar K y T, respectivamente. Los resultados también revelan que el rendimiento del modelo depende principalmente de la arquitectura del ML, la estructura de los datos, la precisión de los datos y la cantidad de datos utilizados. Por lo tanto, el presente estudio facilita con éxito la modelización predictiva de los parámetros hidráulicos en la zona de estudio y el método propuesto podría seguir explorándose en otras zonas hidrogeológicas complejas de todo el mundo.

摘要

由于水文地质的复杂性，在干旱/半干旱地区估算且成功预测水力参数具有一定挑战。基于来自地理信息系统(GIS)和印度马哈拉施特拉邦大堡区地球物理调查的多种水文地质属性，本研究采用了机器学**(ML)算法，即随机森林(RF)、随机树(RT)、支持向量机(SVM)、高斯过程(GP)和长短期记忆(LSTM)，并比较了其在水力参数预测方面的算法性能。以多水文地质属性作为输入项，通过地电方法得出的水力参数(如:导水率K和导水系数T)作为建立预测模型的目标。为了提高模型性能，研究采用了对数数据转换技术并进行了相关分析，以假设ML模型建立过程中的不同输入配置。数据被分为两部分:模型训练(80%)和模型测试(20%)。为了验证ML模型的预测能力，对模型的定性和定量的性能指标进行了评估。测试结果显示，RF是最优的预测模型，其中模拟的K和T的 Pearson相关系数分别为0.93和0.83。此外，模型性能主要取决于ML架构、数据结构、数据精度和使用的数据量。因此，本研究成功地促进了研究区水力参数的预测建模，该方法可以在全球其他水文地质条件复杂的地区进一步探索。

Resumo

A estimativa dos parâmetros hidráulicos e sua previsão bem-sucedida em regiões áridas e/ou semiáridas são desafiadoras devido a várias complexidades hidrogeológicas. Nesse estudo, algoritmos de aprendizado de máquinas (AM) nomeados Florestas Aleatórias (FA), Árvores Aleatórias (AA), Maquinas de Vetor de Suporte (MVS), Processo Gaussiano (PG) e Memória de Curto Longo Prazo (MCLP) foram utilizados e seus desempenhos foram comparados para a previsão de parâmetros hidráulicos, utilizando múltiplos atributos hidrogeológicos derivados de um sistema de informação geográfica (SIG) e investigações geofísicas no Distrito Sindhudurg, Maharashtra, India. Atributos multihidrogeológicos como uma entrada e parâmetros hidráulicos (p. ex. condutividade hidráulica (K) e transmissividade (T)) derivados por métodos geoelétricos foram utilizados como alvo para a construção dos modelos de previsão. Para melhorar o desempenho do modelo, uma transformação de dados logarítmicos foi empregada e análise de correlação foi conduzida para hipotetizar as configurações de entradas diferentes durante a construção do modelo ML. Os dados foram divididos em dois componentes: treinamento (80%) e teste (20%). As medidas de desempenho quantitativo e qualitativo foram avaliadas para examinar o poder de previsão dos modelos AM. Baseado nos resultados dos testes, FA foi o melhor modelo de previsão com os coeficientes de correlação Pearson de ~0.93 e 0.83 para modelagens K e T, respectivamente. Os resultados também revelam que o desempenho do modelo depende principalmente da arquitetura AM, estrutura de dados, acurácia dos dados e na quantidade de dados utilizada. Assim, a estudo atual facilita com êxito a modelagem de previsão de parâmetros hidráulicos na área de estudo e o método proposto pode ser futuramente explorado para áreas hidrogeologicamente complexas pelo mundo.