ГЕОПРОСТРАНСТВЕННОЕ МОДЕЛИРОВАНИЕ ПОТЕНЦИАЛА ПОДЗЕМНЫХ ВОД С ИСПОЛЬЗОВАНИЕМ XGBoost, SHAP И ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ НА ПРИМЕРЕ БОКЕЙОРДИНСКОГО РАЙОНА ЗАПАДНО-КАЗАХСТАНСКОЙ ОБЛАСТИ

Аннотация

В данном исследовании разработана модель машинного обучения для пространственного прогнозирования потенциала подземных вод с использованием классификатора XGBoost, обученного на 15 согласованных геопространственных предикторах, полученных из топографических, гидрологических, растительных и гидрогеологических наборов данных. В качестве обучающих выборок были использованы 202 скважины с измеренным расходом подземных вод, которые были преобразованы в категориальные классы продуктивности подземных вод.  Модель интегрирует растровые данные из нескольких источников, включая высоту, полученную из SRTM, индексы рельефа (наклон, TWI), меры гидрологического расстояния, сезонные индексы растительности и влажности (NDVI, NDWI, BSI), а также литологические и гидравлические свойства, полученные из GLHYMPS. Интерпретируемость модели была оценена с помощью анализа SHAP для количественной оценки вклада каждого предиктора в оценки потенциала подземных вод. Кроме того, неопределенность прогнозирования была количественно оценена с использованием энтропии Шеннона вероятностей классов, что позволило идентифицировать зоны с низкой степенью достоверности, связанные с гидрогеологическими переходами. Результаты показывают, что модель улавливает значимые пространственные закономерности потенциала подземных вод, несмотря на умеренную точность прогнозирования при пространственной валидации (F1-мера ≈ 0,24). Высокие значения неопределенности сосредоточены в структурно сложных и литологически неоднородных зонах. Предложенная структура демонстрирует воспроизводимый и переносимый подход к интеграции машинного обучения и геопространственного анализа для картирования потенциала подземных вод в регионах с дефицитом данных.