Application of random forest regression and comparison of its performance to multiple linear regression in modeling groundwater nitrate concentration at the African continent scale

Abstract

Groundwater management decisions require robust methods that allow accurate predictive modeling of pollutant occurrences. In this study, random forest regression (RFR) was used for modeling groundwater nitrate contamination at the African continent scale. When compared to more conventional techniques, key advantages of RFR include its nonparametric nature, its high predictive accuracy, and its capability to determine variable importance. The latter can be used to better understand the individual role and the combined effect of explanatory variables in a predictive model. In the absence of a systematic groundwater monitoring program at the African continent scale, the study used the groundwater nitrate contamination database for the continent obtained from a meta-analysis to test the modeling approach; 250 groundwater nitrate pollution studies from the African continent were compiled using the literature data. A geographic information system database of 13 spatial attributes was collected, related to land use, soil type, hydrogeology, topography, climatology, type of region, and nitrogen fertilizer application rate, and these were assigned as predictors. The RFR performance was evaluated in comparison to the multiple linear regression (MLR) methods. By using RFR, it was possible to establish which explanatory variables influence the occurrence of nitrate pollution in groundwater (population density, rainfall, recharge, etc.). Both the RFR and MLR techniques identified population density as the most important variable explaining reported nitrate contamination. However, RFR has a much higher predictive power (R² = 0.97) than a traditional linear regression model (R² = 0.64). RFR is therefore considered a very promising technique for large-scale modeling of groundwater nitrate pollution.

Résumé

Les décisions relatives à la gestion des eaux souterraines nécessitent des méthodes robustes qui permettent une modélisation prédictive exacte de l’occurrence d’un polluant. Dans la présente étude, la méthode de régression dite de forêts aléatoires (RFA) a été utilisée pour modéliser la contamination des eaux souterraines par les nitrates à l’échelle du continent africain. Quand on la compare à la plupart des techniques classiques, les avantages principaux de la RFA comportent: sa nature non paramétrique, sa haute précision prédictive, et sa capacité à déterminer l’importance d’une variable. Cette dernière peut être utilisée pour mieux comprendre le rôle individuel et l’effet combiné des variables explicatives dans un modèle prédictif. En l’absence d’un programme de gestion des eaux souterraines systématique à l’échelle du continent africain, l’étude a utilisé une base de données sur la contamination des eaux souterraines par les nitrates issue d’une méta-analyse, dans le but de tester une approche par modélisation; 250 études de pollution des eaux souterraines par les nitrates concernant le continent africain ont été compilées à partir de données bibliographiques. La base de données d’un système d’information géographique de 13 attributs spatiaux a été construite, relativement à l’utilisation des sols, au type de sol, à l’hydrogéologie, topographie, climatologie, au type de région et au taux d’épandage d’un engrais azotée et ceux-ci ont été désignés comme prédicteurs. La performance de la RFA a été évaluée par comparaison avec les méthodes de régression linéaire multiple (RLM). En utilisant la RFA, il a été possible d’identifier les variables explicatives influençant l’occurrence de la pollution nitratée dans les eaux souterraines (densité de la population, précipitations, recharge, etc.). Les techniques de RFA et de RLM ont identifié l’une et l’autre la densité de population comme la variable la plus importante pour expliquer la contamination par les nitrates. Cependant, la RFA a un pouvoir prédictif plus important (R² = 0.97) qu’un modèle de régression linéaire traditionnel (R² = 0.64). La RFA est. ainsi considérée comme une technique très prometteuse de modélisation à grande échelle de la pollution des eaux souterraines par les nitrates.

Resumen

Las decisiones de gestión del agua subterránea necesitan métodos robustos que permitan un modelado predictivo preciso de ocurrencias de contaminantes. En este estudio, se utilizó la regresión de bosques aleatorios (RFR) para modelar la contaminación por nitrato del agua subterránea a escala del continente africano. Cuando se comparan con técnicas más convencionales, las ventajas claves de la RFR incluyen su naturaleza no paramétrica, su alta precisión predictiva y su capacidad para determinar la importancia de las variables. Esta última se puede utilizar para comprender mejor el rol individual y el efecto combinado de las variables explicativas en un modelo predictivo. En ausencia de un programa sistemático de monitoreo de agua subterránea a escala del continente africano, el estudio utilizó una base de datos de contaminación de nitrato de agua subterránea obtenida de un metanálisis para probar el enfoque del modelado; Se compilaron 250 estudios de contaminación de nitrato de agua subterránea del continente africano utilizando los datos de la literatura. Se recopiló una base de datos del sistema de información geográfica de 13 atributos espaciales, relacionada con el uso del suelo, el tipo de suelo, la hidrogeología, la topografía, la climatología, el tipo de región y la tasa de aplicación de fertilizantes nitrogenados, y estos se asignaron como predictores. El rendimiento de RFR se evaluó en comparación con los métodos de regresión lineal múltiple (MLR). Mediante el uso de RFR, fue posible establecer qué variables explicativas influyen en la incidencia de la contaminación por nitratos en el agua subterránea (densidad de población, precipitación, recarga, etc.). Las técnicas RFR y MLR identificaron la densidad de población como la variable más importante que explica la contaminación por nitrato reportada. Sin embargo, la RFR tiene un poder predictivo mucho más alto (R² = 0.97) que un modelo de regresión lineal tradicional (R² = 0.64). Por lo tanto, la RFR se considera una técnica muy prometedora para el modelado a gran escala de la contaminación del agua subterránea por nitrato.

摘要

地下水管理决策需要能够准确预测模拟发生污染的强劲方法。本研究中,采用随机预测回归分析模拟非洲大陆尺度上的地下水硝酸盐含量。与更常规的技术相比,随机预测回归分析的主要优点包括其非参数特性、很高的预测精度以及确定变量重要性的能力。后者可用于更好地了解预测模型中解释性变量的各自作用及综合影响。在非洲大陆尺度上缺乏系统地下水监测项目的情况下,研究利用从荟萃分析中得到的地下水硝酸盐含量数据库测试模拟方法。利用文献数据编辑了250项非洲大陆地下水硝酸盐污染方面的研究。收集了13个与土地利用、土壤类型、水文地质学、地形学、气候学、地区类型及氮肥应用量等相关的空间属性的地理信息数据库,这些属性作为预测因子。在比较多重线性回归分析法中评估了随机预测回归分析的性能。利用随机预测回归分析,就有可能确定哪种解释性变量影响地下水中的硝酸盐污染(人口密度、降雨补给等)。随机预测回归分析和多重线性回归分析都确定了人口密度是造成所报道的硝酸盐污染最重要的变量。然而,随机预测回归分析的预测能力(R² = 0.97)比传统线性回归模型的预测能力(R² = 0.64)要高很多。因此,随机预测回归分析被认为是大尺度模拟地下水硝酸盐污染非常有前途的一项技术。

Resumo

As decisões de gestão das águas subterrâneas precisam de métodos robustos que permitam a modelagem preditiva precisa das ocorrências de poluentes. Neste estudo, a regressão de floresta aleatória (RFA) foi usada para modelar a contaminação por nitrato em águas subterrâneas na escala do continente africano. Quando comparadas à técnicas mais convencionais, as principais vantagens do RFA incluem sua natureza não paramétrica, sua alta precisão preditiva e sua capacidade de determinar a importância da variável. Este último pode ser usado para entender melhor o papel individual e o efeito combinado de variáveis ​​explicativas em um modelo preditivo. Na ausência de um programa sistemático de monitoramento de águas subterrâneas na escala do continente Africano, o estudo utilizou um banco de dados de contaminação por nitrato em águas subterrâneas obtido a partir de uma meta-análise para testar a abordagem de modelagem; 250 estudos de poluição por nitrato em águas subterrâneas do continente Africano foram compilados usando os dados da literatura. Foi coletado um banco de dados em sistema de informações geográficas com 13 atributos espaciais, relacionados ao uso da terra, tipo de solo, hidrogeologia, topografia, climatologia, tipo de região e taxa de aplicação de fertilizantes nitrogenados, sendo estes atribuídos como preditores. O desempenho do RFA foi avaliado em comparação com os métodos de regressão linear múltipla (RLM). Através da RFA, foi possível estabelecer quais variáveis ​​explicativas influenciam a ocorrência de poluição por nitrato nas águas subterrâneas (densidade populacional, precipitação, recarga, etc.). Ambas as técnicas RFA e RLM identificaram a densidade populacional como a variável mais importante que explica a contaminação relatada por nitrato. No entanto, a RFA tem um poder preditivo muito mais alto (R² = 0.97) do que um modelo de regressão linear tradicional (R² = 0.64). A RFA é, portanto, considerada uma técnica muito promissora para a modelagem em grande escala da poluição das águas subterrâneas por nitrato.