评估和机器学习预测采矿农田中的重金属命运,辅助正矩阵因数分解
Zhaoming Chen1, Shengli Wang1, Jun Xu1
1Technology Research Center for Pollution Control and Remediation of Northwest Soil and Groundwater, College of Earth and Environmental Sciences, Lanzhou University, Lanzhou, 730000, China.
Journal of environmental management
|November 24, 2023
概括
机器学习模型有效地预测矿区的土壤重金属. 结合正矩阵分解 (PMF) 和机器学习,如随机森林 (RF),可以改善重金属预测和风险评估.
科学领域:
- 环境科学 环境科学
- 地质化学 地质化学
- 数据科学数据科学数据科学
背景情况:
- 准确预测土壤重金属 (HM) 对环境监测和风险评估至关重要.
- 在土壤污染物预测中的机器学习 (ML) 应用仍未得到充分探索.
- 由于潜在的重金属污染,采矿活动带来了重大风险.
研究的目的:
- 开发和评估一个正矩阵因子化 (PMF) 辅助的机器学习方法,用于预测采矿农田土壤中的重金属.
- 为了比较不同的数据预处理技术和机器学习算法的性能,用于HM预测.
- 评估HMs总度,特征分数和风险分类的预测准确性.
主要方法:
- 开发了一种使用支持矢量机 (SVM) 和随机森林 (RF) 的PMF辅助预测方法.
- 使用主要组件分析 (PCA) 和冗余分析 (RDA) 进行数据预处理.
- 使用R值和ROC曲线下的面积 (AUC) 等指标评估模型性能.
主要成果:
- (Cd) 被确定为具有高风险的主要污染物; (Pb) 显示出高流动性.
- 在PMF>简单>PCA>PCA-PMF等级证明了PMF在预测总HM度的有效性.
- 随机森林 (RF) 一般优于支持矢量机 (SVM),RDA预处理提高了模型的准确性.
- 在Pb风险分类中,PMF-RF方法取得了良好的结果 (AUC = 0.896).
结论:
- PMF和ML的组合为预测土壤重金属提供了一个强大的方法.
- PMF可以有效地提供重金属的空间加权属性.
- 这种综合方法增强了污染地区的环境监测和风险评估.
