使用基于高频谱特征带的机器学习方法逆转土壤中的重金属含量
Zhiyong Zou1, Qianlong Wang1, Qingsong Wu1
1College of Mechanical and Electrical Engineering, Sichuan Agricultural University, Ya'an, 625014, China.
Journal of environmental management
|March 8, 2024
概括
准确的土壤重金属预测至关重要. 这项研究开发了一种使用高光谱数据的整体机器学习模型,其性能优于用于可靠重金属 (As,Cd,Cr,Cu,Ni,Pb) 倒置的传统方法.
科学领域:
- 环境科学 环境科学
- 地质科学是地球科学.
- 数据科学数据科学数据科学
背景情况:
- 土壤中的重金属污染对环境构成重大风险.
- 准确监测土壤中的重金属含量对于环境保护和风险评估至关重要.
研究的目的:
- 开发和评估一种先进的反转模型,用于预测六种土壤重金属 (As,Cd,Cr,Cu,Ni,Pb).
- 调查高光谱数据与机器学习相结合的有效性,特别是集体学习,用于土壤重金属分析.
主要方法:
- 利用来自中国各地21种土壤参考材料的超光谱数据.
- 采用预处理算法和随机森林 (RF) 来进行特征频段选择.
- 开发了一个集成学习 (堆叠RF) 模型,XGBoost,LightGBM,CatBoost作为基础学习者,RF作为元模型.
主要成果:
- 与传统的机器学习方法相比,堆叠射频模型显示出更高的准确性和稳定性.
- 集体学习模型,特别是MF-RF-堆叠模型,在重金属倒置中实现了最佳性能.
- 确定了关键的超谱特征带,对于准确地预测土壤重金属至关重要.
结论:
- 机器学习,特别是合奏方法,为土壤重金属反转提供了强大的方法.
- 拟议的MF-RF-堆叠模型为监测土壤重金属污染提供了强大而准确的解决方案.
- 这项研究为利用高光谱数据和集体学习进行环境土壤分析提供了新的视角.
