实现可解释的机器学习,以观察量化环境约束下的土壤重金属度
Yishan Sun1, Shuisen Chen2, Hao Jiang3
1Guangdong Provincial Key Laboratory of Remote Sensing and Geographical Information System, Guangdong Open Laboratory of Geospatial Information Technology and Application, Guangdong Engineering Technology Research Center of Remote Sensing Big Data Application, Guangzhou Institute of Geography, Guangdong Academy of Science, Guangzhou 510070, China; Guangzhou Institute of Geochemistry, Chinese Academy of Sciences, Guangzhou 510640, China; University of Chinese Academy of Sciences, Beijing 100049, China.
The Science of the total environment
|March 26, 2024
概括
本研究引入了一个可解释的机器学习 (ML) 框架,使用光谱和环境数据准确估计土壤重金属度. 该模型提高了和的预测精度,有助于农业安全和污染控制.
科学领域:
- 环境科学 环境科学
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 机器学习 机器学习
背景情况:
- 监测土壤重金属污染对农业安全至关重要.
- 卫星遥感为推断重金属度提供了一种方法,但由于弱光谱反应和其他土壤成分的干扰,它面临着挑战.
- 现有的机器学习 (ML) 模型缺乏可解释性,阻碍了实际应用.
研究的目的:
- 开发一个可解释的ML框架来量化土壤重金属度.
- 调查光谱和环境因素 (pH,有机碳) 对重金属估计的贡献.
- 为了提高重金属在各种度梯度的预测准确度.
主要方法:
- 开发了一个可解释的ML框架,包括光谱数据,pH值和有机碳.
- 使用SHAP (夏普利添加式扩展) 值来分析每个因素的贡献.
- 评估了四个基于学习的场景,以确定 (Cr) 和 (Cd) 的最佳模型性能.
主要成果:
- 综合光谱,pH和有机碳 (SHC) 场景,以及光谱和pH (SH) 场景,显示了Cr和Cd的最佳性能.
- 当考虑环境因素时,Cr和Cd的光谱可预测性分别提高了67%和87%.
- SHAP分析提供了对光谱和环境变量对重金属预测影响的见解.
结论:
- 综合光谱和土壤环境因素的可解释的ML模型对于估计重金属在度梯度之间是有效的.
- 建议使用更高的有机碳含量和更低的pH值来提高Cr和Cd的预测.
- 这种方法促进了重金属污染的早期预警系统,并为采样策略提供了信息.
