使用机器学习方法对地化学绘图的预测有效性的评估:来自中国广东省北部的案例研究
Songjian Lv1, Ying Zhu1, Li Cheng1
1Center for Health Geology & Carbon Peak and Carbon Neutrality of Lanzhou University, Key Laboratory of Western China's Environmental Systems (Ministry of Education), College of Earth and Environmental Sciences, Lanzhou University, Lanzhou 730000, China.
这项研究评估了七种机器学习模型,用于土壤中的地球化学测绘. 改进的模型,特别是随机森林和梯度增强决策树,与传统方法相比,显著提高了预测准确性.
科学领域:
- 地质化学 地质化学
- 环境科学 环境科学
- 机器学习应用 机器学习应用
背景情况:
- 土壤中的污染造成了由于人类活动和母体材料造成的重大毒性风险.
- 准确预测土壤中的元素空间分布是环境管理的关键研究领域.
- 像普通 kriging (OK) 这样的传统方法在地化学绘图准确性方面存在局限性.
研究的目的:
- 为了比较七个机器学习模型的准确性与地球化学绘图的普通 kriging.
- 调查空间区域化 (SR) 协变量指数对模型性能的影响.
- 确定影响土壤中重金属元素预测准确性的因素.
主要方法:
- 评估了七种机器学习模型:随机森林 (RF),支持向量机 (SVM),回归 (Ridge),梯度增强决策树 (GBDT),人工神经网络 (ANN),K-最近邻居 (KNN) 和高斯过程回归 (GPR).
- 从中国连州市收集了2908个地表土壤样本,用于分析.
- 使用R平方 (R2) 值进行模型性能比较,无论是否添加空间区域化 (SR) 协变量指数.
主要成果:
- 最初,RF (R2=0.445) 和GBDT (R2=0.414) 的表现并没有超过普通的战争 (R2=0.459).
- 添加SR共变量指数显著改善了RF和GBDT的性能,将R2提升到0.78.
- 里奇 (R2=0.201) 和GPR (R2=0.248) 显示出最差的初始性能,GPR在增强后的改善最小.
结论:
- 机器学习模型,特别是当与空间共变量增强时,可以提高地球化学绘图的准确性.
- 模型选择至关重要;并非所有机器学习算法都在空间预测任务中表现同样好.
- 诸如区域差异和采样策略等因素显著影响预测准确性,应予以考虑.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
相关概念视频
Manipulation and Analysis
Levels of Use of a GIS
Selected Data About Geographic Locations
Methods of Obtaining Topography
