土地对尘埃排放的敏感性的空间绘制,使用专注可解释表格式学习 (TabNet) 模型的优化

科学领域:

• 环境科学 环境科学
• 遥感 遥感 遥感 遥感
• 人工智能的人工智能

背景情况:

• 尘埃污染严重影响人类健康,空气质量和食品安全.
• 准确的尘埃发生识别和易感性测绘对于缓解策略至关重要.

研究的目的:

• 使用卫星图像检测尘埃发生情况,并为伊朗布什尔省开发尘埃易感性地图 (DSM).
• 为了增强注意的可解释表格式学习 (TabNet) 模型,使用基于集群的元启发算法来改进尘埃建模.

主要方法:

• 利用了2002-2022年的中等分辨率成像光谱辐射仪 (MODIS) 图像,以创建尘埃发生的空间数据库.
• 纳入了15个有影响力的标准,包括气候,土壤,地形和土地覆盖.
• 增强了TabNet模型的粒子优化 (PSO),灰狼优化器 (GWO) 和饥饿游戏搜索 (HGS),将它们的性能与基础TabNet模型进行比较.

主要成果:

• TabNet-Hunger Games Search (HGS) 模型在训练和测试阶段都表现出卓越的性能,达到高精度 (R2=0.959训练,R2=0.947测试).
• 接收器操作特征 (ROC) 曲线分析证实了增强模型的高准确性,TabNet-HGS实现了0.994.99的曲线下面面积 (AUC) 的最高值.
• 所有基于群体的元启发算法增强的TabNet模型 (TabNet-HGS,TabNet-PSO,TabNet-GWO) 在粉尘敏感性建模中显著超过了基本TabNet模型.

结论:

• 将基于群体的元启发算法与TabNet模型集成,显著提高了尘埃易感性建模的准确性.
• 开发的尘埃易感性地图为研究区域的尘埃来源,途径和环境/健康影响提供了关键的见解.
• 该研究验证了先进的人工智能和优化技术对环境监测和风险评估的有效性.