使用机器学习预测合体释放的控制因素
Sangar Khan1, Huimin Gao1, Paul Milham2
1Department of Geography and Spatial Information Techniques, Ningbo University, Ningbo, 315211, China; Donghai Institute, Ningbo University, Ningbo, 315211, China; Zhejiang Collaborative Innovation Center for Land and Marine Spatial Utilization and Governance Research, Ningbo University, Ningbo, 315211, China.
体总有机碳 (TOC) 显著影响体 (CP) 从土壤中的释放. 先进的机器学习模型,特别是XGBoost,准确地预测CP释放,优于传统方法.
科学领域:
- 环境科学 环境科学
- 土壤科学 土壤科学
- 水质管理水质管理
背景情况:
- 从土壤中释放的体 (CP) 是影响水质的关键因素.
- 传统模型难以捕捉复杂的土壤-CP释放动态.
- 了解各种土地使用 (农田,沙漠,森林) 中的CP释放驱动因素至关重要.
研究的目的:
- 确定各种土壤类型中CP释放的主要决定因素.
- 为了比较机器学习 (ML) 和CP发布的传统模型的预测性能.
- 调查土壤特性 (Fe,Al,Ca,TOC) 和降水对CP释放的影响.
主要方法:
- 使用结构方程建模 (SEM),多重线性回归 (MLR),随机森林 (RF),支向量回归 (SVR) 和极端梯度提升 (XGBoost).
- 使用的土壤铁 (Fe), (Al), (Ca),总有机碳 (TOC) 和降水作为独立变量.
- 应用了夏普利增量解释 (SHAP) 和部分依赖图,用于模型解释.
主要成果:
- 结合体-酸盐 (Fe,Al,Ca) 和结合体-TOC被确定为CP释放的强有力的驱动因素.
- 降水和pH对CP释放的影响较弱.
- XGBoost表现出卓越的性能 (R2 = 0.94,RMSE = 0.09),其中体TOC是最关键的预测因素.
结论:
- 与MLR,RF和SVR相比,SHAP增强的XGBoost模型在预测土壤CP释放方面提供了更高的准确性.
- 体TOC是影响不同土地用途中土壤CP释放的最重要的变量.
- 研究结果为管理含量和减轻水质影响提供了宝贵的见解.
更多相关视频
10:49Laboratory-determined Phosphorus Flux from Lake Sediments as a Measure of Internal Phosphorus Loading
Published on: March 6, 2014
08:21Optimized Procedure for Determining the Adsorption of Phosphonates onto Granular Ferric Hydroxide using a Miniaturized Phosphorus Determination Method
Published on: May 18, 2018
相关概念视频
Factors Affecting Solubility
The Phosphorus Cycle
Photoluminescence: Applications
