创新的图形神经网络方法用于预测珠河流域土壤重金属污染,中国
Yannan Zha1, Yao Yang2,3
1Guangzhou Institute of Technology, Guangzhou, Computer Simulation Research and Development Center, 465 Huanshi East Road, Guangzhou, 510075, China. zhayannan@163.com.
Scientific reports
|July 17, 2024
概括
一个新的图形神经网络 (GNN) 模型准确地预测了土壤重金属 (HM) 含量和空间分布,通过结合空间依赖来实现更好的生态监测,优于现有方法.
科学领域:
- 环境科学 环境科学
- 地质化学 地质化学
- 数据科学数据科学数据科学
背景情况:
- 准确预测土壤重金属含量对于环境监测和土壤质量评估至关重要.
- 传统方法往往无法充分考虑土壤样本数据中固有的空间依赖.
- 解决这一局限性对于制定更有效的土壤污染管理战略至关重要.
研究的目的:
- 推出一种新的基于多尺度注意力的图形神经网络用于重金属预测 (MSA-GNN-HMP).
- 评估MSA-GNN-HMP模型与预测土壤HM含量和空间分布的传统方法的性能.
- 确定影响土壤重金属积累的关键地理因素.
主要方法:
- 开发和应用MSA-GNN-HMP模型,集成多尺度图形卷积网络 (MS-GCN) 和基于注意力的GNN (AGNN).
- 利用珍珠河流域的表面土壤样本进行模型培训和验证.
- 与其他四种预测模型进行比较分析,以评估预测准确性和空间表示能力.
主要成果:
- MSA-GNN-HMP模型实现了对 (Cd) 和 (Pb) 的优异预测性能,其中R2值分别为0.841和0.886.
- 该模型显示了Cd和Pb的最低平均绝对误差 (MAE) 和根平均平方误差 (RMSE).
- 度和经度被确定为影响重金属含量的重要特征,该模型在空间预测中显示了增强的细节.
结论:
- MSA-GNN-HMP模型在表示空间信息以准确预测重金属方面表现出强大的能力.
- 这种新的方法为加强土壤污染监测,评估和管理提供了坚实的理论基础.
- 该模型能够捕捉空间依赖性,从而更准确地预测重金属含量和分布.
