使用机器学习和空间区域化指数增强的农业土壤中重金属的改进绘图
Xudong Ma1, Dong-Xing Guan2, Chaosheng Zhang3
1School of Earth Sciences and Resources, China University of Geosciences, Beijing 100083, China.
Journal of hazardous materials
|August 8, 2024
概括
用随机森林模型与空间区域化指数实现了中国广西重金属土壤污染的准确绘制. 这种方法确定了热点和数以百万计的风险,为土壤管理和粮食安全战略提供了信息.
科学领域:
- 环境科学 环境科学
- 土壤科学 土壤科学
- 地理空间分析是什么
背景情况:
- 准确地绘制农业土壤中重金属的空间地图,对于环境管理和粮食安全至关重要.
- 传统的插值和当前的机器学习方法在准确预测重金属分布方面存在局限性.
研究的目的:
- 为了完善重金属分布在广西的空间预测,中国的农业土壤.
- 将机器学习模型与空间区域化指数 (SRIs) 集成,以提高准确性.
主要方法:
- 利用随机森林 (RF),人工神经网络,并支持矢量回归模型.
- 综合空间区域化指数 (SRIs) 和用于特征选择的层次分类.
- 用8种重金属测试数据的R平方值验证模型性能.
主要成果:
- 结合SRIs的随机森林模型实现了8种重金属的R平方值超过0.96,优于其他模型.
- 优化的射频模型准确地预测了重金属分布,中西部地区的水平更高,北部和南部地区的水平更低.
- 确定了25.78%的农业土壤是多重重金属的热点,超过641万人暴露在过度水平.
结论:
- 综合RF和SRI方法提供了农业土壤中重金属分布的准确空间预测.
- 调查结果强调了土壤污染的重要热点和公共卫生风险,需要有针对性的土壤污染控制和管理策略.
- 该研究为通过有效的农业土壤管理来保障粮食安全和公共健康提供了宝贵的见解.
