同时绘制工业场所多重金属的3D分布图,使用深度学习和多源辅助数据
Yuxuan Peng1, Yongcun Zhao2, Jian Chen1
1Institute of Soil Science, Chinese Academy of Sciences, Nanjing 210008, China; University of Chinese Academy of Sciences, Beijing 100049, China.
Journal of hazardous materials
|October 2, 2024
概括
一个新的基于补丁的多任务卷积神经网络 (MT-CNN) 准确地预测了3D土壤污染分布. 这种方法改善了工业场所的重金属映射,优于传统技术.
科学领域:
- 环境科学 环境科学
- 地理空间分析的研究.
- 机器学习 机器学习
背景情况:
- 准确的3D土壤污染物分布映射对于工业场所风险评估和整治至关重要.
- 传统方法在污染物变化和有限的3D数据方面扎,导致预测准确度低.
- 现有的模型往往无法捕捉到对于有效的污染评估至关重要的复杂的空间关系.
研究的目的:
- 开发和评估一种基于补丁的多任务卷积神经网络 (MT-CNN),用于同时进行3D土壤污染物分布预测.
- 评估MT-CNN模型的性能与已建立的方法比如随机森林 (RF),普通Kriging (OK) 和反向距离权重 (IDW) 相比.
- 调查MT-CNN在整合多源共变量以提高空间预测准确性的能力.
主要方法:
- 提出了一个基于补丁的多任务卷积神经网络 (MT-CNN) 模型.
- 综合社区补丁从多源共变量来捕获横向和垂直的污染信息.
- 同时预测了 (Zn), (Pb), (Ni) 和铜 (Cu) 的3D分布.
主要成果:
- 对于所有四种重金属,MT-CNN模型显著超过了RF,OK和IDW方法.
- 获得的R平方值为0.58 (Zn),0.56 (Pb),0.29 (Ni) 和0.23 (Cu).
- 与单任务CNN模型相比,显示出更稳定,更准确的预测,平衡训练效率和准确性.
结论:
- MT-CNN模型显示了同时绘制3D土壤污染物分布的巨大潜力.
- 它提供了一个低成本的,快速评估解决方案,用于工业场所的土壤污染.
- 该模型有效地整合了空间信息,以提高预测准确性和稳定性.
