一个地理加权的神经网络模型用于沿海城市中重金属铜的数字土壤映射
Yun Zeng1, Tiezhu Shi1, Qian Liu2
1School of Architecture and Urban Planning, Shenzhen University, Shenzhen 518060, China; State Key Laboratory of Subtropical Building and Urban Science & Guangdong-Hong Kong-Macau Joint Laboratory for Smart Cities & MNR Key Laboratory for Geo-Environmental Monitoring of Great Bay Area & Guangdong Key Laboratory of Urban Informatics, Shenzhen University, Shenzhen 518060, China.
一个新的地理加权神经网络 (GWNN) 模型准确地绘制了土壤铜 (Cu) 的分布图. 这种深度学习方法改善了预测,并减少了数字土壤绘图中的不确定性.
科学领域:
- 环境科学 环境科学
- 地理空间分析的研究.
- 土壤科学 土壤科学
背景情况:
- 评估土壤中的重金属分布对于人类健康和可持续的土地管理至关重要.
- 空间自相关性和非线性关系使准确的土壤重金属映射复杂化.
研究的目的:
- 开发和评估一种新的地理加权神经网络 (GWNN) 模型,用于绘制土壤铜 (Cu) 分布的地图.
- 将GWNN模型的性能与GWR,XGBoost和ANN等传统和机器学习方法进行比较.
主要方法:
- 提出了一个结合地理加权回归 (GWR) 和卷积神经网络 (CNN) 的GWNN模型.
- 极端梯度增强 (XGBoost) 确定了影响土壤Cu. Cu. 的关键环境共变量.
- 模型性能使用10倍交叉验证和预测不确定性通过引导式分析量化来评估.
主要成果:
- 对于土壤Cu度,GWNN模型实现了最高的预测准确度 (R2 = 0.60).
- 温度共变量被确定为最重要的预测因素.
- 该GWNN模型显示了较低的预测不确定性,与XGBoost和ANN可比,并且优于GWR.
结论:
- GWNN模型为数字土壤绘图提供了重大进步,提供了准确的预测和可靠的不确定性估计.
- 这种方法有效地解决了土壤重金属数据中的空间自相关性和非线性关系.
- 这些发现支持改进风险评估和可持续的土壤资源管理.
更多相关视频
09:44Use of Principal Components for Scaling Up Topographic Models to Map Soil Redistribution and Soil Organic Carbon
Published on: October 16, 2018
12:03Two-Dimensional Visualization and Quantification of Labile, Inorganic Plant Nutrients and Contaminants in Soil
Published on: September 1, 2020
