机器学习模型具有创新的异常检测技术,用于预测土壤中的重金属污染

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:

• 机器学习 (ML) 模型对于预测土壤重金属 (HM) 污染至关重要.
• 数据集的异常值可能会损害机器学习模型的可靠性和准确性.
• 了解异常效应对于强有力的环境监测至关重要.

研究的目的:

• 评估数据异常值对ML模型性能的影响,用于预测土壤HM (Cr,Ni,Cd,Pb).
• 评估将ML与用于异常值检测和HM预测的先进统计方法相结合的有效性.
• 为了确定影响HM度和污染的空间模式的土壤因素.

主要方法:

• 应用了十个ML模型和三种异常检测方法来检测Narayanganj的土壤数据.
• 使用XGBoost与基于密度的应用程序与噪声的空间聚类 (DBSCAN) 来处理异常值.
• 使用的特征重要性,污染因子,LISA和莫兰的I用于空间分析和污染评估.

主要成果:

• 使用DBSCAN的XGBoost显著提高了Cr (11.11%),Ni (6.33%),Cd (14.47%) 和Pb (5.68%) 的R平方值.
• 土壤因素解释了HM度的显著差异:Cr (80%),Ni (72.61%),Cd (53.35%),Pb (63.47%).土壤因素解释了HM度的显著差异:Cr (80%),Ni (72.61%),Cd (53.35%),Pb (63.47%).
• LISA 和 Moran's I 显示了 Cd,Cr 和 Pb 的显著空间自相关性和聚类,污染水平相当高.

结论:

• 数据异常值明显影响了ML模型在土壤HM预测中的准确性.
• 结合ML-DBSCAN方法为环境污染物的评估提供了更高的可靠性.
• 根据空间污染模式确定了需要紧急保护干预的高风险地区.