一种基于3D-CNN的空间插值方法,用于土壤石油和碳化合物污染.
Sheng Miao1, Guoqing Ni1, Guangze Kong1
1School of Information and Control Engineering, Qingdao University of Technology, Qingdao, China.
PloS one
|January 24, 2025
概括
本研究引入了一个三维卷积神经网络 (3DCNN),用于精确地预测土壤碳化合物污染. 先进的3DCNN模型显著优于传统方法,为土壤管理和修复策略提供了可持续的工具.
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:
- 石油碳化合物污染严重影响土壤健康,需要准确的预测才能有效管理.
- 传统的土壤分析方法和现有的机器学习方法在处理空间数据和假设方面存在局限性.
研究的目的:
- 探索三维卷积神经网络 (3DCNN) 在评估土壤污染时进行空间插值的应用.
- 通过结合道注意力机制 (CAM) 来提高预测准确度,用于加权辅助变量分配.
主要方法:
- 利用与CAM集成的3DCNN模型进行土壤碳化合物含量的空间插值.
- 收集了土壤污染数据,并使用钻探数据集验证了模型.
- 将3DCNN方法与传统的Kriging3D和支持向量回归进行了比较.
主要成果:
- 拟议的3DCNN方法实现了高精度 (R2 = 0.954).
- 这显著优于Kriging3D (R2 = 0.318) 和支持向量回归 (R2 = 0.582).
- 生成的空间分布图准确地反映了土壤污染水平.
结论:
- 与CAM一起的3DCNN为土壤碳化合物污染评估提供了一种优越和可持续的方法.
- 这种方法为土壤整治和环境管理的决策者提供了宝贵的工具.
- 这项研究在环境科学中推进了空间互叠技术.
