一种新的方法来确定土壤中的重金属的背景度和空间分布,使用大规模的机器学习与遥感-地形属性相结合
Magboul M Sulieman1,2,3, Fuat Kaya4, Abdullah S Al-Farraj1
1Department of Soil Science, College of Food and Agriculture Sciences, King Saud University, P.O. Box 2460, 11451, Riyadh, Saudi Arabia.
MethodsX
|February 7, 2025
概括
一种新方法使用遥感和机器学习来绘制土壤重金属 (HM) 地图,并确定原始地区的背景度. 这种方法有助于环境监测和污染预防,这对于保护生态系统和人类健康至关重要.
科学领域:
- 环境科学 环境科学
- 地质化学 地质化学
- 遥感 遥感 遥感 遥感
背景情况:
- 土壤重金属 (HM) 构成重大环境和人类健康风险.
- 防止原始和工业化前地区的HM污染是全球优先事项.
- 准确地绘制背景HM度的地图对于有效的监测至关重要.
研究的目的:
- 开发一种新的方法来确定八种土壤HM (Co, Cr, Cu, Fe, Mn, Ni, Pb, Zn) 的背景度.
- 以数字地图绘制这些HM在不受影响地区的空间分布.
- 评估遥感和机器学习对HM预测的有用性.
主要方法:
- 结合了52个环境共变量 (ECOV) 的土壤HM测量,这些共变量来自Landsat 8/9 OLI和SRTM衍生地形属性.
- 采用随机森林 (RF) 和逐步多重线性回归 (SMLR) 进行数字绘图.
- 利用机器学习算法来分析ECOV和HM积累之间的关系.
主要成果:
- 提出的方法有效地预测了土壤HM度及其空间变异性.
- 遥感和DEM衍生的ECOV被证明是预测和绘制土壤HMs的有价值的.
- 可解释算法 (RF,SMLR) 成功利用ECOV来确定大面积的背景HM度.
结论:
- 这种新的方法提供了一种有效的方法来预测土壤HM,并绘制它们在广泛地区的分布图.
- 将机器学习与RS/DEM衍生的ECOV集成,克服了传统HM确定方法的局限性.
- 这种方法对于未来在类似生态系统中监测和管理环境污染至关重要.


