一个新的图形卷积神经网络模型用于预测土壤Cd和As污染:影响因素的识别和可解释性
Ren-Jie Zhang1, Xiong-Hui Ji1, Yun-He Xie2
1Longping Branch, College of Biology, Hunan University, Changsha 410125, China; Key Lab of Prevention, Control and Remediation of Soil Heavy Metal Pollution, Hunan Institute of Agro-Environment and Ecology, Hunan Academy of Agricultural Sciences, Changsha 410125, China; Ministry of Agriculture Key Lab of Agri-Environment in the Midstream of Yangtze River Plain, Changsha 410125, China.
Ecotoxicology and environmental safety
|February 20, 2025
概括
一个新的DistNet-GCN模型通过分析空间关系,准确地预测土壤中的 (Cd) 和 (As) 度. 该方法改进了传统模型,识别了影响有毒金属分布的关键环境因素.
科学领域:
- 环境科学 环境科学
- 地理空间分析是什么
- 机器学习 机器学习
背景情况:
- 土壤因 (Cd) 和 (As) 等有毒金属而受到污染,威胁着生态系统和人类健康.
- 预测有毒金属度对于土壤环境安全至关重要,但由于空间异质性和复杂的环境因素相关性,具有挑战性.
- 现有的模型难以捕捉影响有毒金属分布的复杂空间关系.
研究的目的:
- 引入和评估一个新的图形卷积神经网络 (GCN) 模型,DistNet-GCN,用于预测土壤Cd和As度.
- 为了提高预测准确度,利用采样点和环境因素之间的空间关系.
- 确定驱动土壤Cd和As空间分布的关键环境因素.
主要方法:
- 开发了DistNet-GCN,一个图形卷积神经网络模型,使用采样点位置作为节点,环境因素作为属性.
- 训练模型提取节点间的依赖关系,并模仿土壤金属度和影响因素之间的关系的传输.
- 与多重线性回归 (MLR) 进行DistNet-GCN性能比较,使用R平方值和分析的空间自相关性与莫兰的I.
主要成果:
- DistNet-GCN实现了土壤Cd (R2=0.91) 和As (R2=0.94) 的高预测准确度,相应地超过了MLR的21.33%和9.30%.
- 解释性分析确定了城市人类活动,采矿,pH值和土壤有机物 (SOM) 作为影响Cd和As分布的关键因素.
- 高莫兰的I值 (Cd:0.796,As:0.897) 验证了模型的结构稳定性和金属度的空间自相关性.
结论:
- DistNet-GCN提供了一种新且有效的方法,通过将空间图形结构与深度学习相结合,预测土壤中有毒金属度.
- 该模型成功地捕捉了复杂的空间关系,并确定了土壤污染的重要环境驱动因素.
- 这项研究为土壤的环境安全提供了有价值的工具,并了解有毒金属和环境因素之间的相互作用.
