使用多端机器学习模型预测欧洲土壤中的,和

科学领域:

• 环境科学 环境科学
• 土壤科学 土壤科学
• 机器学习 机器学习

背景情况:

• 重金属土壤污染对环境和公共卫生构成重大风险,特别是在工业和农业地区.
• 现有的预测模型往往侧重于单一污染物,限制了全面的环境评估.
• 对多种重金属的准确预测对于有效的土壤管理和修复至关重要.

研究的目的:

• 开发和评估一个先进的多端集体卷积神经网络,用于同时预测欧洲土壤中的,和度.
• 为了比较不同组合学习技术的性能,用于重金属污染预测.
• 确定影响土壤金属度的关键环境和人为因素.

主要方法:

• 使用18个因素 (土壤特性,气候,人为活动) 的数据集开发多端集合卷积神经网络模型.
• 四种组合技术的比较:简单的平均化,快照组合,集成堆叠和单独堆叠.
• 使用平均平方误差,平均绝对误差和确定系数验证模型准确性.
• 敏感性分析以确定关键影响因素.
• 开发基于GUI的网络应用程序,用于实时预测.

主要成果:

• 与随机森林回归元模型的单独堆叠模型显示了最高的准确性 (R2=0.79,MSE=0.0378,MAE=0.0785).
• 影响金属度的关键因素包括农业面积,道路长度,含量和年平均温度.
• 成功开发了一个基于GUI的功能性Web应用程序,用于用户友好的预测.

结论:

• 先进的集体机器学习模型提供了一个强大的工具,用于在土壤中同时预测多种污染物.
• 开发的模型和应用程序可以显著帮助环境监管机构和政策制定者进行有针对性的土壤整治和管理.
• 环境科学的综合方法对于加强土壤健康监测和促进可持续土地利用至关重要.