使用改进的机器学习方法,精确预测复杂的采矿地形中土壤重金属的空间分布

科学领域:

• 环境科学 环境科学
• 地理空间分析的研究.
• 地质化学 地质化学

背景情况:

• 重金属 (HM) 空间分布预测对于采矿区污染管理至关重要.
• 复杂的地形和可变的污染物运输对准确的HM预测构成了挑战.
• (As) 污染是采矿地区的一个重大问题.

研究的目的:

• 为了优化 (As) 在Shimen realgar矿区分布的空间预测.
• 整合机器学习模型与 kriging 插值和特征选择.
• 在复杂的环境中提高重金属污染测绘的准确性.

主要方法:

• 采用机器学习模型,包括随机森林 (RF).
• 使用了 kriging 插值技术 (普通 kriging,地理加权回归 kriging,随机森林回归 kriging - RFRK).
• 应用特征选择方法 (重要性分析,递归特征消除) 用于模型优化.

主要成果:

• 随机森林 (RF) 模型在预测土壤As度方面显示出高性能 (R2=0.84).
• 随机森林回归造 (RFRK) 与其他造方法相比,实现了更高的精度 (R2 = 0.78).
• 特性选择提高了5%的预测准确度,并减少了8%-12.4%的误差.

结论:

• 优化的RFRK模型准确地绘制了As空间分布,显示了从炼厂向外扩散.
• 在高度污染的复杂地形中,特征选择对于提高预测准确性至关重要.
• 这项研究为在类似的采矿区进行污染物空间预测提供了实用框架.