机器学习用于对捷克农田中潜在有毒元素的超值概率进行预测映射

科学领域:

• 环境科学 环境科学
• 土壤科学 土壤科学
• 地质化学 地质化学
• 数据科学数据科学数据科学

背景情况:

• 有效的土地管理需要准确的土壤属性地图,用于决策和遵守安全指南.
• 大规模的预测性土壤绘制在有效利用广泛的共同变量数据和空间代理数据方面面临挑战.
• 评估农业土壤中的潜在有毒元素 (PTEs) 对环境保护和食品安全至关重要.

研究的目的:

• 评估基于加权指标的随机森林模型的性能,用于预测捷克农田中PTE超值概率.
• 确定影响耕地中PTE水平的关键自然和人为驱动因素.
• 为土壤安全评估和土地管理生成可靠的预测地图.

主要方法:

• 使用基于加权指标的随机森林模型来预测11个PTE (As,Be,Cd,Co,Cr,Cu,Hg,Ni,Pb,V,Zn) 的超值概率.
• 使用基于回归的高密度监测数据的协调来生成模型的输入权重.
• 使用两个指标集来训练模型,这些指标集反映了捷克对不同表层土壤纹理的安全指南,并使用元模型组合了输出.

主要成果:

• 这些模型对PTE概率分布具有相对较高的预测能力,根平均平方误差在11% (V) 到32% (Cd和Cr) 之间.
• 高分辨率的辅助变量可以定量识别显著的自然 (石质学,地质物理数据) 和人为 (大气颗粒物,土地利用) 驱动因素.
• 空间显式共变量,特别是地理距离,是主要的预测因素,与其他变量的显著贡献一起.

结论:

• 基于加权指标的随机森林模型对农业土壤中PTE的大规模预测测绘非常有效.
• 了解自然和人为因素的影响对于管理土壤污染风险至关重要.
• 生成的概率图为优化土地管理和确保遵守安全指南提供了有价值的信息.