空间机器学习框架用于在高地化学背景地区快速识别土壤风险

科学领域:

• 环境科学 环境科学
• 地质化学 地质化学
• 土壤科学 土壤科学

背景情况:

• 准确识别土壤 (Cd) 风险在具有高地质化学背景水平的农田中具有挑战性.
• 使用风险评估代码 (RAC) 预测土壤Cd流动性对于区域生态风险评估至关重要,但由于复杂因素和异质性,其空间预测准确性受到限制.

研究的目的:

• 研究土壤Cd流动性的空间分布模式在地地区.
• 通过将空间关系集成到机器学习模型中,提高土壤Cd流动性的空间预测准确度.

主要方法:

• 用地理加权回归分析来探索土壤特性与RAC值之间的局部相关性.
• 开发了一个随机森林模型,将空间关系作为共变量,以提高预测准确度.

主要成果:

• 土壤Cd风险非常高的地区集中在黑页岩和采矿区,这表明了空间异质性.
• 与非空间方法 (R2 = 0.80) 相比,集成空间信息的机器学习模型实现了显著更高的预测准确性 (R2 = 0.96).

结论:

• 开发的机器学习模型为识别土壤Cd风险和理解Cd地质化学行为提供了改进的框架.
• 这种方法支持高地化学背景水平的地区的有针对性的污染预防和控制战略.