相关实验视频
Updated: May 10, 2025

Watershed Planning within a Quantitative Scenario Analysis Framework
Published on: July 24, 2016
基于机器学习和SHAP可解释模型的土壤污染风险预测在中国南西湖,中国
Min Wang1, Ruilin Zhang1, Beibei Yan2
1College of Earth Science and Engineering, Shandong University of Science and Technology, Qingdao 266590, China.
机器学习准确地预测了南西湖土壤污染风险,确定了和作为主要威胁. 这种方法将污染分为无,低和高风险级别,用于有针对性的环境管理.
科学领域:
- 环境科学 环境科学
- 地质化学 地质化学
- 数据科学数据科学数据科学
背景情况:
- 南西湖面临着严重的土壤污染挑战,主要来自重金属.
- 评估和预测土壤污染对于环境保护和风险管理至关重要.
研究的目的:
- 开发和验证用于预测南西湖地区土壤污染风险的机器学习模型.
- 将污染负载指数 (PLI) 和潜在生态风险指数 (PERI) 等传统指数与机器学习相结合,以提高准确性.
- 确定导致土壤污染的主要重金属污染物.
主要方法:
- 使用的机器学习模型包括支持矢量机 (SVM),决策树分类器 (DT),随机森林 (RF) 和XGBoost.
- 利用统计特征,PLI和PERI创建了三类污染风险分类 (没有,低风险,高风险).
- 应用了SHapley添加式解释 (SHAP) 来实现模型的解释性,以确定重要的污染驱动因素.
主要成果:
- 对于土壤污染风险,XGBoost模型实现了93%的最高预测准确度.
- SHAP分析发现 (Cd) 和 (Hg) 是土壤污染风险的重要贡献者.
- 综合方法成功地将土壤污染分为"0级无风险"",1级低风险"和"2级高风险".
结论:
- 机器学习,特别是XGBoost,为预测土壤污染风险提供了一个高度准确的方法.
- 和是关键污染物,需要在南西湖地区制定有针对性的管理策略.
- 开发的评估框架为环境监测和决策提供了一个强大的工具.
更多相关视频
09:44Use of Principal Components for Scaling Up Topographic Models to Map Soil Redistribution and Soil Organic Carbon
Published on: October 16, 2018
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
相关概念视频
Steps in Outbreak Investigation
Design Example: Analyzing Capacity Contours for Flood Risk Assessment