基于转移学习的可解释土壤预测在云南吉矿区,云南
Ping He1,2,3, Xianfeng Cheng4,5, Xingping Wen1
1Faculty of Land Resources Engineering, Kunming University of Science and Technology, Kunming 650093, China.
Sensors (Basel, Switzerland)
|July 12, 2025
概括
本研究引入了一种使用SHAP分析的新型转移学习框架,用于在数据稀缺地区准确地预测土壤 (Pb). 与传统方法相比,该方法显著提高了预测准确度.
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
背景情况:
- 准确的土壤重金属预测对于环境监测和风险评估至关重要.
- 传统的土壤 (Pb) 含量光谱建模在小样本场景中面临局限性,原因是数据稀缺性和土壤性质的变化.
- 在数据有限的地区,为土壤污染物开发精确的预测模型仍然是一个重大挑战.
研究的目的:
- 提出和评估一种与SHAP分析集成的新型转移学习框架,用于在小样本场景中预测土壤Pb含量.
- 解决传统光谱建模方法在预测土壤Pb含量的局限性.
- 提高土壤重金属预测模型的准确性和可解释性.
主要方法:
- 使用1D-ResNet模型开发了一个转移学习框架,利用来自欧洲卢卡斯土壤数据库的pH数据作为源域.
- 提取了光谱特征并转移到一个目标域,包括来自Gejiu采矿区的130个土壤样本,用于Pb预测.
- 使用SHAP分析来解释模型的预测,并了解光谱特征的贡献.
主要成果:
- 转移学习模型 (ResNet-pH-Pb) 获得了0.77的优异R2,明显超过了直接建模方法 (PLS-Pb,SVM-Pb,ResNet-Pb).
- SHAP分析显示,该模型有效地传输了与pH相关的相关光谱特征 (550-750 nm,1600-1700 nm) 并优化了Pb特定的波长 (例如,919 nm,959 nm).
- 解释性分析澄清了用于土壤Pb预测的光谱特征和跨组件转移学习之间的相互作用.
结论:
- 拟议的转移学习框架与SHAP分析为土壤重金属预测提供了强大而准确的方法,特别是在样本数据有限的环境中.
- 这种方法为了解土壤科学中光谱预测和可解释性背后的机制提供了理论基础.
- 该研究表明,利用现有的数据集和先进的分析技术,可以克服环境监测中的数据稀缺性挑战.
