揭开城市土壤的秘密:在柏林的重金属污染研究中,机器学习和光谱学考虑了空间数据
Mahsa Nakhostin Rouhi1, Mohammadmehdi Saberioon2, Mohsen Makki3
1Department of Remote Sensing and GIS, Faculty of Geography, University of Tehran, 1417853933, Tehran, Tehran, Iran.
Environmental monitoring and assessment
|July 19, 2025
概括
机器学习模型准确地预测了柏林重金属 (HM) 土壤污染. 按土地使用分层数据提高了对和等特定金属的预测准确度.
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:
- 柏林面临着历史重金属 (HM) 排放造成的严重土壤污染.
- 准确地绘制HM度的地图对于环境管理和风险评估至关重要.
研究的目的:
- 应用机器学习 (ML) 技术来预测柏林土壤中的HM度.
- 评估将空间背景 (土地利用/土地覆盖) 纳入预测准确性的影响.
主要方法:
- 使用了667个土壤样本的数据集,以及9个HM (As,Cd,Co,Cr,Cu,Mn,Ni,Pb,Zn) 的光谱数据.
- 采用了四种ML算法:部分最小平方回归 (PLSR),支持向量机回归 (SVMR),随机森林 (RF) 和高斯过程回归 (GPR).
- 土壤样本分为五个土地使用/土地覆盖 (LULC) 类别:公园,森林,农田,交通区域和建筑用地.
主要成果:
- 在完整的数据集中,SVMR实现了 (R2 = 0.65) 的最佳整体预测.
- 分层建模显示性能有所改善:农田中的PLSR (R2 = 0.77) 和交通区域中的RF (R2 = 0.82).
- 与非分层预测相比,纳入LULC分层增强了模型准确性.
结论:
- 机器学习模型是预测城市地区土壤HM度的有效工具.
- 整合空间数据,如LULC,显著提高了HM污染预测模型的准确性.
- 这种方法为污染地区的有针对性的土壤整治和城市规划提供了宝贵的见解.


