使用高光谱数据对土壤中碳化合物污染的定量评估 - - 机器学习模型的比较研究

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:

• 土壤被碳化合物污染给环境带来了重大风险.
• 快速准确地评估碳化合物含量对于有效的整治至关重要.
• 传统的土壤分析方法可能耗时且劳动密集.

研究的目的:

• 评估机器学习 (ML) 和深度学习 (DL) 技术,用于预测土壤中的碳化合物污染.
• 评估高光谱成像与ML/DL结合用于土壤分析的有效性.
• 为了比较不同模型的性能,包括XGB回归器和神经网络,用于碳化合物预测.

主要方法:

• 用原油,柴油和汽油 (0-10,000 mg/kg) 合成污染的土壤样本 (粘土,泥土,沙土).
• 超光谱成像用于捕获光谱特征.
• 使用XGB回归器和神经网络模型进行分析,并使用气体染色学质谱法 (GC-MS) 作为参考值.
• 使用R平方和根平均平方误差 (RMSE) 评估模型性能.

主要成果:

• 模型实现了高预测准确度,R平方为0.96和RMSE为600mg/kg.
• 性能因石油类型和土壤基质而异;汽油的准确性较低.
• 通过减少过度装配,特征选择 (光谱带) 提高了模型性能.
• XGB回归器展示了准确性和稳健性的强大平衡.

结论:

• 与ML/DL模型相结合的高光谱分析对于评估土壤污染是有效的.
• 像XGB这样的集体模型适用于环境监测中的实际光谱应用.
• 这种方法提供了一种快速可靠的方法来检测土壤中的碳化合物污染.