地理加权随机森林融合多源环境共变量,用于对土壤重金属的空间预测
Zijun Qin1, Qiuzhi Peng2, Changlei Jin1
1Faculty of Land Resource Engineering, Kunming University of Science and Technology, Kunming, 650093, China.
Environmental pollution (Barking, Essex : 1987)
|September 19, 2025
概括
地理加权随机森林 (GWRF) 通过考虑空间模式,准确预测土壤重金属分布. 这种方法改进了传统模型,有助于环境风险评估和粮食安全.
科学领域:
- 环境科学 环境科学
- 地理空间分析是什么
- 土壤科学 土壤科学
背景情况:
- 对土壤重金属的高效空间预测对于生态系统健康,农业和粮食安全至关重要.
- 传统的机器学习模型往往忽视空间自相关性,限制了预测准确性.
- 土壤受到重金属污染会造成严重的环境和健康风险.
研究的目的:
- 开发和评估一个地理加权随机森林 (GWRF) 模型,用于预测土壤重金属分布.
- 将GWRF性能与地理加权回归 (GWR) 和全球随机森林 (RF) 进行比较.
- 确定影响土壤重金属度的关键环境因素.
主要方法:
- 采用GWRF,这是RF的空间延伸,集成地形,空气质量,植被,土壤特性,人类活动和超频谱数据.
- 将GWRF与GWR进行比较,并优化了全球射频模型.
- 利用可解释机器学习 (MDI和SHAP) 来识别影响因素,并分析带宽/重量参数效应.
主要成果:
- 对于Cr,Pb,As和Hg,GWRF实现了卓越的预测准确性,R2值在0.303到0.561之间.
- GWRF显著超过了GWR (提高了209.18%) 和全球RF (提高了53.28%).
- 空气质量 (O3),地形,矿山附近和降雨量被确定为关键影响因素.
结论:
- GWRF是一种高效的方法,可以准确和可解释地绘制土壤重金属的空间图.
- 优化GWRF参数和整合本地/全球模型结果可以提高预测准确度.
- 这些发现为环境风险评估,污染源追踪和土地管理提供了宝贵的见解.
