土壤度的空间预测:一个多模型预测系统,具有新的评估指标

科学领域:

• 环境科学 环境科学
• 地理空间分析的研究.
• 土壤科学 土壤科学

背景情况:

• 土壤 (Cd) 空间预测面临诸如非线性关系,数据集成和模型不稳定性等挑战,特别是在小样本大小的情况下.
• 现有的评估指标可能无法完全捕捉预测模型的稳定性和空间稳定性.

研究的目的:

• 开发一个模块化,自动化的多模型预测系统 (MMPS),用于在小样本条件下增强土壤Cd空间预测.
• 引入和验证新的评估指标:全球性能指标 (GPM) 强度和全球平均局部标准偏差 (GMLSD) 空间稳定性.

主要方法:

• 在MMPS框架内集成的地理统计,确定性和机器学习算法.
• 通过使用多来源数据 (遥感,地形,土壤特性) 来比较来自中国矿山流域的149个样本的12种不同模型.
• 引入GPM和GMLSD用于评估不同随机种子的模型性能和空间预测稳定性.

主要成果:

• 该MMPS实现了高预测准确度,光梯度增强机 (LGBM) 模型显示出卓越的性能 (全球R2 = 0.614).
• 与传统指标相比,GPM提供了更一致的评估,将绩效标准偏差降低了高达88.6%.
• 地形数据显著提高了模型性能 (53.5%),而机器学习模型虽然准确,但空间稳定性较低 (更高的GMLSD).

结论:

• MMPS为土壤污染管理和环境空间预测提供了高精度,低成本的智能工具.
• 新的评估框架提高了环境预测模型的可靠性.
• 这项研究为可扩展和可靠的污染控制策略建立了新的范式.