在土壤重金属的空间预测中应用基于半波量图的KNN算法

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:

• 准确地绘制土壤重金属地图对于环境风险评估和整治至关重要.
• 传统方法在稀疏的数据和高可变性方面扎,限制了预测的准确性.

研究的目的:

• 用有限的监测样本提高土壤重金属空间预测的准确性.
• 通过整合地理统计学原则来完善K-最近邻近 (KNN) 算法.

主要方法:

• 开发了一种基于半波色图的KNN (SV-KNN) 模型.
• 使用半波量图来优化KNN中的重量分配和K值.
• 应用并将SV-KNN与IDW,OK,KN,DW-KNN和RF进行土壤重金属插曲.

主要成果:

• 与传统方法相比,SV-KNN显示出更高的准确性和稳定性.
• 实现了 (Pb), (Cd) 和 (As) 的根平均平方误差 (RMSE) 的平均减少,分别为18.33%,17.08%和4.78%.
• 显示的确定系数 (R2) 的平均增加:Pb的103.70%,Cd的39.06%,As的113.12%.

结论:

• SV-KNN模型为土壤重金属评估提供了更强大,更准确的预测工具.
• 这种在地理统计学上增强的方法有效地解决了环境监测中稀缺数据所带来的挑战.
• SV-KNN提供了一种可靠的方法,用于精确地绘制土壤重金属分布图和污染评估.