基于集体学习和多源环境变量的采矿区土壤中重金属空间分布的估计:LGGWR模型的应用

科学领域:

• 环境科学 环境科学
• 地理空间分析的研究.
• 机器学习 机器学习

背景情况:

• 准确的土壤重金属预测对于采矿流域的环境管理至关重要.
• 传统的机器学习模型在土壤污染中与空间异质性作斗争.
• 采矿活动对土壤和环境健康构成重大风险.

研究的目的:

• 开发一种用于预测土壤重金属度的新型模型.
• 解决传统模型在捕捉空间异质性的局限性.
• 为环境管理和土壤修复提供基础数据源.

主要方法:

• 提出了一种轻量级梯度增强机-地理加权回归 (LGGWR) 模型.
• 集成轻量级梯度增强机 (LightGBM) 具有地理加权回归 (GWR).
• 使用了七个环境共变量和土壤风险因子指数 (RFSI) 技术.

主要成果:

• 对于五种重金属 (Pb,Zn,Cu,Ni,Cd),LGGWR模型显示出高预测准确度,R2值在0.71到0.86.6之间.
• 与RF,XGBoost,OK,GWR和LightGBM相比,LGGWR的预测准确度提高了30.95-42.09% .与RF,XGBoost,OK,GWR和LightGBM相比,LGGWR的预测准确度提高了30.95-42.09% .
• 该模型有效地解释了土壤污染的空间异质性和非线性关系.

结论:

• 该LGGWR模型在预测土壤重金属度方面提供了卓越的性能.
• 这种方法提高了采矿流域的环境管理策略.
• 该研究为有针对性的土壤修复工作提供了关键数据.