使用机器学习模型监测工业污染场地的土壤中的重金属度
Quan Zou1, Zhenyang Han1, Liang He2
1School of Environmental and Chemical Engineering, Shanghai University, Shanghai 200444, China.
Journal of hazardous materials
|January 6, 2026
概括
机器学习 (ML) 有效地监测工业场所的土壤重金属化物,克服了传统方法的局限性. 这次审查分析了91项研究,突出了ML算法,如随机森林和支持矢量机器,用于准确的污染评估.
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:
- 工业场所的土壤重金属化物污染是一个主要的全球环境问题.
- 传统的监测方法是低效的,昂贵的,耗时的.
- 机器学习 (ML) 为改善监控提供了强大的非线性建模和数据处理.
研究的目的:
- 系统地审查和综合使用ML监测受污染土壤中的重金属度的研究.
- 识别经常调查的重金属和常见的ML算法.
- 概述 ML 应用程序的工作流程,挑战和该领域的未来前景.
主要方法:
- 对91项研究 (2014-2025) 的系统文献综述,使用ML用于土壤重金属 (化物) 监测.
- 基于输入数据的研究分类:环境共变量和超谱数据.
- 分析最佳和经常使用的ML算法 (随机森林,SVM,PLSR).
主要成果:
- 铜 (Cu), (Pb), (As), (Cd), (Zn), (Cr), (Ni) 和 (Hg) 是研究最多的污染物.
- 随机森林 (RF) 对于基于环境共变量的监测 (54.29%) 是最佳的.
- 支持向量机 (SVM),射频和部分最小平方回归 (PLSR) 对于高光谱数据 (每个≥40%) 是常见的.
结论:
- ML显著提高了土壤重金属化物监测的效率和准确性.
- 选择ML算法取决于输入数据类型 (共变量与超频谱).
- 机器学习的应用包括预测,驾驶员识别,空间/空间时间分析和土壤污染的3D建模.
