预测土壤的空间分布,使用HDXRF合与多模型机器学习在地区域的预测

科学领域:

• 环境科学 环境科学
• 土壤科学 土壤科学
• 地质化学 地质化学

背景情况:

• 绘制土壤潜在有毒金属空间分布的地图对于安全和可持续地使用和管理受污染的土壤至关重要.
• 由于土壤异质性高,以及影响金属分布的复杂驱动因素,地带面临挑战.
• (Cd) 污染对生态系统和人类健康构成风险,需要准确的空间预测.

研究的目的:

• 开发和验证一个机器学习框架,用于预测土壤Cd度在地地区.
• 将高清X射线光 (HDXRF) 光谱与土壤特性和地形特征集成,用于Cd预测.
• 确定在地质丰富和化影响的石环境中积的关键驱动因素.

主要方法:

• 分析来自中国西南部地质Cd丰富和炼受影响地区的土壤样本.
• 应用和比较六种不同的机器学习 (ML) 模型,包括弹性网和XGBoost.
• 使用SHAP (夏普利添加式拓展) 和地质探测器方法来分析特征重要性和因素相互作用.

主要成果:

• 弹性网模型在地质区域实现了R2=0.879,而XGBoost在化区域实现了R2=0.893.
• 碳酸积累的主要驱动因素不同:地质区域的沙含量和地形;化区的pH,泥和有机物质.
• 地质探测器分析显示了协同作用的相互作用,如粘土斜坡合和泥酸交换能力的协同作用.

结论:

• 综合的ML框架提供了高效和成本效益的大规模监测土壤Cd水平在岩生态系统.
• 在地质和人为环境中阐明了不同的Cd积累机制.
• 该研究提供了关键信息,用于在脆弱的岩环境中精确的土壤管理策略.