基于机器学习模型的区域土壤重金属空间预测精度比较研究

摘要：

为识别区域土壤重金属的空间变异特征并厘清其影响因素,本研究构建了多元线性回归(MLR)、弹性网络回归(ENR)、随机森林(RF)、随机梯度提升(SGB)、堆叠(stacking)集成模型、反向传播神经网络(BP-ANN)、基于模型平均的神经网络集成(avNNet)、线性核支持向量机(SVM-L)和高斯核支持向量机(SVM-R)共九种机器学习模型,利用山东省中部土壤重金属(Cd、Cu、Hg、Pb和Zn)和环境辅助变量数据,开展区域土壤重金属空间预测精度比较研究.结果表明:RF对五种重金属空间预测的决定系数(R2)介于0.263～0.448之间,平均绝对误差(MAE)和均方根误差(RMSE)分别小于8.408和10.636,预测值/实际值(P/O)均接近于1,对五种重金属的预测效果均较为理想,是研究区土壤重金属空间预测的最优模型;SVM-R整体预测性能仅次于RF,各项精度评价指标均相对稳健,可作为备选模型;其余七种模型的预测性能均明显低于RF和SVM-R.RF的空间预测结果显示,研究区五种重金属呈现出相似的空间分布格局,含量均由研究区东北部向西南部递减,包括东北部、北部和南部3个高值区,且高值区与当地工业-交通密集区的分布格局一致,反映出人类活动是研究区土壤重金属空间分异的主要影响因素.本研究可为区域土壤污染调查、评价和管控提供科学参考.

关键词：机器学习、土壤重金属、空间预测、影响因素

所属期刊栏目：41

分类号：TP391;TP181;X53

资助基金：山东省自然科学基金优秀青年基金项目;国家自然科学基金

在线出版日期：2022-06-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共17页

页码：1731-1747