基于机器学习的污染土壤修复变量分类与评价

作者：郭琳; 曹书苗^*; 柯希彪; 刘俊; 汤引生; 李军富

来源：环境科技, 2021, 34(02): 1-6.

DOI：10.19824/j.cnki.cn32-1786/x.2021.0016

• 土壤重金属
• 电动强化修复
• 随机森林
• RF-GRA
• 变量分类

为缩短重金属污染土壤修复周期,研究电动+植物强化修复法机理与规律,建立分类评价指标体系,融合随机森林算法和灰色关联法建立RF-GRA模型,进行变量分类和修复效率评价。指标中电压梯度(0.093)的权重值最高,其次是电流大小、电极材料、土壤湿度、富集植物种类和通电时间等。6个样本的模型评价效率高于实验效率,实验环境A1～A3的相对误差分别为3.35%, 4.12%和6.54%,B1～B3分别为11.19%, 9.48%和8.66%;A1(Cd)和A2(Cu)的修复效果优于B1(Cd)和B2(Cu),A3(Zn)低于B3(Zn);RF-GRA的测试结果优于RF-Random。为土壤修复质量评价奠定了基础。

• 单位
  商洛学院; 材料学院; 西安建筑科技大学