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

作者：金昭; 吕建树^*

来源：地理研究, 2022, 41(06): 1731-1747.

• 机器学习
• 土壤重金属
• 空间预测
• 影响因素

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。

• 单位
  山东师范大学