基于机器学习方法的小麦镉富集因子预测

作者：牛硕; 李艳玲; 杨阳^*; 商艳萍; 王天齐; 陈卫平

来源：环境科学, 2023, 44(06): 3619-3626.

DOI：10.13227/j.hjkx.202207237

• 随机森林
• 神经网络
• 回归方程
• 富集系数
• 小麦

应用机器学习方法解析区域土壤-小麦系统镉(Cd)富集特征有助于风险决策的准确性和科学性.基于区域调查，构建了Freundlich-type转移方程、随机森林(RF)模型和神经网络(BPNN)模型对小麦Cd富集因子(BCF-Cd)进行预测，验证不同模型的预测精度并评估其不确定性.结果表明，RF(R2=0.583)和BPNN(R2=0.490)模型预测性能均优于Freundlich转移方程(R2=0.410).重复训练结果显示RF和BPNN平均绝对误差(MAE)和均方根误差(RMSE)较为接近，但RF(R2为0.527～0.601)较BPNN(R2为0.432～0.661)模型精度和稳定性更高.特征变量重要性分析显示多重因素的共同作用导致小麦BCF-Cd的异质性，其中土壤磷(P)和锌(Zn)是影响小麦BCF-Cd变化的关键变量.参数优化可进一步提高模型精度、稳定性和泛化能力.

• 单位
  城市与区域生态国家重点实验室; 郑州大学; 中国科学院生态环境研究中心