基于机器学习方法的花生镉富集系数预测

通过采集我国14个省份花生主产区的100组土壤-花生样品,分析土壤-花生系统镉(Cd)污染特征及土壤理化性质,基于机器学习方法建立花生Cd富集系数预测模型并识别花生富集Cd的重要影响因素。结果表明,采集的全国范围土壤样品总体以酸性为主,有60%的土壤pH<6.50,花生籽粒Cd含量均值为0.27 mg·kg^(-1),富集系数均值达到2.42。利用全国以及南北方产区分组数据构建的随机森林模型(R^(2)=0.930~0.966)对花生Cd富集系数的预测性能均明显优于相应的多元线性回归模型(R^(2)=0.471~0.657)。随机森林模型分析结果表明不同区域相对重要性较高的特征变量有所差异,影响北方产区花生Cd富集系数预测最重要的特征变量为土壤游离锰氧化物、游离铁氧化物含量和pH,而影响南方产区花生Cd富集系数预测最重要的特征变量为土壤游离锰氧化物、黏粒、游离铁氧化物和有机质含量。研究表明,相较于传统多元线性回归模型,随机森林模型对花生Cd富集系数的预测性能更为优越,为田间大尺度下土壤-花生系统中Cd的迁移预测提供了新的视角和解决方案。