基于多源辅助变量和KELM模型的农田土壤重金属空间分布预测

为了准确掌握土壤重金属的空间分布特征,以某地区为研究区域,利用核极限学习(KELM)模型结合多源辅助变量,对地区的土壤重金属空间分布进行预测。KELM与随机森林(RF)和极限学习机(ELM)模型分别进行比较。结果表明:在选择的3种模型中进行农田土壤重金属预测时,5种土壤重金属的KELM模型的均方根误差和相对平均误差均小于ELM模型和RF模型。因为均方根误差越小,模型预测精度越高,所以KELM模型预测精度更高、预测效果更好。因此,KELM模型可以作为土壤重金属空间分布预测一种有效方法,为农田土壤环境保护提供有效技术支持。

基于AdaBoost-TSO-KELM的农田土壤重金属空间预测模型

建立土壤重金属空间分布预测模型对确定农田土壤安全性具有重要意义.为了提高空间分布预测精度,结合金枪鱼群算法优化核极限学习机(TSO-KELM)和自适应增强算法AdaBoost,构建了基于AdaBoost-TSO-KELM的土壤重金属空间分布预测模型,选取湖北省宜昌市农田土壤中5种重金属(As、Hg、Cr、Cd和Pb)进行研究,并与其他4种建模方法进行了对比分析.结果表明:(1)研究区内As、Cd和Pb元素的均值均超过当地土壤重金属背景值,分别为背景值的1.14倍、1.40倍和1.12倍,其他两种元素的均值没有超过当地土壤重金属背景值.(2)AdaBoostTSO-KELM模型在5种重金属的预测中预测精度最高,As、Hg、Cd、Cr和Pb重金属的验证集决定系数(R^(2))分别为0.7839、0.6579、0.6732、0.7690和0.7175,均方根误差(RMSE)分别为1.6986、0.0120、0.0256、4.8637和2.2757,相比较于传统的KELM模型,5种重金属的预测精度分别提高了19.52%、22.54%、28.55%、17.03%、16.59%.研究表明,AdaBoost-TSO-KELM模型在土壤重金属空间预测结果更接近土壤重金属的真实情况,说明该模型较好地反映辅助变量和各重金属元素之间的关系,可为农田土壤调查与农田土壤环境保护提供有力的保障.

新加黄龙汤加减治疗与西医方法治疗阿片类止痛药引起的便秘疗效对比观察

临床上,恶性肿瘤患者服用阿片类止痛药物所致便秘的情况非常常见。而便秘可诱发或加重多种心脑血管疾病,影响患者食欲及消化吸收功能,从而加重病情,降低患者的生活质量。我们采用随机对照的方法,用中药新加黄龙汤加减联合西药治疗恶性肿瘤患者阿片类止痛药物所致便秘127例,现报告结果如下：