基于机器学习识别中微量元素与我国七大片区产地稻米镉、砷的富集规律

本研究在全国大尺度空间范围内,基于机器学习识别稻米镉(Cd)、砷(As)富集的重要影响因素,探究了中微量元素对稻米Cd、As超标的贡献率并构造了生物有效性模型。首先,通过决策树算法构造中微量元素判别Cd、As超标的预测模型,其预测精度分别为95.55%、97.55%,表明中微量元素是识别稻米Cd、As超标的重要指标;其次,利用随机森林算法筛选影响稻米Cd、As富集的主控因子,不同区域的主控因子表现出明显差异,其单一因子主要驱动的Cd富集在不同区域的差异表现为:华东片区pH的贡献占主导、华南片区的交换性钙(Ca)和东北片区的土壤有机质(SOM)分别占主要贡献,而有效铁(Fe)对As富集表现出特异性的区域贡献(如华东、华南和西南片区);最后,将各区域确定的主控因子引入构建土壤-稻米生物有效性模型,其中,Cd、As的生物有效性九因子模型在不同片区的决定系数最高,分别为0.680、0.664(P<0.05)。本研究为大尺度地域水平上稻米Cd、As重金属污染防控和环境管理提供了科学依据和决策支撑。

2022年克鲁伦河流域土壤全氮含量与土壤全磷含量数据集

克鲁伦河流域生态环境安全在中蒙两国受到越来越多关注,掌握流域土壤全氮(STN)和土壤全磷(STP)含量对于准确估算流域面源污染(NPS)负荷、研究流域资源环境状况与可持续发展具有重要意义。传统采样方法在获取大范围的STN和STP含量时耗时耗力、STN与STP存在空间异质性、STN和STP与辅助变量间的关系也存在空间异质性等。单一的全局模型无法拟合复杂的异质性关系,而局部建模方法难以克服维度灾难问题,因此本文引入了两点机器学习(TPML)方法。该方法首先基于点对差异建立全局模型,然后基于全局模型的预测差异构建局部模型,能够将样本量从n扩充至n2,可利用有限的采样点数据实现高精度大范围的STN和STP含量预测。本文结合地形、气候、土壤属性、植被及空间位置等共18个辅助变量,采用TPML方法,制作了流域STN和STP含量分布数据集。并基于十折交叉验证方法证实了TPML方法相较于普通克里格(OK)方法,预测精度提高超过10%。TPML方法预测STN含量的平均绝对误差(MAE)均值和平均均方根误差(RMSE)分别为0.309%、0.456%,随机森林(RF)、反距离加权(IDW)与OK方法预测STN含量的平均MAE分别为0.329%、0.247%与1.864%,平均RMSE分别为0.468%、0.387%、1.976%。TPML方法预测STP含量的平均MAE和平均RMSE分别为0.640%和0.861%,RF、IDW与OK方法预测STP含量的平均MAE分别为0.643%、0.396%与1.357%,平均RMSE分别为0.862%、0.523%与1.651%。