.png){kind=icon}
返回
Mapping Soil Heavy Metal Using an Interpretable Framework With Multi-Sources Data
.png){kind=icon}
PRE
AI
DOI：10.1002/ldr.70571.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
预测土壤重金属（HMs）空间异质性并识别其决定因素和来源，是制定有效环境污染防治策略的基础。本研究建立了“空间预测-驱动因子分析-源贡献量化”的综合研究框架。通过比较不同方法绘制HMs空间分布图，并结合SHapley Additive exPlanations（SHAP）和Positive Matrix Factorization（PMF）对HMs驱动因子和污染源进行融合分析。研究结果如下：（1）随机森林（RF）在预测Cd、As、Pb和Zn方面优于普通克里金（OK）和地理加权回归（GWR）（所有R2值均超过0.4），而OK在预测Hg、Cr、Cu和Ni方面表现出最高精度。（2）在RF-SHAP框架下，社会经济因素主要影响HMs（Cd、Pb、Cu、Zn）的空间异质性，环境因素主要影响As和Cr，地形、气候和土壤性质对HMs空间异质性的影响相对较小。（3）PMF源解析分析结果表明，HMs（Cr和Ni）主要来源于自然源，而Cu、Pb、Zn、Cd、As和Hg主要归因于人为源。研究结果为土壤标准制定、土地利用规划和污染责任机制提供了依据。
Keyword:
digital soil mapping
interpretable machine learning
positive matrix factorization
random forest
soil heavy metals
期刊
L
IF:
3.7
论文数:
562
被引数:
0
机构
引用论文
High resolution spatial modelling of soil parent material: An initial investigation study using random forest machine learning techniques高分辨率土壤母质空间建模：基于随机森林机器学习技术的初步研究
PREAI
分享收藏Source apportionment and risk assessment of polycyclic aromatic hydrocarbons in the atmospheric environment of Alexandria, Egypt.png)
Chemosphere
ChemosphereIF0
PREAI
分享收藏A transfer learning–enhanced deep learning framework for efficient and interpretable soil heavy metal pollution prediction under data scarcity and spatial heterogeneity基于迁移学习增强的深度学习框架，用于在数据稀缺和空间异质性条件下实现高效且可解释的土壤重金属污染预测
PREAI
分享收藏Rapid detection of soil heavy metal pollution using hyperspectral data and multiscale spatial network利用高光谱数据与多尺度空间网络对土壤重金属污染进行快速检测
OAAI
OAAI分享收藏
查看更多内容