典型文献
基于机器学习模型的区域土壤重金属空间预测精度比较研究
文献摘要：
为识别区域土壤重金属的空间变异特征并厘清其影响因素,本研究构建了多元线性回归(MLR)、弹性网络回归(ENR)、随机森林(RF)、随机梯度提升(SGB)、堆叠(stacking)集成模型、反向传播神经网络(BP-ANN)、基于模型平均的神经网络集成(avNNet)、线性核支持向量机(SVM-L)和高斯核支持向量机(SVM-R)共九种机器学习模型,利用山东省中部土壤重金属(Cd、Cu、Hg、Pb和Zn)和环境辅助变量数据,开展区域土壤重金属空间预测精度比较研究.结果表明:RF对五种重金属空间预测的决定系数(R2)介于0.263～0.448之间,平均绝对误差(MAE)和均方根误差(RMSE)分别小于8.408和10.636,预测值/实际值(P/O)均接近于1,对五种重金属的预测效果均较为理想,是研究区土壤重金属空间预测的最优模型;SVM-R整体预测性能仅次于RF,各项精度评价指标均相对稳健,可作为备选模型;其余七种模型的预测性能均明显低于RF和SVM-R.RF的空间预测结果显示,研究区五种重金属呈现出相似的空间分布格局,含量均由研究区东北部向西南部递减,包括东北部、北部和南部3个高值区,且高值区与当地工业-交通密集区的分布格局一致,反映出人类活动是研究区土壤重金属空间分异的主要影响因素.本研究可为区域土壤污染调查、评价和管控提供科学参考.
文献关键词：
机器学习;土壤重金属;空间预测;影响因素
中图分类号：
作者姓名：
金昭;吕建树
作者机构：
山东师范大学地理与环境学院,济南250358
文献出处：
引用格式：
[1]金昭;吕建树-.基于机器学习模型的区域土壤重金属空间预测精度比较研究)[J].地理研究,2022(06):1731-1747
A类：
avNNet
B类：
基于机器学习,机器学习模型,土壤重金属,空间预测,精度比较,识别区,空间变异特征,研究构建,MLR,弹性网络回归,ENR,RF,随机梯度,梯度提升,SGB,堆叠,stacking,集成模型,反向传播神经网络,ANN,基于模型,模型平均,网络集成,核支持向量机,高斯核,九种,Cd,Hg,Pb,辅助变量,展区,决定系数,平均绝对误差,MAE,RMSE,较为理想,最优模型,预测性能,仅次于,精度评价,备选,七种,空间分布格局,东北部,西南部,密集区,人类活动,空间分异,土壤污染调查
AB值：
0.328635
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
