期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
基于机器学习对铜和锌在土壤中的老化预测和关键因子识别
1
作者 夏菲洋 和长城 +3 位作者 陆晓松 王玉军 杨敏 范婷婷 《农业环境科学学报》 CAS CSCD 北大核心 2024年第11期2534-2544,共11页
为探究铜(Cu)和锌(Zn)在不同类型土壤中的老化过程及其主要影响因素,本研究开展了为期90 d的培养实验,向12种不同类型的土壤外源添加Cu和Zn。基于传统动力学模型、逐步线性回归和机器学习模型,构建了土壤中Cu和Zn有效态变化的预测模型... 为探究铜(Cu)和锌(Zn)在不同类型土壤中的老化过程及其主要影响因素,本研究开展了为期90 d的培养实验,向12种不同类型的土壤外源添加Cu和Zn。基于传统动力学模型、逐步线性回归和机器学习模型,构建了土壤中Cu和Zn有效态变化的预测模型。此外,基于沙普利可加性模型解释方法(Shapley Additive Explanations,SHAP),分析了影响Cu和Zn有效态含量的关键土壤因子的作用。结果表明,Cu和Zn有效态含量在培养前30 d内迅速下降,随后速率减缓,且pH对老化速率影响显著,在碱性土壤中下降更明显。动力学分析显示Cu的老化过程主要受微孔扩散控制,而Zn的老化机制较为复杂,不完全依赖扩散作用。多变量逐步线性回归分析表明,土壤电导率和粒径组成对金属有效态变化有显著影响。此外,本文比较了随机森林、支持向量回归、极限梯度提升和符号回归4种机器学习模型对Cu和Zn有效态含量的预测能力,发现极限梯度提升模型的预测精度最高。通过SHAP分析发现,铁氧化物和有机质含量分别是影响Cu和Zn有效态的最关键因素。pH对Cu和Zn有效态含量的影响存在显著差异,Cu的有效态含量预测中铁氧化物与pH值之间呈现出显著的交互作用。总体而言,本文通过结合动力学模型、逐步线性回归分析与机器学习方法,揭示了Cu和Zn在土壤中老化的主要驱动因素及其相互作用。 展开更多
关键词 生物有效性预测 极限梯度提升(XGBoost) 动力学过程 老化
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部