基于机器学习算法和受体模型联用的土壤重金属溯源解析
来源：环境科学杂志2025年第1期北京时间：
作者：马杰,李名升,封雪
单位：重庆市生态环境监测中心, 重庆 401147,中国环境监测总站, 北京 100012,中国环境监测总站, 北京 100012,中国环境监测总站, 北京 100012
摘要：以重庆市煤矸山周边土壤为研究对象,运用决策树（DT）、随机森林（RF）和支持向量机（SVM）等3种机器学习算法开展土壤重金属影响因素分析,并将机器学习算法和绝对因子得分-多元线性回归（APCS-MLR）受体模型联用,开展土壤重金属溯源解析. 土壤表层ω（Cd）、 ω（Hg）、 ω（As）、 ω（Pb）、 ω（Cr）、 ω（Cu）、 ω（Ni）和ω（Zn）均值分别为0.44、0.18、9.92、32.3、129、100、72.8和148 mg·kg-1,结合剖面数据分析,研究区Cd、Hg、As、Pb、Cr、Cu、Ni和Zn含量受不同程度人为活动影响. 机器学习算法表明,随机森林（RF）算法优于决策树（DT）和支持向量机（SVM）算法,Cd、Hg、As、Pb、Cr、Cu、Ni和Zn拟合度（R2）分别为0.783、0.728、0.528、0.753、0.753、0.853、0.822和0.756. 煤矸山堆存量（X1）、土壤点位与煤矸山相对高差（X2）和与煤矸山距离（X3）是影响土壤重金属含量的首要人为因素. 结合受体模型源解析表明,研究区受自然源、矿业源和混合源（大气沉降、农业生产、生活、交通排放等）影响,贡献率分别为42.5%、37.1%和20.4%. 机器学习和受体模型联用,可以使源解析结果更加全面、准确和可靠.
关键词：土壤,重金属,APCS-MLR受体模型,机器学习,源解析,
