基于特征优选和机器学习的塔里木盆地东缘绿洲土壤镉元素含量预测及健康风险评价

来源：环境科学杂志2024年第1期北京时间：

作者：刘靖宇,李若怡,梁永春,刘磊,尹芳,唐塑,何林森,张毅

单位：长安大学地球科学与资源学院, 西安 710054,中国地质调查局乌鲁木齐自然资源综合调查中心, 乌鲁木齐 830057,中国自然资源航空物探遥感中心, 北京 100083,长安大学地球科学与资源学院, 西安 710054,长安大学地球科学与资源学院, 西安 710054,长安大学土地工程学院, 西安 710054,中国地质调查局乌鲁木齐自然资源综合调查中心, 乌鲁木齐 830057,长安大学土地工程学院, 西安 710054,中国地质调查局西安矿产资源调查中心, 西安 710100

摘要：土壤重金属污染对粮食安全、人类健康和土壤生态系统均造成重大威胁.基于塔里木盆地东缘典型绿洲区获取的644个土壤样品,运用多元线性回归（LR）、神经网络（BP）、随机森林（RF）、支持向量机（SVM）和基于径向基函数神经网络（RBF）方法构建土壤重金属预测模型,利用最优预测结果分析重金属污染的空间分布特征与健康风险.结果表明：①研究区ω（Cd）均值为0.14 mg·kg-1,是新疆土壤背景值的1.17倍,是区内土壤重金属污染的主要因子；区内成人和儿童Cd元素致癌风险系数均小于10-4,对人类无明显的长期健康风险影响. ②对比5种反演模型的预测精度,RF模型验证集R2值为0.763 7,在5种模型中最大；且其RMSE、 MAE和MBE值在5种模型中最小,土壤Cd元素实测值与RF模型的预测值拟合效果最佳.同时,基于RF模型的研究区土壤Cd含量空间分布预测结果与实测样点插值结果具有较好的一致性. ③在土壤Cd元素健康风险预测中,RF模型对成人与儿童的反演精度均优于其他4种模型,预测结果较好；LR模型验证集预测值变化幅度大,预测结果较差.综上,RF模型具有较好的泛化能力和抗过拟合能力,为研究区土壤Cd含量预测和健康风险评价的最优模型.

关键词：镉（Cd）,含量预测,健康风险评价,机器学习,特征优选,