| 基于机器学习的高镉地质背景区成土母质类型识别 |
| 摘要点击 274 全文点击 20 投稿时间：2024-05-19 修订日期：2024-07-02 |
| 查看HTML全文
查看全文 查看/发表评论 下载PDF阅读器 |
| 中文关键词 地质高背景 土壤镉（Cd） 机器学习模型 成土母质 空间分析 |
| 英文关键词 high geological background soil cadmium（Cd） machine learning models parent material spatial analysis |
| 作者 | 单位 | E-mail | | 李程 | 中国地质科学院岩溶地质研究所, 广西岩溶资源环境工程技术研究中心, 联合国教科文组织国际岩溶研究中心, 桂林 541004
广西平果喀斯特生态系统国家野外科学观测研究站, 平果 531406 | lichengyrs@mail.cgs.gov.cn | | 杨忠芳 | 中国地质大学(北京)地球科学与资源学院, 北京 100083 | | | 张起钻 | 中国地质调查局天津地质调查中心, 天津 300170 | | | 郑国东 | 广西地质调查院, 南宁 530023 | | | 蒋忠诚 | 中国地质科学院岩溶地质研究所, 广西岩溶资源环境工程技术研究中心, 联合国教科文组织国际岩溶研究中心, 桂林 541004
广西平果喀斯特生态系统国家野外科学观测研究站, 平果 531406 | jzhongcheng@mail.cgs.gov.cn | | 刘绍华 | 中国地质科学院岩溶地质研究所, 广西岩溶资源环境工程技术研究中心, 联合国教科文组织国际岩溶研究中心, 桂林 541004
广西平果喀斯特生态系统国家野外科学观测研究站, 平果 531406 | | | 杨烨宇 | 中国地质科学院岩溶地质研究所, 广西岩溶资源环境工程技术研究中心, 联合国教科文组织国际岩溶研究中心, 桂林 541004
广西平果喀斯特生态系统国家野外科学观测研究站, 平果 531406 | | | 李航 | 中国地质科学院岩溶地质研究所, 广西岩溶资源环境工程技术研究中心, 联合国教科文组织国际岩溶研究中心, 桂林 541004
广西平果喀斯特生态系统国家野外科学观测研究站, 平果 531406 | |
|
| 中文摘要 |
| 中国南方岩溶地质高背景区土壤镉（Cd）高含量和低活性的特点近年来受到广泛关注.成土母质类型是理解土壤Cd地球化学行为和识别土壤生态风险的关键,但南方热带气候导致岩石露头较少,很难准确获得母质信息.为了明确影响岩性空间分布和控制土壤Cd活性的主要土壤参数,并利用以上参数和机器学习方法识别地质高背景区不同母质类型,以广西横州市为研究区,在碳酸盐岩、碎屑岩和第四系沉积物地区分别采集了5 096、5 602和1 653件表层土壤（0~20 cm）作为研究对象,通过热点分析和形态分析发现,土壤性质和Cd的空间分布模式受下伏基岩控制,非岩溶区土壤Cd生态风险显著高于岩溶区；通过相关性分析和重要性分析发现,地质高背景区Cd的含量和活性主要受铁锰（Fe/Mn）氧化物、有机碳（TOC）、氧化钙（CaO）和pH等因素控制.随后基于大面积表层土壤样品,建立了神经网络（ANN）、随机森林（RF）和支持向量机（SVM）成土母质预测模型,通过对比不同模型的泛化性能发现RF模型的Kappa系数（0.69）和总体精度（0.82）均高于ANN和SVM模型,表明RF模型在预测土壤母质方面性能更优.研究可为地质高背景区绘制岩性分布图和识别土壤Cd生态风险提供了一种新的思路和方法. |
| 英文摘要 |
| Recently, the characteristics of high Cd content and low Cd mobility in karstic soil of a high geological background area in south China have received extensive attention. Parent material type is crucial for understanding soil Cd geochemical behavior and identifying soil ecological risk. However, the southern tropical climate leads to fewer rock outcrops, and it is difficult to obtain accurate parent material information. The aim of this study was to identify the main soil parameters that control the spatial distribution of lithology and affect soil Cd activity and ultimately uses these characteristics and machine learning methods to predict different soil parent materials in the high geological background area. In total, 5 096, 5 602, and 1 653 surface soil samples were collected from the carbonate rock, clasolite, and quaternary sediment regions, respectively. Hot spot analysis and the sequential extraction test showed that the spatial distribution patterns of soil properties and Cd were controlled by the underlying bedrock, and the ecological risk of soil Cd in the non-karst region was significantly higher than that in the karst region. Correlation analysis and importance analysis indicated that the content and mobility of Cd in the high geological background were mainly controlled by Fe/Mn oxides, total organic carbon （TOC）, CaO, and pH. Based on the big data of surface soil samples, the soil parent materials were then predicted using artificial neural network （ANN）, random forest （RF）, and support vector machine （SVM） models. The RF model had higher Kappa coefficients and overall accuracies than those of the ANN and SVM models, suggesting that RF has the potential to predict soil parent materials from big data, which provides a new idea and method for mapping lithology distribution and identifying soil Cd ecological risk in high background areas. |
|
|
|
