论文部分内容阅读
为降低土壤重金属研究中人工采样成本，宏观掌握大尺度研究区内土壤重金属污染的空间分布特征，本文以贵阳市、遵义市和毕节市为研究区，镉（Cadmium， Cd）元素为研究对象，提出利用随机森林（Random Forest， RF）分析评估影响因子的贡献率，并根据贡献率进行影响因子筛选后构建极端梯度提升（eXtreme Gradient Boosting， XGBoost）模型，即RF-XGBoost模型，用以预测研究区内土壤Cd污染的空间分布特征。结果表明，研究区内土壤Cd含量平均值仅比贵州省背景值高出0.023 mg·kg-1，污染程度较低，变异系数为125.37%，属于强变异；研究区内对土壤Cd污染贡献率最高的影响因子为土壤侵蚀程度、高程和年平均气温，贡献率分别为0.100、0.088和0.084，说明在大尺度研究区中自然环境对土壤内Cd富集影响最大；RF-XGBoost模型的精度和稳定性高于RF和XGBoost模型，准确率提升了4.66%，Kappa系数分别提升了46.34%、4.21%，F1＿score分别提升了61.42%、69.61%；研究区内土壤Cd污染整体程度较低，但在毕节市西南部出现多个中度-中强污染带。研究表明，RF-XGBoost模型可准确预测大尺度范围的土壤Cd污染空间分布，有助于宏观掌握土壤Cd污染的空间分布特征，为污染治理修复提供参考。