基于自动机器学习模型预测作物籽粒重金属浓度

　　

摘要： 随着工业化进程的加速和农业活动的频繁,作物重金属污染已成为当前农业生产中一个不容忽视的问题。本研究基于54篇文献的791组数据,利用自动机器学习模型对作物籽粒重金属浓度进行预测。研究选取有机肥施用量、有机肥重金属浓度、土壤重金属浓度、有机质、酸碱度、阳离子交换量、黏粒含量、砂粒含量、粉粒含量和作物类型10种影响因素作为输入变量,选取铬(Cr)、镉(Cd)、铅(Pb)、砷(As)和汞(Hg)在作物籽粒中的浓度作为输出变量,评估深度学习(DL)、分布式随机森林(DRF)、极度随机树(XRT)、堆栈集合(SE)、梯度提升机(GBM)和广义线性模型(GLM)6种模型的模拟预测效果,并分析影响作物籽粒重金属累积的关键因素。结果表明: 不同重金属的最佳预测模型存在差异。DL模型对Cr、Pb、As和Hg的预测效果最优,而GBM模型对Cd的预测精度最高。特征重要性和SHAP分析显示,有机肥施用量与作物类型是影响作物籽粒重金属累积的关键因素,有机肥施用量、土壤重金属浓度、有机肥重金属浓度、砂粒含量与作物籽粒重金属浓度呈正相关,阳离子交换量、酸碱度、有机质、黏粒含量与作物籽粒重金属浓度呈负相关。综上,DL和GBM模型在预测作物籽粒重金属浓度中具有优势,生产中需严格控制有机肥施用带来的重金属输入风险。