基于集成学习的东大沟沉积物重金属（类）三维空间分布预测、驱动因子解析及风险评价

本研究创新性地采用集成随机森林（RF）等机器学习（ML）方法，结合K-means聚类与贝叶斯风险模型，首次实现河流沉积物中8种重金属（类）（As/Cd/Cr等）的三维空间分布高精度预测（R2=0.85），揭示污染集中于表层2.2米且沉积物质地（权重0.167）和pH（0.154）为关键驱动因子，为污染修复优先级划分提供科学依据。

　　

Highlight

重金属（类）污染的沉积物对环境危害极大，其三维分布的精准预测至关重要。本研究开创性地运用集成学习方法，对东大沟沉积物中重金属（类）的三维分布进行预测、分类及驱动因子识别，旨在定量评估污染状况、量化影响因素并预测风险水平。

Conclusions

基于东大沟1423个沉积物采样点的实地调查与遥感数据，本研究采用18类协变量数据，综合传统插值法、神经网络和集成学习模型（如随机森林RF），成功预测了沉积物中重金属（类）污染水平。通过K-means聚类算法与EVS三维软件联用，实现了污染空间分布的精细化制图分析。三维分析表明，重金属（类）污染主要富集于上游源头和中游区域，且集中在浅地表2.2米以内。贝叶斯分析显示，2.8米以下深度的污染风险低于20%。研究为沉积物重金属（类）分布研究提供了方法学创新和实践指导。

Environmental implication

沉积物重金属（类）污染对生态环境构成严重威胁。本研究通过集成学习方法解析其三维分布规律，量化了沉积物质地（0.167）和pH（0.154）等关键驱动因子，并建立风险预测模型，为污染修复的精准施策提供科学支撑。

（注：翻译严格保留专业术语如EVS、K-means等缩写，并采用"重金属（类）"等符合中文环境科学表述习惯的译法，同时通过"开创性""精准预测"等措辞增强生动性。）