基于机器学习算法的风成沙与土壤地球化学组成关系定量评估模型研究

本文创新性地将机器学习回归模型（SVR/RFR）与曲线回归模型相结合，构建了风成沙对土壤化学元素干扰的定量评估体系。研究发现支持向量回归（SVR）和随机森林回归（RFR）模型可靠性最佳，数据集符合三次多项式拟合（R2>30%），验证了环境库兹涅茨曲线（EKC）理论在地球化学数据中的适用性，为沙漠及周边地区表生元素驱动机制研究提供了新范式。

　　

Highlight

本研究通过整合多种机器学习回归模型，揭示了随机森林回归（RFR）和支持向量回归（SVR）模型在定量评估风成沙对土壤化学组成干扰中的卓越表现。这些模型成功建立了稳健的隐式定量评估框架，为沙漠地球化学研究的深入开展奠定了坚实基础。

Aeolian Sand Effects on Soil Chemistry (Based on the Environmental Kuznets Curve Theory)

基于环境库兹涅茨曲线（EKC）理论的风成沙对土壤化学影响研究显示，在各类拟合曲线中，10个沙漠区域的三次多项式R²值均显著高于指数、线性和对数拟合曲线。特别是塔克拉玛干沙漠和库姆塔格沙漠的拟合优度（<30%），从数学角度验证了EKC理论在地球化学数据中的适用性——即风成沙对土壤化学元素的干扰呈现先增强后减弱的"倒U型"规律。

Conclusion

综合研究表明：1）RFR和SVR模型能有效解析风成沙与土壤化学组成的定量关系；2）区域地球化学特征分析证实，我国北方沙漠风成沙对周边土壤元素含量存在显著干扰；3）环境库兹涅茨曲线理论为理解表生元素循环提供了创新视角。该成果实现了从定性描述到定量预测的方法突破，为沙漠环境地球化学研究提供了新理论框架。