城市交通绿地土壤重金属含量的高光谱反演

以交通绿地区土壤Cr、Pb、Zn为研究对象,分析重金属元素与土壤光谱在一阶、二阶等微分变换下的相关性,突出特征波段,通过多元线性逐步回归(MLR)和偏最小二乘回归(PLSR)方法,建立光谱与重金属元素含量的最佳模型,并进行精度检验与模型预测。结果表明:光谱微分变换可以有效地提高土壤重金属含量与土壤光谱反射率间的相关性,土壤Cr、Pb、Zn的最大特征波段分别在1 289.41、1 408.35、1 411.9 nm;从模型稳定性和精确性来看,土壤Cr、Pb、Zn在PLSR模型中的R~2分别为0.986、0.809、0.629,依次是MLR模型的1.32、1.14、1.12倍,土壤Cr、Pb、Zn在PLSR模型中的建模RMSE均低于MLR模型,PLSR模型效果较优;与土壤Cr相比,土壤Pb、Zn的MLR和PLSR模型效果较差,这可能与人为因素影响有关。     

基于PLS的火电二氧化硫减排因素分析研究

以四川省为例,以火电二氧化硫排放量作为因变量,对不同时间、不同地区的样本采样,采用偏最小二乘回归分析方法,建立自变量的偏最小二乘回归模型.该模型综合了多元回归分析、主成分分析及典型相关分析,很好地解决了由变量多重相关性、样本点少于自变量个数等引起的模型预测精度不高的问题,同时也避免了使用普通最小二乘回归方法所引起的模型回归系数异常的问题.结果显示,所建模型解释能力强、预测精度高,能为相关部门制定二氧化硫减排措施提供科学的依据.     

湖北恩施地区土壤重金属高光谱反演模型研究

文章以恩施地区土壤重金属As、Cd、Cr、Pb、Cu、Zn为研究对象,利用ASD地物光谱仪采集土壤光谱数据,在光谱预处理和相关分析的基础上,采用偏最小二乘回归(PLSR)方法,构建土壤重金属含量与光谱的反演预测模型.结果 表明,平滑处理、一阶导数、去趋势、归一化处理散射校正(SNV)4种光谱处理方法组合使用可以有效地提高模型反演精度;通过对PLSR模型RMSEC、RMSECV、RMSEP、R2Cal 、R2CV 、R2Pred、6种参数分析发现,As、Pb、Cu相比Cd、Cr、Zn在PLSR模型中的测误差值较小且模型的相关性较高,说明模型可以预测As、Pb、Cu 3种元素,该研究为后期采用高光谱遥感影像数据快速监测恩施地区土壤重金属污染情况提供了技术参考.     

基于遗传算法的PLS分析在QSAR研究中的应用

将遗传算法和偏最小二乘法结合应用于定量结构活性关系研究中 ,进行变量选择和建立最终模型 .以较少的变量个数包含较多的变量信息 ,且变量间没有线性相关问题 ,因而得到较好的 QSAR模型 .将这种方法应用于氯代酚和单取代苯 2种系列化合物 ,可以得到几种常规多元回归分析方法不能得到的质量较高的 QSAR模型 .     

基于机器学习的交通碳排放预测模型构建与分析

针对交通运输碳排放问题,基于2005~2019年30个省份的面板数据,采用多种机器学习算法构建不同预测模型对30个省份的交通碳排放量与影响因素进行分析.首先,基于固定效应模型思想将省份差异转化为影响因素,进一步采用Pearson相关系数法与Spearman秩相关系数相结合的方法对18个交通碳排放影响因素进行筛选;其次,采用K-折交叉验证方法,并绘制学习曲线对各预测模型性能进行测试,选用MSE、MAE、R²和MAPE作为模型的评价指标进行分析,来选定最佳预测模型,并选择SHAP值来计算最佳预测模型中各解释变量的重要度.结果表明,省份差异、社会商品消费总额、城市绿地面积、货运周转量、私家车数量、交通运输业产值和常住人口这7个因素之间多重共线性弱且均通过显著性检验,可作为交通运输碳排放预测模型的解释变量;随机森林算法和XGBoost算法预测结果均表现优异,R²均高于0.97,误差均低于10 %,且不存在过拟合与欠拟合现象,其中XGBoost算法表现最优,而KNN算法表现欠佳;各解释变量的重要度排名为:省份差异 > 社会商品消费总额 > 私家车数量 > 常住人口 > 货运周转量 > 城市绿地面积 > 交通运输业产值, 综合相关性与重要性分析来看,在交通运输碳排放预测中,省份差异是一个不可忽视的变量.研究结果可为政策制定者和决策者提供参考,促进交通运输行业的可持续发展.     

城市生活污水排放量的影响因子分析及关联性研究

生活污水排放系统复杂、影响因素多种多样,从其内涵出发,分析主要影响因子,共选择3大类14个影响因子,它们之间存在着严重相关性问题,为了解决多重相关性问题,引入偏最小二乘回归方法,该方法可以有效克服多重相关性,并能够实现多种数据分析方法的综合应用;而人工神经网络具有学习和记忆能力,将二者相关联,可以较好地解决非线性问题。为检验影响因子选择的合理性和方法的适用性,以郑州市为例,对生活污水排放量和影响因子进行定量分析。结果表明,主要影响因子的选择合理,拟合和预测精度均较好。     

基于机器学习方法的小麦镉富集因子预测

应用机器学习方法解析区域土壤-小麦系统镉(Cd)富集特征有助于风险决策的准确性和科学性.基于区域调查,构建了Freundlich-type转移方程、随机森林(RF)模型和神经网络(BPNN)模型对小麦Cd富集因子(BCF-Cd)进行预测,验证不同模型的预测精度并评估其不确定性.结果表明,RF(R²=0.583)和BPNN(R²=0.490)模型预测性能均优于Freundlich转移方程(R²=0.410).重复训练结果显示RF和BPNN平均绝对误差(MAE)和均方根误差(RMSE)较为接近,但RF(R²为0.527～0.601)较BPNN(R²为0.432～0.661)模型精度和稳定性更高.特征变量重要性分析显示多重因素的共同作用导致小麦BCF-Cd的异质性,其中土壤磷(P)和锌(Zn)是影响小麦BCF-Cd变化的关键变量.参数优化可进一步提高模型精度、稳定性和泛化能力.     

基于长短时记忆神经网络的河流水质预测研究

准确高效地预测河流水质变化趋势对河流水环境治理与保护具有重要意义。该文利用广州市白坭河上自动监测站每2 h的水质数据,从单测站数据时序之间的相关性和上游测站的影响两方面,分别建立长短时记忆网络(LSTM)河流水质预测的循环神经网络模型。模型以氨氮浓度为输出变量,比较了不同输入变量下的模型预测效果,并以最优模型和常用的深度学习算法支持向量机(SVM)进行了比较。结果表明:单测站LSTM模型经输入变量特征选择后的预测结果比仅使用氨氮浓度单变量的时间序列预测更接近真实数值;对加入上游监测站的双测站LSTM模型,输入的变量经过特征选择时,模型预测效果优于全部水质变量作为输入的预测结果,也优于单测站LSTM模型;但不进行特征选择时,输入变量增加,模型学习到噪声而使精度下降;和SVM模型相比,最优特征组合的LSTM模型具有更好的预测效果。研究也表明,对输入变量进行特征选择后,LSTM模型是一种有潜力的河流水质预测方法。     

基于OHS-D的四龙镇土壤重金属污染反演研究

文章以珠海一号(OHS-D)高光谱遥感卫星影像为主要数据源,利用偏最小二乘回归(PLSR)建模分析方法和地理信息系统的强大空间分析能力,结合实地采样送检化验的土壤重金属含量数据,分析了Pb、As和Cd等重金属离子在OHS-D数据中的光谱特征,建立了土壤重金属含量与OHS-D高光谱数据的偏最小二乘回归模型,对白银四龙镇农田土壤重金属含量反演并进行专题制图。结果表明,Pb和Cd的模型反演能力相当,判定系数R2分别为0.69和0.65,As的反演模型精度最高,R2为0.78。基于OHS-D数据并结合PLSR方法反演白银四龙镇土壤重金属含量,具有方法可行性与结果可靠性,可为珠海一号高光谱数据在土壤重金属反演方面的推广应用提供有益探索。     

基于变量重要性评分-随机森林的溶解氧预测模型——以深圳湾为例

运用Pearson相关性分析,变量重要性评分和随机森林方法构建了溶解氧（DO）实时预测模型,并以深圳湾为例采用浮标资料预测1,3,6和12h的溶解氧.模型预测结果表明,模型最优的输入条件为pH值,水温,叶绿素a,氧化还原电位和蓝绿藻5个水质指标,1h预报的相关系数在0.9以上,6h预报结果一定程度上可以满足工程要求,但对低溶解氧事件的预报必须在3h以内.