103 / 2023-10-20 09:35:47

基于机器学习的地质高背景烟草Cd生物累积能力预测及驱动因素分析

地质高背景,烟草种植土壤,Xgboost,LISA,Cd,Se

区域差异和环境条件的变化是种植在地球化学高背景区烟草生物积累Cd能力存在较大差异的主要原因。然而，在富Se的高背景地区，影响烟草中Cd生物积累能力的因素尚不清楚。本研究基于西南典型喀斯特地区采集的365份根际土壤-烟草样品和321份表层土壤样品，使用了目标编码 (Target encoding) 的极致梯度提升树模型 (XGBoost) 对烟草Cd的生物积累能力进行精细化预测及关键驱动因素相对贡献量化的同时，结合基于莫兰指数的局部双变量空间自相关分析 (LISA) 对风险管控区和烟草生态种植区进行识别。结果表明，土壤Cd含量、土壤类型和岩性等区域地球化学特征，对烟草Cd生物积累能力的影响最大，解释了总变化的46.5%。其次是土壤理化性质 (如土壤pH值，有机质含量等) 和烟草种植条件 (如日照时间，年降水量等)，分别解释了总变化的27.2%和25.2%。相比之下，人为活动的影响相对不显著，仅解释了总变化的1.1%。此外，土壤Se含量对烟草中Cd的生物累能力积有着不可否认的影响，本研究基于偏依赖分析，从数据驱动角度确定了当土壤硒含量为0.8 mg/kg时，Cd和Se的相互抑制作用达到阈值。最终，LISA分析结果表明遵义市中部、东北部和东南部土壤中Se含量较高且Cd污染风险较低，适合用作研究区烟草的生态种植。本研究将机器学习与空间分析技术相结合，为高背景区烟草种植土壤的管理及风险区域的识别提供了科学依据。