评价区域土壤重金属含量的时空变化格局，预测未来土壤重金属含量变化趋势,是有效防控土壤污染的重要前提和基础。由于土壤地球化学历史数据普遍缺失，依靠大气和水体含量多期时序数据建立土壤重金属含量未来空间预测模型存在难度极大。随着人工智能技术不断成熟，利用人工智能技术与预测模型融合，有助提升土壤重金属预测和管理的定量化水平，既能提高决策的科学性，也为土壤污染防控的精准化和智能化带来新的机遇。然而大量研究表明，预测结果越准确的人工智能模型，其模型的可解释性反而越差，精度较高的模型大多内部结构复杂多变，不能直观理解。
为使预测模型在准确性和可解释性之间达到平衡，广东省科学院生态环境与土壤研究所（以下简称省科学院土壤环境所）王琦研究员提出了超越人工智能“黑箱”的地理可解释的土壤重金属时空四维预测模型。研究采用机器学习集成学习（Ensemble Learning)的思想，将多个优异单一机器学习和深度学习模型在稳定性及准确性方面的优势通过串并行方式有机结合，形成一个强组合预测模型，并基于可解释的集成学习模型和土壤重金属地理空间源-汇机理的深度融合，构建了土壤重金属含量时空预测模型，能更精准地预测土壤重金属含量未来时空格局和演变趋势，其中包括定量估计驱动因子间交互作用对土壤重金属含量的影响以及从样点尺度到区域尺度源汇关系的跨尺度协同预测。
超越人工智能“黑箱”的地理可解释的土壤重金属时空四维预测模型概念框架
试验结果表明，该模型预测精度为93.8%，空间分辨率为1公里，为破译土壤重金属源-汇过程之间的复杂时空机理、预测土壤污染时空格局的方法研发带来了新见解和新启发。
相关研究成果发表于国际环境科学期刊Journal of Hazardous Materials，省科学院土壤环境所王琦研究员为论文第一作者，李芳柏研究员为论文通讯作者。该研究获得广东省杰出青年基金（2020B1515020020）和国家自然科学基金面上项目（42277479）支持。
文章链接：https://www.sciencedirect.com/science/article/pii/S0304389423011834
（省科学院土壤环境所/供稿）
附件下载：
