随机森林镉富集预测模型

用机器学习模型替代传统回归方法，更准确地预测花生籽粒中镉的富集，帮助识别土壤关键影响因子。

Weidong, Bi · 丁昌峰 · Zhou, Zhigao · Wang, Xingxiang

Journal of Agro-Environment Science 2024

参数信息

决定系数

0.930–0.966

花生籽粒平均镉含量

0.27 mg·kg⁻¹

平均生物富集系数

2.42

技术优势

预测更准

随机森林模型的决定系数R²（0.930–0.966）显著高于多元线性回归模型（0.471–0.657），误差更小，能更准确地估计花生籽粒镉含量。

识别关键因子

随机森林模型可以量化各土壤理化指标的相对重要性，揭示不同产区影响镉富集的主要因子，例如北方产区的游离氧化锰含量和pH值，南方产区的游离氧化锰、黏粒和有机质含量。

适应区域差异

通过按南北方产区分别建模，随机森林能够适应不同地区的土壤特征和污染机制，提供更具针对性的预测，而传统线性模型往往忽略这种空间异质性。

应用场景

• 农田重金属污染评估：利用土壤多参数快速预测籽粒镉风险，替代全量采样检测，支持污染分级评价。
• 食品安全风险预测：在收获前预测花生镉含量是否超标，提前筛查高风险地块，保障食品安全。
• 土壤环境监测：通过土壤理化指标预测生物富集系数，减少采集花生样的依赖，实现高效监测。