155 / 2023-10-24 22:56:22

基于质量平衡研究利用机器学习模型预测典型大气沉降区水稻籽粒镉含量

镉；大气沉降；灌溉水；水稻；质量平衡；机器学习

       为量化分析土壤-水稻系统镉（Cd）质量平衡特征、有效评估Cd潜在污染源、选择可行的预测水稻籽粒Cd含量的方法，本研究以贵溪冶炼厂周边典型大气沉降区0~20 cm（背景区、中沉降区、高沉降区）农田耕层土壤为研究对象，通过化学质量平衡方法对土壤-水稻系统Cd的主要输入途径（大气沉降、灌溉水、农药肥料）和输出途径（地表径流、土壤淋溶、籽粒带走）开展为期三年的监测与定量分析，并构建多元回归、反向传播（BP）神经网络多种模型，开展区域预测水稻籽粒Cd含量的精准度研究。研究表明：背景区、中沉降区土壤Cd输入主要来自灌溉水（54.62~60.82%），高沉降区土壤（休耕地）Cd输入主要来自大气沉降（100%）；农药肥料带入的Cd年均输入量占比小于5%，可忽略不计。不同沉降区土壤中Cd的主要输出途径均为地表径流和土壤淋溶，输出占比介于86.66%~100%。选择土壤Cd含量、年大气沉降Cd输入通量、年农药肥料Cd输入通量、年灌溉水Cd输入通量、年地表径流Cd输出通量、年土壤淋溶Cd输出通量作为预测水稻籽粒Cd含量的试验参数，分别建立多元线性回归、多元非线性回归、BP神经网络模型、BP-GA（遗传算法）神经网络模型。利用模型基础数据集的决定系数（R²）、均方根误差（RMSE）、平均绝对误差（MAE）、回归值（R）分析得出，GA-BP神经网络是预测水稻籽粒Cd含量的最佳模型（MAE、RMSE值最低，R²、R值系数最高），其MAE值、RMSE值、R²值、R值分别为0.0458、0.0706、0.7720、0.8786。综上，建议对背景区和中沉降区的灌溉水质开展长期监测，同时加强大气污染源的监测并采取一定的控制措施。GA-BP神经网络预测模型为丰富现有预测水稻籽粒Cd含量的技术模型提供理论依据，对区域水稻安全生产具有现实指导意义。