中科院南京土壤所尧一骏ACS ES&T Eng.：深度学习算法在污染场地重金属空间分布识别中的应用

英文原题：Application of the Deep Learning Algorithm to Identify the Spatial Distribution of Heavy Metals at Contaminated Sites

通讯作者：尧一骏，中国科学院南京土壤研究所

作者：Jun Man, Lingzao Zeng, Jian Luo, Weiliang Gao, Yijun Yao

在污染场地调查中，准确识别重金属等污染物的空间分布是必不可少的。在试图评估一个场地的污染状况时，我们通常只能获得少量的监测位点数据。克里金算法是一种传统的地质统计方法，其原理是根据已知监测位置上的浓度数据来预测未监测位置上的浓度。尽管前人在克里金算法上做了很多改进，但场地数据的连续性和异质性有时会显著超过这种统计方法的适用性。近年来，深度学习算法引起了人们的广泛兴趣，因为该算法是从数据驱动的角度来理解空间过程，能够较好地提取复杂场地数据的潜在特征。然而，很少有人考虑利用深度学习识别污染场地重金属的空间分布，这可能是由于场地调查数据数量不足导致无法训练出合适的深度神经网络模型。

针对上述问题，中国科学院南京土壤研究所尧一骏研究员团队提出了一种解决方案，能够从有限的观测数据中生成大量样本数据用于深度网络模型的训练。与传统的克里金算法相比，深度学习算法在虚拟和实际场地中均具有较高的空间预测精度。此外，还讨论了所开发的深度学习算法的具体应用细节，希望能够为后续用户提供参考。

为了公平地比较深度学习和克里金算法的性能，我们随机生成了20个虚拟场地，并计算出了相应的均方根误差(RMSE)和空间误判率(TErate)（图1）。总的来说，深度学习的预测结果更加稳定，表现为较低的RMSE和TErate不确定性。深度学习TErate的最大值、中位数和最小值分别为0.450、0.259和0.120，均要低于克里金。如果以克里金的中位数估计为基准，深度学习的准确率可提高(0.419-0.259)/0.419 = 38.2%。

图1：20个虚拟场地下深度学习与普通克里金算法的性能比较。

图2给出了实际污染场地下，深度学习和若干克里金算法(OK, log-OK, UK_L, UK_Q)预测得到的重金属浓度空间分布。其中，四种克里金算法预测出的Ni场空间分布相似，UK_Q对As场的预测效果最好，而log-OK对Cd场的预测效果最好。这表明我们应根据场地特征选择合适的克里金算法。总的来说，在本案例中深度学习算法均要优于所使用的克里金算法。

图2：在实际场地下，由深度学习和常用克里金算法预测出不同重金属浓度的空间分布。

在对深度学习算法测试过程中，我们发现随着邻近点个数的增加，训练样本数量先增加后减少，而TErate呈现相反的变化趋势（图3）。并且，对于空间异质性较大（相关长度较小）的场地，深度学习算法所需临近点个数较少。此外，我们还调查了采样点个数对深度学习和克里金算法空间预测精度的影响。结果发现，随着采样点个数增加，深度学习和克里金算法的空间预测精度均显著提高（图4）。然而，当采样点个数超过一定阈值时（本案例中为64），即使增加采样点个数，深度学习算法的空间预测精度也无法进一步提高，而克里金算法的预测精度反而下降。

图3：在相关长度为(a)40和(b)20时，深度学习空间误判率和训练样本数量与临近点个数的变化关系。

图4：(a−e)不同场景下采样点的空间分布，(f)不同采样个数下深度学习和克里金算法的空间误判率。

综上所述，深度学习算法能够从复杂场地数据中提取潜在特征，在20个虚拟场地和单个实际场地中均表现出了优于常用克里金算法的性能。作为在单个重金属污染场地的初步应用，所开发的深度学习算法能够为传统的克里金算法提供一种通用的替代方案。

相关论文发表在ACS ES&T Engineering上，中国科学院南京土壤研究所满俊博士为文章的第一作者，中国科学院南京土壤研究所尧一骏研究员为通讯作者。

合作供稿：ACS公众号。投稿、合作、转载、进群，请添加小编微信Environmentor2020！环境人Environmentor是环境领域最大的学术公号，拥有近10W活跃读者。由于微信修改了推送规则，请大家将环境人Environmentor加为星标，或每次看完后点击页面下端的“在看”，这样可以第一时间收到我们每日的推文！环境人Environmentor现有综合群、期刊投稿群、基金申请群、留学申请群、各研究领域群等共20余个，欢迎大家加小编微信Environmentor2020，我们会尽快拉您进入对应的群。