【技术实现步骤摘要】
本申请涉及机器学习模型训练，特别是涉及一种基于优化模型的土壤砷污染风险评估方法、装置及设备。
技术介绍
1、土壤砷污染危害巨大，污染特征的影响因素复杂，导致精准的大规模预测实施困难。利用机器学习能结合经验值和现有模型对砷污染水平进行预测，可以极大节约成本，提高效率。然而，砷在土壤中的吸附-解吸过程受诸多环境因子影响，不仅决定了砷在土壤中的赋存形态和污染扩散风险程度，还因为环境因子的线性冗余等问题，制约着现有模型对砷污染风险的预测准确性。因此，对于影响砷在土壤中的吸附和解吸行为的环境因子进行合理预处理和加工，将有利于准确预测不同土壤特征下砷的生物可利用态水平，将是精准预测土壤砷污染风险的新策略，和有效解决砷污染扩散的必要前提。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够对土壤污染风险进行准确评估的基于优化模型的土壤砷污染风险评估方法、装置及设备。
2、一种基于优化模型的土壤砷污染风险评估方法，所述方法包括：
3、获取样本数据集，所述样本数据集中包括...
【技术保护点】
1.一种基于优化模型的土壤砷污染风险评估方法，其特征在于，所述方法包括：
2.根据权利要求1所述的土壤砷污染风险评估方法，其特征在于，
3.根据权利要求2所述的土壤砷污染风险评估方法，其特征在于，所述利用多组随机状态训练集对砷污染风险评估主模型进行训练，包括：
4.根据权利要求2所述的土壤砷污染风险评估方法，其特征在于，所述根据土壤理化性质和吸附能力的相关性将所述标准化样本数据集中的样本序列分为核心训练子集、强吸附训练子集以及弱吸附训练子集包括：
5.根据权利要求1-4任一项所述的土壤砷污染风险评估方法，其特征在于，在利...
【技术特征摘要】
1.一种基于优化模型的土壤砷污染风险评估方法，其特征在于，所述方法包括：
2.根据权利要求1所述的土壤砷污染风险评估方法，其特征在于，
3.根据权利要求2所述的土壤砷污染风险评估方法，其特征在于，所述利用多组随机状态训练集对砷污染风险评估主模型进行训练，包括：
4.根据权利要求2所述的土壤砷污染风险评估方法，其特征在于，所述根据土壤理化性质和吸附能力的相关性将所述标准化样本数据集中的样本序列分为核心训练子集、强吸附训练子集以及弱吸附训练子集包括：
5.根据权利要求1-4任一项所述的土壤砷污染风险评估方法，其特征在于，在利用砷污染风险评估主模型以及砷污染风险评估子模型根据多个土壤特征指标进行预测之前：
6....
【专利技术属性】
技术研发人员：张轩，冯冲凌，周洲，曾柏全，黄忠良，李辉，黄兢，吴子剑，莫星然，杨子豪，
申请(专利权)人：中南林业科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。