农业环境科学学报

作者：董泽馨,安毅,董琪,张晨晨,孙思佳

单位：农业农村部环境保护科研监测所, 天津 300191,中国农业科学院湘潭综合实验站, 湖南 湘潭 411100,农业农村部环境保护科研监测所, 天津 300191,中国农业科学院湘潭综合实验站, 湖南 湘潭 411100,农业农村部环境保护科研监测所, 天津 300191,中国农业科学院湘潭综合实验站, 湖南 湘潭 411100,农业农村部环境保护科研监测所, 天津 300191,中国农业科学院湘潭综合实验站, 湖南 湘潭 411100,农业农村部环境保护科研监测所, 天津 300191,中国农业科学院湘潭综合实验站, 湖南 湘潭 411100,东北农业大学资源与环境学院, 哈尔滨 150030

关键词：稻米镉,机器学习,集成学习,SHAP分析,交互作用分析,

基金：农田土壤障碍因素多指标综合诊断与智能决策装备研制与应用项目（24ZYCGYS00910）；南方稻田镉污染空间分布特征及形态变化关键影响因子筛查项目（2201120603010240000）

本研究针对我国南方稻米主产省，采集涵盖土壤-稻米系统的303组配对样本，为解决传统方法在大尺度异质数据中的泛化瓶颈，提出“多尺度特征工程-混合评估策略-可解释性验证”的创新框架：首先基于方差过滤与递归特征消除（RFE）筛选出8项核心指标，然后采用极端梯度提升（XGB）算法，并对比随机森林（RF）、支持向量机（SVM）等模型的分类性能，最终引入SHAP（Shapley additive explanations）解析模型决策机制，揭示特征交互效应与非线性阈值规律。结果显示，模型最终的准确率达到了84.1%，在召回率和精确率的综合考量下，该模型获得了85.3%的F1得分。研究表明，集成学习可以为稻米镉含量的精准预测提供科学依据和技术支持。

来源：2025年第11期

《农业环境科学学报》期刊编辑部

查看农业环境科学学报杂志2025年第11期