王院民,陳東湘,仝桂杰,顏道浩,李富富,吳紹華

(1.南京大學地理與海洋科學學院,江蘇 南京 210023;2.浙江財經(jīng)大學東方學院,浙江 海寧 314408;3.浙江財經(jīng)大學土地與城鄉(xiāng)發(fā)展研究院,浙江 杭州 310018;4.國土資源部城市土地資源監(jiān)測與仿真重點實驗室,廣東 深圳 510034)

隨著我國工農(nóng)業(yè)快速發(fā)展,越來越多的有害物質(zhì)隨著工業(yè)排放、大氣沉降、化肥與農(nóng)藥濫用等方式進入土壤中,其中由重金屬所造成的土壤環(huán)境問題尤為嚴重[1]。據(jù)調(diào)查顯示,耕地土壤中Cd元素污染問題最嚴重,其點位超標率達到7.0%[2]。水稻是重金屬Cd易富集農(nóng)作物,易使Cd通過食物鏈進入人體,影響人體健康。人體攝入過量Cd元素可能會導致高血壓、腎功能失調(diào)和心腦血管疾病[3-4]。如今,重金屬Cd污染已成為影響我國水稻品質(zhì)安全的重要因素[5-6]。

作物中Cd含量會隨著所處環(huán)境不同而呈現(xiàn)出不同的富集狀態(tài)[7],探討不同環(huán)境中水稻Cd超標空間識別及預測問題,對因地制宜制定水稻Cd污染防范措施具有很現(xiàn)實的指導意義。當前作物重金屬空間分布及其影響因素研究中,較常用研究方法有地統(tǒng)計法[8]、GIS空間分析法[9]、隨機森林模型法[10]以及主成分分析(PCA)和相關性分析(CA)等多元統(tǒng)計法[11]。但單用這些分析方法都存在一定局限性。地統(tǒng)計法一般適用于重金屬污染程度較低且母質(zhì)污染與外界污染差值不大的區(qū)域;GIS空間分析法所利用的空間插值雖能直觀表征空間分布,但由于污染物空間分布影響因素多,存在較大不確定性;PCA和CA等多元統(tǒng)計方法中相互校驗一般需要在研究過程中采取足夠多的樣本才能達到空間識別效果[12];隨機森林模型法、人工神經(jīng)網(wǎng)絡法等則難以提取具體的空間識別規(guī)則。因此,采用多方法整合以彌補單一方法的缺陷,是當前提高作物重金屬空間分布識別和制圖精度的重要途徑。

為解決傳統(tǒng)制圖精度較低的問題,采用整合決策樹模型與隸屬度空間制圖方法對水稻籽粒Cd超標空間進行識別和預測。相較于只采用決策樹制圖方法,采用隸屬度空間制圖方法可將水稻籽粒Cd超標類型與環(huán)境之間的關系表示為一系列隸屬度函數(shù),即將傳統(tǒng)非0即1的二元邏輯假設轉(zhuǎn)化為0～1的隸屬度形式,以表達水稻Cd超標類型與多環(huán)境因子之間的非線性關系,能更好地反映水稻籽粒Cd超標空間分布的漸變特征,從而提高空間制圖精度。研究目標包括(1)識別影響水稻籽粒Cd超標的主控因子;(2)構(gòu)建水稻籽粒Cd超標與環(huán)境因子之間的決策樹模型,并進行超標區(qū)域空間預測;(3)提取水稻籽粒Cd元素的超標識別規(guī)則,通過隸屬度分析開展水稻超標風險的空間分布預測制圖研究,旨在為研究區(qū)水稻Cd超標風險識別與分區(qū)管控提供決策支持。

1 材料與方法

1.1 研究區(qū)概況

斗門區(qū)位于珠江三角洲南端,珠海市西部,東連中山市,北依江門市,介于北緯21°59′～22°25′、東經(jīng)113°0.5′～113°25′之間(圖1)。該區(qū)下轄5個鎮(zhèn),總面積為674.8 km2。斗門區(qū)地貌類型以低山、丘陵、臺地、沉積平原和仍在發(fā)育的灘涂為主,呈現(xiàn)出明顯的層狀地貌。全區(qū)平原寬廣,低山突屹,孤丘眾多,水道交錯,河涌密布,整體地形趨勢為東北部低于西南部。由于研究區(qū)位于西江入?？?上游污染物經(jīng)搬運沉積會在土壤中富集;同時,研究區(qū)內(nèi)鄉(xiāng)鎮(zhèn)企業(yè)分布較密集,其排放的污染物也加劇了污染程度,導致研究區(qū)土壤重金屬富集,重金屬易通過土壤-水稻系統(tǒng)遷移到水稻籽粒中。

圖1 研究區(qū)概況及采樣點分布Fig.1 Survey of the study area and distribution of sampling points

1.2 采樣方法與樣品測試

根據(jù)水稻田空間分布情況,于2018年6月底在研究區(qū)隨機設66個采樣點采集水稻籽粒和水稻根際土壤樣品,同時再設土壤采樣點65個(圖1)。研究區(qū)污染工廠點位空間數(shù)據(jù)采用Python 3.7軟件獲取。將每個水稻采樣點所處農(nóng)田分成5小塊,在每小塊采集5株水稻,把整塊農(nóng)田25株水稻的籽?；旌虾笞鳛?份水稻籽粒樣品,將籽粒脫殼、脫糠后,貯存于編號塑料袋中備用。采集水稻的同時采集水稻根基土壤。在每個土壤采樣點將邊長為10 m的正三角形頂點與中心處各取1 kg土壤,混勻后取1 kg作為該樣點土壤樣品。根際土壤和土壤樣品均為表層0～20 cm土壤。

在實驗室將水稻籽粒樣品烘干、稱重、粉碎,采用HNO3-HClO4溶液對0.1 g水稻籽粒樣品進行混酸處理,采用電感耦合等離子體質(zhì)譜(ICP-MS,Agilent 7700X)測定水稻籽粒Cd含量。先后在土壤樣品中加入HF、HNO3和HClO4對樣品進行消煮,然后采用石墨爐原子吸收法測定土壤樣品中全量Cd含量。測試過程均加入生物成分分析標準物質(zhì)(GBW10044)進行質(zhì)量控制,回收率為90%～111%。具體的樣品測試結(jié)果見表1。

表1 水稻籽粒、根際土壤和土壤Cd含量測試結(jié)果分析Table 1 Analysis of Cd content in rice grain,rhizosphere soil and soil

1.3 決策樹模型的構(gòu)建

1.3.1決策樹模型構(gòu)建原理

決策樹一般由根節(jié)點、分叉點和葉子節(jié)點3部分組成。首先將所采集樣本按一定比例分為訓練樣本和檢驗樣本,設訓練樣本S的個數(shù)為s,被分為m類,每種類別分別記為Ci(i=1,2,…,m),Ci類樣本個數(shù)為si,則Ci類中存在si的概率記為pi,樣本分類所需要的分類期望記為I(s1，s2，…，sm),其計算公式為

pi=si/s,

(1)

(2)

假設屬性A可以將訓練樣本S劃分為n個子集,記為sj(j=1,2,…,n),sij為子集sj中屬于Ci類的個數(shù),則Ci類中存在子集sj中樣本的概率記為pij,子集sj樣本需要的分類期望記為I(s1j，s2j，…，smj),按屬性A劃分成子集的期望記為EA,訓練樣本S按屬性A分類所得到的信息增益(Gain值)記為GA,其計算公式為

pij=sij/sj,

(3)

(4)

(5)

GA=I(s1j，s2j，…，smj)-EA。

(6)

按相同方法得到所有屬性的Gain值,將訓練樣本按Gain值最大的屬性進行分類,然后自上向下利用遞歸法構(gòu)建所有決策樹分支。決策樹從根節(jié)點到子節(jié)點的每一個分支都代表著一種分類規(guī)則,每條分支上的節(jié)點都代表著該規(guī)則的限制條件,對每條規(guī)則進行逐一提取、編號及精度分析,最終實現(xiàn)水稻籽粒中Cd超標的具體識別。

1.3.2決策樹模型構(gòu)建方法及精度驗證

影響水稻籽粒Cd含量的環(huán)境因子可分為自然因素和人為因素,自然因素包括土壤Cd含量、土壤有機質(zhì)含量、土壤pH值、砂粒含量、土壤全Fe含量、土壤無定形Fe含量和距河流水面距離,人為因素包括距城鎮(zhèn)村及工礦用地距離、距交通運輸用地距離、距污染企業(yè)距離和夜間燈光指數(shù)。

依據(jù)GB 15618—2018《土壤環(huán)境質(zhì)量 農(nóng)用地土壤污染風險管控標準(試行)》和GB 2762—2017《食品中污染物限量》,并結(jié)合實際情況,將樣本各屬性分為超標(F)和不超標(T)2類,盡量使2類樣本數(shù)量差別不大,避免決策樹因一側(cè)數(shù)目過少而被剪枝,具體分類標準見表2。在決策樹模型中計算得到各環(huán)境因子Gain值,Gain值可表示環(huán)境因子為決策樹模型構(gòu)建帶來的信息量,能用來直接衡量各環(huán)境因子貢獻度大小。某環(huán)境因子Gain值越大,則該環(huán)境因子特征越重要。構(gòu)建決策樹模型時選擇Gain值較大的環(huán)境因子對應的水稻樣點數(shù)據(jù)。

42個采樣點數(shù)據(jù)用于構(gòu)建決策樹模型,其他24個采樣點數(shù)據(jù)用于隸屬度制圖精度驗證。將構(gòu)建決策樹模型的42個采樣點從研究區(qū)左上到右下依次編號為1～42,并按5∶1比例進行分配,得到訓練樣本35個和預測樣本7個,采取編號等間隔6的樣本為預測樣本的分層取樣法,將這6組樣本依次放在決策樹模型中生成決策樹。決策樹構(gòu)建完成后以預測樣本遍歷所構(gòu)建的決策樹模型,將模型預測結(jié)果與樣本實際結(jié)果進行比較,從而得到?jīng)Q策樹預測精度。

1.4 隸屬度制圖

隸屬度制圖模型是在土壤-景觀模型基礎上對定量模型進行重新制圖的過程[13-15]。該模型采用系統(tǒng)論方法論述了土壤發(fā)生過程與景觀要素之間的關系,為空間預測分布制圖提供了很大便利[16-19]。隸屬度制圖步驟如下。

(1)類型隸屬度的計算。類型隸屬度為某個分類類型與環(huán)境因子組合之間的相似度[20-21]。先提取某超標類型與單個環(huán)境因子之間的隸屬度函數(shù),進而計算該超標類型與環(huán)境因子之間的隸屬度。再計算該超標類型與環(huán)境因子組合之間的隸屬度,即采用limiting factor方法綜合上一步計算得到的單環(huán)境因子隸屬度。超標類型會受到隸屬度最小的環(huán)境因子限制,以環(huán)境因子組合之間的最小單環(huán)境因子隸屬度作為該超標類型的隸屬度。最后計算該超標類型與多個環(huán)境因子組合之間的隸屬度。當某超標類型對應多個環(huán)境因子組合時,采用模糊最大算子方法實現(xiàn)多環(huán)境因子組合之間隸屬度的綜合。選擇多個環(huán)境因子組合中數(shù)值最大的隸屬度作為該超標類型的類型隸屬度。

表2 各環(huán)境因子屬性分類和貢獻度Table 2 Attribute classification and contribution degree of environmental factors

F和T分別表示超標和不超標。

(2)類型隸屬度圖的硬化。硬化是對每個圖像像元進行綜合分析,每個像元會形成1個類型的隸屬度向量。設m種類型對應的隸屬度向量分別為Ai(i=1,2,…,m),當Ai為最大值時,認為該像元所屬類型為第i種。

(3)精度驗證。類型隸屬度圖硬化完成后,需進行solimsolution 2015軟件與ArcGIS 10.2軟件之間的格式轉(zhuǎn)換,以便能更好地進行空間制圖表達。精度評價時采用混淆矩陣方法進行分析,分析指標為生產(chǎn)精度、用戶精度和總分類精度[22-23]。

2 結(jié)果與分析

2.1 影響水稻籽粒Cd含量的各環(huán)境因子貢獻度

如表2所示,距交通運輸用地距離、土壤SOM含量和土壤無定形Fe含量為影響水稻籽粒Cd含量的主控環(huán)境因子;而研究區(qū)土壤Cd含量和土壤砂粒含量空間變異小,是影響水稻Cd含量的非主控因子。

2.2 決策樹的構(gòu)建

綜合考慮研究區(qū)實際情況和水稻籽粒Cd含量各環(huán)境因子的貢獻度分析結(jié)果(表2),選擇距交通運輸用地距離(Dist-road)、土壤SOM含量(SOM)、土壤無定形Fe含量(A-Fe)和土壤pH值(pH)4個環(huán)境因子構(gòu)建決策樹。公路交通污染是影響公路兩側(cè)農(nóng)產(chǎn)品質(zhì)量安全的重要因子之一,距交通運輸用地距離越小,水稻籽粒Cd污染越嚴重,Cd活性越強[24]。土壤SOM含量對水稻Cd含量的影響主要體現(xiàn)在有機膠體對金屬離子的強交換和吸附能力,土壤SOM含量過低時,增加其含量可減少作物中重金屬含量,而SOM含量較高時,增加重金屬活性,反而會加重重金屬污染[25]。土壤無定形Fe能吸附土壤重金屬,降低土壤中有效態(tài)Cd含量,進而減少植物對Cd的吸收[26]。土壤pH值則通過影響重金屬在土壤中的溶解度來影響其行為,增加pH值會大大降低作物中Cd活性[27]。

決策樹模型共生成6棵決策樹(圖2)。如圖2所示,決策樹1～5分支中都存在超標(F)和不超標(T)的情況,決策樹6由于分層抽樣時超標樣本數(shù)目較少,決策樹結(jié)果全為T,作為特殊情況不予考慮。決策樹1～4只包含距交通運輸用地距離、土壤SOM含量和土壤pH值3個環(huán)境因子,這是由于訓練樣本中土壤無定形Fe含量的Gain值較小。決策樹5中則包含所有4個環(huán)境因子,這說明該決策樹訓練樣本集模擬結(jié)果較好,滿足研究要求。

pH為土壤pH值,Dist-road為距交通運輸用地距離,SOM為土壤SOM含量,A-Fe為土壤無定形Fe含量。F和T分別為超標和不超標。圖2 決策樹模型所產(chǎn)生的決策樹簡圖Fig.2 A decision tree diagram generated by the decision tree model

2.3 水稻Cd元素超標的識別規(guī)則及精度分析

基于5棵決策樹,對每個分支逐一進行規(guī)則提取,共得到22條水稻Cd超標的識別規(guī)則。去除存在許多重復的規(guī)則,并根據(jù)每條規(guī)則超標情況及出現(xiàn)次數(shù),將水稻籽粒Cd超標可能性按從大到小順序劃分為A～E 5個等級,最終得到判斷水稻籽粒Cd超標與否的5條識別規(guī)則(表3)。

表3 水稻超標決策樹識別規(guī)則的提取Table 3 Extraction of over-standard rules for rice

pH為土壤pH值,Dist-road為距交通運輸用地距離,SOM為土壤SOM含量,A-Fe為土壤無定形Fe含量。F和T分別為超標和不超標。當超標情況為F,出現(xiàn)次數(shù)越多,超標可能性也越大;當超標情況為T,出現(xiàn)次數(shù)越少,超標可能性也越小。

為驗證決策樹模型可靠性,利用每組驗證樣本依次對每棵決策樹進行精度驗證，結(jié)果見表4。

表4 驗證樣本進行模型驗證的精度Table 4 Validation samples to validate the model accuracy

如表4所示,每棵決策樹驗證精度>70%,且平均精度為85.71%。對精度數(shù)據(jù)進行統(tǒng)計分析,得到標準差為14%,方差為2%。這表明構(gòu)建的決策樹模型比較穩(wěn)定,能夠用于對水稻籽粒Cd超標情況進行風險識別。

2.4 隸屬度制圖與精度分析

2.4.1水稻Cd超標的隸屬度

為在空間上對研究區(qū)水稻籽粒Cd污染進行風險識別,根據(jù)決策樹模型計算結(jié)果采用solimsolution 2015軟件添加規(guī)則(表2),構(gòu)建pH、SOM、Dist-road和A-Fe的單環(huán)境因子隸屬度曲線,得到研究區(qū)規(guī)則庫,推理得到研究區(qū)水稻籽粒Cd超標隸屬度分布(圖3)。隸屬度值介于0～100之間,隸屬度值越大,則表示該空間像元內(nèi)水稻籽粒Cd超標風險越高。如圖3所示,隸屬度高值區(qū)主要分布在研究區(qū)中部、西部和北部區(qū)域,而低值區(qū)主要分布在研究區(qū)東部和南部地區(qū)。

圖3 研究區(qū)水稻Cd超標的隸屬度分布Fig.3 Distribution map of subordinate degree of rice Cd over-standard in study area

2.4.2水稻超標隸屬度圖的硬化

由圖3并不能直接得到研究區(qū)水稻Cd空間超標風險,還需要利用solimsolution 2015軟件進行硬化處理。硬化采用最大隸屬度法,即對同一個像元,比較其對應的水稻Cd超標與不超標的隸屬度值大小,最后將隸屬度較大的水稻Cd超標類型作為該像元的值。對研究區(qū)所有像元進行分析后,得到研究區(qū)水稻Cd污染風險規(guī)則推理制圖(圖4)。

2.4.3隸屬度制圖精度驗證

為分析隸屬度制圖效果,采用ArcGIS 10.2軟件對用于構(gòu)建決策樹模型的研究區(qū)42個采樣點水稻籽粒Cd實測值進行反距離插值制圖(圖5)。反距離插值原理為以插值點與樣本間的距離為權重進行加權,對離插值點越近的采樣點賦予的權重越高。

(1)制圖效果評價。如圖4～5所示,隸屬度制圖與傳統(tǒng)插值圖結(jié)果相似度較高,都可以表明研究區(qū)水稻籽粒Cd污染風險安全區(qū)域范圍明顯大于超標區(qū)域范圍的分布特征,且超標區(qū)域主要分布在研究區(qū)中部和東北部,這在一定程度上也驗證了決策樹模型的可靠性。由于水稻Cd超標受生長區(qū)域環(huán)境制約,環(huán)境的復雜性決定了超標區(qū)域的分散性。隸屬度制圖超標區(qū)域更為分散,不是大面積區(qū)域超標,這在一定程度上更加符合研究區(qū)實際情況。

圖4 研究區(qū)水稻Cd污染風險隸屬度制圖Fig.4 Mapping of subordinate degree of Cd pollution risk of rice in study area

圖5 研究區(qū)水稻Cd污染風險識別插值圖Fig.5 Interpolation map of rice Cd pollution risk identification in study area

(2)隸屬度制圖精度評價。采用24個采樣點數(shù)據(jù)對隸屬度制圖結(jié)果進行精度驗證(表5)。驗證結(jié)果顯示,水稻Cd超標的用戶精度和生產(chǎn)精度均為66.67%,相對較低。而水稻Cd不超標的用戶精度和生產(chǎn)精度均為95.24%,相對較高。這主要是由于水稻Cd超標的采樣點數(shù)目較少導致?？偡诸惥葹?1.67%,這表明在有限的野外采樣點的驗證下,該精度達到了預期效果,因此可以認為所構(gòu)建的決策樹模型是比較可靠的。

而采用同樣的24個水稻樣本對所得到的插值圖進行驗證,得到傳統(tǒng)插值圖的精度混淆矩陣(表6)。結(jié)果表明,水稻籽粒Cd超標的用戶精度和生產(chǎn)精度分別為20.00%和33.33%,水稻籽粒Cd不超標的用戶精度和生產(chǎn)精度分別為89.74%和80.95%,總分類精度為75.00%。

表5 水稻Cd污染風險隸屬度制圖精度評價Table 5 Mapping accuracy evaluation of rice Cd pollution risk rules

表6 水稻Cd污染風險插值圖精度評價Table 6 Accuracy evaluation of rice Cd pollution risk interpolation mapping

如表5～6所示,與傳統(tǒng)插值圖相比,基于決策樹模型的隸屬度制圖總分類精度由75.00%上升至91.67%。插值圖方法主要通過空間數(shù)據(jù)相關性進行制圖預測,其結(jié)果受限于樣本數(shù)量和采樣點空間設置。而決策樹模型優(yōu)勢在于其考慮了水稻污染與環(huán)境因子之間的關系,且如果規(guī)則精度較高這種關系還可推廣到其他地區(qū),較傳統(tǒng)插值圖方法具有更加實際的應用意義。

3 討論

筆者研究選取了影響研究區(qū)水稻籽粒Cd污染的11個環(huán)境因子構(gòu)建決策樹模型,并根據(jù)模型得到每個環(huán)境因子的貢獻度,發(fā)現(xiàn)距交通運輸用地距離為主控因子,這可能一方面是因為研究區(qū)采樣點周圍交通運輸用地比較密集,而交通排放的重金屬生物有效性高[27];另一方面是因為交通條件好的地區(qū)企業(yè)分布密集,人為活動強烈,重金屬外源輸入通量大。土壤粒徑越小,其總表面積就越大,吸收重金屬的能力就越強,所以土壤中重金屬含量與砂粒含量之間呈一定正相關關系[28]。但筆者研究發(fā)現(xiàn)土壤砂粒含量與土壤Cd含量的貢獻度最小,這可能是由于研究區(qū)土壤母質(zhì)為河相沖積物,Cd含量和土壤砂粒含量分布相對較均勻。因此,研究區(qū)土壤Cd元素含量和砂粒含量與水稻籽粒Cd含量相關不顯著。

此外,構(gòu)建決策樹過程中,筆者研究對總樣本按訓練樣本數(shù)與驗證樣本數(shù)比值為5∶1進行分配,最終得到35個訓練樣本和7個驗證樣本。而采用的分配方式不同(如4∶1或6∶1),決策樹模型計算結(jié)果也會不同,如何選擇最優(yōu)分配方式以盡量減少分配方式造成的誤差也是該研究重點考慮的問題之一。構(gòu)建決策樹模型時,如果訓練樣本太少會使規(guī)則缺乏代表性,而若驗證樣本太少則會降低驗證結(jié)果的可靠性?；诖?以最終得到的規(guī)則數(shù)量和模型驗證精度為標準,采用不同分配方式進行多次模型構(gòu)建,規(guī)則數(shù)量越多,模型結(jié)果偶然性就越小,而驗證精度則能更直接反映模型效果。最終發(fā)現(xiàn)35個訓練樣本和7個預測樣本的分配方式效果最好。綜上所述,不同分配方式會對模型結(jié)果產(chǎn)生一定影響,但可以通過調(diào)節(jié)分配方式將這種影響降低到最小,使構(gòu)建的模型符合研究需要。

根據(jù)決策樹分支提取了識別研究區(qū)水稻Cd超標的5個等級的識別規(guī)則,且通過識別規(guī)則進行隸屬度空間制圖表達,得到研究區(qū)水稻Cd超標空間分區(qū)。隸屬度空間制圖與插值圖結(jié)果存在一定差異,這主要是因為制圖原理不一樣。插值圖法以插值點與樣本間的距離為權重進行加權,對離插值點越近的采樣點賦予更高的權重[29],這使離超標樣點距離越近的區(qū)域超標可能性越大,最后造成超標區(qū)域在超標樣點周圍成片分布的現(xiàn)象。而隸屬度空間制圖充分考慮了周圍環(huán)境因子與水稻超標樣點之間的影響機制,并通過決策樹模型以一定規(guī)則的形式表示出來,最后再基于模糊數(shù)學理論進行推理制圖,這就使結(jié)果中超標區(qū)域不再是成片分布,而是根據(jù)特定樣點所處的特定環(huán)境機制形成[30]。如表5～6所示,隸屬度制圖用戶精度明顯大于插值圖,這主要是由于超標樣點既分布在插值圖的片狀區(qū)域內(nèi),也分布在隸屬度制圖的零星區(qū)域內(nèi)。由于插值圖的片狀超標區(qū)域較大,會包含更多不超標樣點,而隸屬度制圖的零星區(qū)域能以更小范圍鎖定這些超標樣點,從而提高模型準確度?？傮w來說,決策樹與隸屬度制圖相結(jié)合,能提高模型穩(wěn)健度和識別精度,可以判別出影響水稻籽粒Cd超標的主控因子和非主控因子,并能根據(jù)識別規(guī)則較準確地推斷出水稻Cd超標的空間區(qū)域,可為政府部門有效減少研究區(qū)水稻籽粒Cd超標情況提供決策依據(jù)。

4 結(jié)論

(1)通過計算各環(huán)境因子的信息增益,發(fā)現(xiàn)距交通運輸用地距離、土壤SOM含量和土壤無定形Fe含量為影響研究區(qū)水稻籽粒Cd污染的主控因子,而土壤Cd含量和土壤砂粒含量為非主控因子。

(2)選擇土壤pH值、土壤SOM含量、土壤無定形Fe含量和距交通運輸用地距離4個環(huán)境因子構(gòu)建決策樹模型,得到5條用于識別水稻籽粒Cd污染的規(guī)則。經(jīng)驗證,識別規(guī)則精度約為85.71%,可在一定程度上用于識別研究區(qū)水稻籽粒Cd污染風險。

(3)對識別規(guī)則進行空間制圖表達,發(fā)現(xiàn)用隸屬度制圖方法得到的水稻籽粒Cd污染空間分布更細致,比較符合研究區(qū)水稻籽粒Cd污染實際情況,且總分類精度為91.67%,在采樣點有限的情況下能達到制圖要求。與單純決策樹制圖(精度為85.71%)和傳統(tǒng)插值圖(總分類精度為75.00%)相比,決策樹模型與隸屬度結(jié)合能提高決策樹模型穩(wěn)健性和識別精度。