基于神经网络的土壤重金属预测及生态风险评价

采用单隐层RBF神经网络模型预测土壤重金属Cr、As、Ni、Pb、Zn 5种元素的含量,实测35组数据做为训练数据,另用6组做验证数据,该模型是以利用采样的10组数据预测其后的连续5组数据,输入层的神经元个数是10,输出层是5,隐含层的传递函数为径向基函数radbas,输出层的传递函数为线性函数Purelin,其结果表明:采用RBF神经网络模型预测有较高的精度。通过多元统计分析采样样品与预测样品,研究区域As、Ni、Zn的均值超过了上海市土壤环境背景值,As元素达到高度变异,Pb、Zn、Ni 3种元素达到中度变异。通过因子分析,前2个因子基本包含了全部元素变量的主要信息,第1因子中载荷最高是元素Ni(0.946),第2因子中则为元素As(0.930)。通过潜在生态风险指数评价,研究区域整体呈轻度生态风险水平。采用RBF神经网络模型可以降低采样分析成本,更好的评价区域土壤重金属的生态风险。