
-
生物通官微
陪你抓住生命科技
跳动的脉搏
机器学习多模型框架预测土壤导热率:高精度插值与跨来源泛化能力评估
《Scientific Reports》:Machine learning modeling and interpretation of saline soil thermal conductivity
【字体: 大 中 小 】 时间:2026年10月21日 来源:Scientific Reports 4.9
编辑推荐:
摘要土壤导热率是地热设计、地下基础设施、冻土工程、农业传热评估和地下能源系统中的关键参数。本研究开发了一种可解释的多模型机器学习框架,用于根据903个文献观察数据和15个描述温度、质地、容重、体积含水量、盐浓度、盐摩尔质量和离子特性的预测因子来预测土壤导热率。在90%的共同开
土壤导热率是地热设计、地下基础设施、冻土工程、农业传热评估和地下能源系统中的关键参数。本研究开发了一种可解释的多模型机器学习框架,用于根据903个文献观察数据和15个描述温度、质地、容重、体积含水量、盐浓度、盐摩尔质量和离子特性的预测因子来预测土壤导热率。在90%的共同开发子集中,通过五折交叉验证优化了十一个回归算法,并在10%的未触及随机保留集上进行了比较。Extra Trees产生了最低的随机保留集误差(R2 = 0.9816,RMSE = 0.0625 W m?1 K?1,MAE = 0.0446 W m?1 K?1,AARE = 3.93%,A20 = 98.90%),CatBoost和XGBoost提供了相似的高点性能。由于数据库是从20个独立的文献来源汇编而成的,因此增加了来源感知的验证。池化留一研究预测降至R2 = 0.2367,RMSE = 0.3983 W m?1 K?1。然后进行了一项更严格的回顾性外部来源验证,在任何重新拟合或调整之前,扣留了2024年两个来源的所有100个观察数据,并仅使用来自18个早期来源的其余803个观察数据开发Extra Trees。结果的外部来源性能为R2 = -3.3720,RMSE = 0.5855 W m?1 K?1,MAE = 0.5438 W m?1 K?1,AARE = 51.14%,A20 = 12.00%,证明了研究间存在显著领域偏移。特征消融表明,仅物理属性的Extra Trees模型达到了测试R2 = 0.9551;添加盐浓度使R2提高到0.9679,添加盐摩尔质量使其提高到0.9813,完整的化学表征达到了R2 = 0.9816。因此,结果支持在已表征的实验域内进行高精度插值,但不支持向未见研究进行通用转移。在工程部署前需要进行来源特定或本地验证。