基于无监督学习的土壤重金属污染异常检测用于环境风险评估
机器学习
2026-05-01 v1 人工智能
数据分析、统计与概率
地球物理
摘要
重金属污染的土壤是加纳快速城镇化地区尤其是无监管废物处理场地的持续环境和公共健康顾虑。本研究应用无监督机器学习框架检测和特征化来自加纳中部地区12个废弃场和住宅对照土壤中异常的重金属污染模式。分析了8种金属（As、Cd、Cr、Cu、Hg、Ni、Pb、Zn）的浓度，以及包括危险指数（HI）和增量终身癌风险（ILCR）在内的标准健康风险指数。孤立森林和PCA重构误差各自识别出12个异常样本（占78个样本的15.4%），而DBSCAN未检测到任何稀疏噪声点。共识方法隔离了6个稳健异常（占7.7%），所有异常都集中在单个场地（S3）附近。异常样本的平均HI值约高出70--80%，所有共识异常都超过HI=1阈值。PCA重构误差显示与HI之间存在较强正相关（），表明多变量偏差与健康风险之间存在一致性。识别出三种不同的异常类型：S3处Cu的极端富集、S4/S5处Ni异常低、以及S9--S12处中等多金属（Pb--Zn）共富集。结果表明，无监督机器学习提供了超越聚合指数的细粒度、客观见解，使针对性场地优先排序和风险导向的环境管理成为可能。
引用
@article{arxiv.2604.27102,
title = {Anomaly Detection in Soil Heavy Metal Contamination Using Unsupervised Learning for Environmental Risk Assessment},
author = {Isaac Tettey Adjokatse and Samuel Senyo Koranteng and George Yamoah Afrifa and Theophilus Ansah-Narh and Marcellin Atemkeng and Joseph Bremang Tandoh and Kow Ahor Essel-Yorke and Richmond Opoku-Sarkodie and Rebecca Davis},
journal= {arXiv preprint arXiv:2604.27102},
year = {2026}
}
备注
7 pages, 6 figures, IEEE Conference