利用图注意力网络进行土壤微塑料和有机物的空间预测

arXiv cs.LG 论文
microplastics soil organic-matter graph-attention-networks spatial-prediction deep-learning geospatial

摘要

本文提出了一种图注意力网络（GAT）方法，用于建模土壤样本中的空间依赖性，以预测微塑料和有机物，取得了较高的R²值，但由于样本量小，交叉验证泛化能力有限。

arXiv:2607.22875v1 公告类型：新 摘要：准确估算土壤中的微塑料和有机物对于评估生态系统健康和支持可持续土地利用至关重要。本研究提出了一种基于图的深度学习方法，使用图注意力网络（GAT）对91个地理参考土壤样本的空间依赖性进行建模。通过结合空间坐标、土壤属性和土地利用数据，开发了一个两层GAT架构来捕获局部相互作用。最终模型表现出色，微塑料的RMSE为625.06（R² = 0.87），有机物的RMSE为0.43（R² = 0.91）。然而，交叉验证结果显示泛化能力有限，可能是由于样本量小和图结构稀疏。这些发现展示了GAT在空间土壤预测中的潜力，并强调了需要密集数据集和改进图连接性。
查看原文
查看缓存全文

缓存时间: 2026/07/28 06:22 

# 基于图注意力网络的土壤微塑料与有机质空间预测  
来源：https://arxiv.org/abs/2607.22875  
查看PDF (https://arxiv.org/pdf/2607.22875)  

> **摘要：** 准确估算土壤微塑料和有机质对于评估生态系统健康和支持可持续土地利用至关重要。本研究提出了一种基于图的深度学习方法，利用图注意力网络（GAT）对91个地理参考土壤样本的空间依赖性进行建模。通过整合空间坐标、土壤属性和土地利用数据，开发了一个两层GAT架构来捕获局部相互作用。最终模型表现出较强性能，微塑料的RMSE为625.06（$R^2 = 0.87$），有机质的RMSE为0.43（$R^2 = 0.91$）。然而，交叉验证结果显示其泛化能力有限，这可能是由于样本量较小且图结构稀疏所致。这些发现展示了GAT在土壤空间预测中的潜力，并强调了密集数据集和改进图连接性的必要性。

## 提交历史

来自：Md Al Amin \[查看电子邮件 (https://arxiv.org/show-email/41817b8a/2607.22875)\] **\[v1\]**2026年7月24日星期五 19:35:29 UTC（941 KB）

相似文章

用于交通预测的全局-局部图注意力网络

arXiv cs.AI

提出了一种具有成对编码和基于事件的邻接矩阵的全局-局部图注意力网络（GLGAT）用于交通预测，有效捕捉时空相关性，并在真实数据集上取得了有竞争力的性能。

时间增强图注意力网络用于可供性分类

Hugging Face Daily Papers

EEG-tGAT是一种时间增强的图注意力网络，通过融合时间注意力和dropout机制来改进交互序列的可供性分类。该模型在GATv2基础上进行了增强，适用于时间维度语义不均匀的序列数据。