Prediction of Soil Heavy Metal Spatial Distribution Based on BME and Improved GWR

土壤重金属污染的复杂性和危害性对精准空间预测方法提出了更高要求。本研究针对湖北省宜昌市稻田区域，结合多源环境变量（地形、自然条件、遥感影像等），采用贝叶斯最大熵（Bayesian Maximum Entropy, BME）与地理加权回归（Geographically Weighted Regression, GWR）及普通克里金（Ordinary Kriging, OK）相结合的方法，构建BME-GWR-OK（BMEGK）混合模型，探索土壤中重金属砷、汞、铬、镉、铅（As、Hg、Cr、Cd、Pb）的空间分布特征。研究结果表明：（1）与传统空间插值方法相比，BMEGK模型显著提高了重金属空间预测精度，平均绝对误差（Mean Absolute Error, MAE）和均方根误差（Root Mean Square Error, RMSE）分别降低了1.46%-3.81%和0.5%-3.67%；（2）通过多源环境变量的协同，揭示了区域重金属的空间分布格局，Hg和Cd高值区主要集中于工农业活动强烈区域，As和Pb的分布受地形与人类活动的共同影响。研究不仅证实了BMEGK模型在土壤重金属空间预测中的优越性，还为区域环境风险评估和精准治理提供了科学支持。