土壌カドミウムの空間分布を予測し,カルスト地域におけるマルチモデルの機械学習とHDXRFカップリングで予測する

科学分野:

• 環境科学 環境科学
• 土壌科学は,土壌科学である.
• 地質化学 地質化学

背景:

• 土壌の潜在的に有毒な金属の空間分布をマッピングすることは,汚染された土壌の安全で持続可能な使用と管理に不可欠です.
• カースト地帯は,土壌の高度な異質性や,金属の分布に影響する複雑な原動力要因により,課題を提示しています.
• カドミウム (Cd) の汚染は,生態系と人間の健康にリスクをもたらし,正確な空間予測を必要とします.

研究 の 目的:

• カースト地域における土壌のCd濃度を予測するための機械学習フレームワークの開発および検証.
• 高解像度X線光 (HDXRF) のスペクトルを,Cd予測のための土壌特性と地形特性に統合する.
• 地質学的に豊かな環境と融解の影響を受けたカルスト環境の両方で,Cdの蓄積の主要な要因を特定する.

主な方法:

• 中国南西部の地質学的にCd濃縮された,溶融の影響を受けた地域からの土壌サンプル分析.
• Elastic NetとXGBoostを含む6つの異なる機械学習 (ML) モデルの適用と比較.
• SHAP (SHapley Additive exPlanations) とジオ検出器の方法を使用して,特徴の重要性と因子相互作用を分析します.

主要な成果:

• Elastic Netモデルは,地質学的領域ではR2=0.879を達成し,XGBoostは融解領域ではR2=0.893を達成しました.
• Cdの蓄積の主要な要因は異なっていた:地質学的領域における砂の含有量と地形;溶融地帯におけるpH,シルト,有機物質.
• 地質探知器の分析により,粘土と斜面の結合,シルトとカチョンの交換能力の相乗効果など,相乗効果の相互作用が明らかになった.

結論:

• 統合されたMLフレームワークは,カルスト生態系における土壌Cdレベルの効率的かつ費用対効果の高い大規模モニタリングを提供します.
• 地質学的および人為的な環境におけるCd蓄積の明確なメカニズムが明らかにされました.
• この研究は,脆弱なカルスト環境における正確な土壌管理戦略のための重要な情報を提供します.