基于机器学习的土壤质量评估,以加强对铁矿石开采影响的生态系统的环境监测
Helena Santiago Lima1, Gustavo Ferreira Viegas de Oliveira2, Ricardo Dos Santos Ferreira2
1Laboratory of Applied Environmental Microbiology, Department of Microbiology, Federal University of Viçosa, Viçosa, MG, Brazil.
Journal of environmental management
|March 12, 2024
概括
机器学习准确地预测了Fundao大灾难后的土壤恢复阶段,使用关键指标,如阴离子交换能力 (CEC). 这种方法提高了监测效率和重新造林工作的成本效益.
科学领域:
- 环境科学 环境科学
- 土壤科学 土壤科学
- 数据科学数据科学数据科学
背景情况:
- 2015年Fundao大破裂在巴西玛丽亚纳州造成了严重的环境破坏.
- 森林再生计划正在进行中,但评估土壤恢复是具有挑战性的.
- 有效的监测需要准确的土壤健康指标.
研究的目的:
- 开发一种机器学习模型,用于预测土壤质量指标.
- 区分土壤回收的各个阶段在森林再生地区.
- 为了有效监测,确定土壤的关键参数.
主要方法:
- 在两年内从受矿山尾矿影响和不受影响的地区收集了土壤样本.
- 分析了22个土壤参数 (3个生物,16个化学,3个物理).
- 使用机器学习,特别是决策树模型,来预测恢复阶段.
主要成果:
- 一个简化的决策树模型实现了92%的训练准确率和93%的测试准确率.
- 电离体交换能力 (CEC),微生物生物质碳 (MBC),基和度 (BS) 和有效电离体交换能力 (eCEC) 是关键预测因素.
- 该模型有效地区分了土壤恢复阶段.
结论:
- 机器学习为评估土壤健康和恢复提供了强大的工具.
- 开发的模型通过减少必要的参数来简化监测.
- 这种方法提高了环境修复工作的效率,成本效益和分析严谨性.
