从土壤吸收到小麦粒中的:基于人工神经网络和地化学数据的非线性过程预测
Kai-Ning Lv1, Yong Huang2, Guo-Li Yuan1
1School of the Earth Sciences and Resources, China University of Geosciences, Beijing 100083, China; State Key Laboratory of Biogeology and Environmental Geology, China University of Geosciences, Beijing 100083, China.
The Science of the total environment
|July 12, 2024
概括
人工神经网络 (ANN) 通过分析土壤元素,准确地预测小麦粒中的 (Zn). 这种方法可以识别适合种植富含的小麦的土地,有助于预防异常微量元素水平带来的健康风险.
科学领域:
- 环境科学 环境科学
- 农业科学 农业科学
- 地质化学 地质化学
背景情况:
- 植物中的微量元素来源于土壤,通过食物链对人类健康产生影响.
- 非线性土壤到植物的微量元素吸收需要超越传统方法的先进预测模型.
- 了解土壤-植物-人类微量元素的关系对于食品安全和农业管理至关重要.
研究的目的:
- 使用土壤地质化学数据,开发小麦粒中 (Zn) 含量的准确预测模型.
- 将人工神经网络 (ANN) 的预测性能与多重线性回归 (MLR) 模型进行比较.
- 建立一个两步模型来预测Zn生物积累因子 (BAF) 和谷物含量.
主要方法:
- 收集了4036个地表土壤和73个结合的树根球土壤-小麦样本.
- 利用人工神经网络 (ANN) 和多重线性回归 (MLR) 进行预测建模.
- 采用了皮尔森相关性分析,以确定与Zn BAF具有显著的土壤元素相关性.
- 开发了一个两步模型,从总元素含量 (TCE) 预测可用元素含量 (ACE),然后从ACE预测Zn BAF.
主要成果:
- 与MLR模型相比,ANN模型在小麦谷物中对Zn的预测准确度更高.
- 可用元素含量 (ACE) 提供了比总元素含量 (TCE) 更好的预测准确性.
- 两步模型成功预测了4036个表土样本的小麦粒中的Zn含量.
- 分析的85.69%的土地被确定为适合种植富含的小麦.
结论:
- ANN提供了一种更准确的方法来预测从土壤到谷物的微量元素吸收.
- 开发的模型可以确定适合生物强化作物种植的区域.
- 这种预测能力有助于减轻与食品中微量元素水平异常相关的潜在人类健康风险.
