贝叶斯多变体受体模型和卷积神经网络以确定土壤中潜在有毒元素的定量来源和空间分布:中国青州市的一个案例研究
Xiangyi Kong1, Yang Liu2, Zongqi Duan3
1College of Geography and Environment, Shandong Normal University, Ji'nan 250014, China.
Journal of hazardous materials
|July 18, 2024
概括
这项研究确定了土壤污染源,并使用先进模型预测了它们的空间分布. 自然来源主导着一些元素,而工业和交通来源影响其他元素,对土壤调节有影响.
科学领域:
- 环境科学 环境科学
- 地质化学 地质化学
- 数据科学数据科学数据科学
背景情况:
- 潜在有毒元素 (PTEs) 造成的土壤污染是一个重大的环境问题.
- 准确的来源识别和PTEs的空间预测对于有效的土壤污染管理至关重要.
- 现有的方法往往缺乏对源贡献和精确空间预测的稳健不确定性估计.
研究的目的:
- 确定青州市土壤中八种PTE的来源和空间分布.
- 用一个强大的贝叶斯多变量受体模型 (RBMRM) 来估计具有不确定性的源贡献.
- 使用多任务卷积神经网络 (MTCNN) 预测土壤PTE的空间分布.
主要方法:
- 应用RBMRM分析429个土壤样本8个PTE,计算源贡献和不确定性.
- 开发和应用MTCNN用于土壤PTE的空间预测.
- 将RBMRM结果与US-EPA正矩阵因子化结果进行比较.
主要成果:
- RBMRM确定了三个主要来源:自然,工业/交通/农业和大气沉积.
- 对于As,Cr,Cu和Ni,自然来源占主导地位. 工业,交通和农业来源显著影响了Cd,Pb和Zn.
- Hg主要来源于大气沉积,不确定性很高. MTCNN实现了较高的预测准确度 (R2 0.357-0.896).
- 家长材料影响了大多数PTE的空间分布,城市地区有Cd,Hg,Pb和Zn的热点.
结论:
- 该研究提出了一种结合RBMRM和MTCNN的新方法,用于全面评估土壤污染.
- 了解来源贡献和空间模式对于有针对性的土壤污染监管至关重要.
- 为城市和周边地区的土壤污染控制战略提供了实际影响.
