在被潜在毒性元素污染的土壤中预测diazinon残留度的建模:机器学习方法的比较研究

科学领域:

• 环境化学环境化学
• 土壤科学 土壤科学
• 计算科学 计算科学

背景情况:

• 杀虫剂的使用,就像迪亚津一样,引发了环境问题,包括污染和生物多样性丧失.
• 潜在有毒元素 (PTE) 可以影响农药的命运和在土壤生态系统中的持久性.
• 准确预测农药降解对于环境风险评估至关重要.

研究的目的:

• 为了研究PTE (Zn,Cd,V,Mn) 对三种土壤类型的氨酸降解的影响.
• 评估四种机器学习模型 (ANFIS,SVR,RBF,MLP) 在预测残留diazinon度方面的性能.
• 为了确定最有效的PTE增强迪亚津降解.

主要方法:

• 机器学习模型 (ANFIS,SVR,RBF,MLP) 已开发出来,用于预测氨酸度.
• 在模型评估中使用了10倍交叉验证策略.
• 模型性能使用R2,RMSE,MAE和MSE指标进行评估.

主要成果:

• 支持向量回归 (SVR) 和自适应神经模糊推理系统 (ANFIS) 在模拟氨酸降解方面表现出卓越的性能.
• 在PTE存在的情况下,SVR在估计农药度方面比ANFIS更准确.
• (V) 被确定为最有效的PTE促进氨酸降解,从SVR和ANFIS模型中具有很高的预测准确性.

结论:

• 机器学习模型,特别是SVR和ANFIS,是预测农药在土壤中的降解的有效工具.
• 可能有毒的元素显著影响农药降解动态.
• 作为一种增强污染土壤中氨酸降解的药物,显示出有前途.