用激光诱导分解光谱和机器学习来对受野火影响地区的土壤重金属 (Cr,Ni,Pb,Zn) 污染进行分类
Georgios Kantemiris1, Evangelia Xenogiannopoulou2, Aristofanis Vollas1,3
1Materials Industrial Research and Technology Center S.A. - Environmental Lab, 76thKm of Athens-Lamia National Road, 32009, Schimatari, Greece.
Environmental science and pollution research international
|January 8, 2025
概括
激光诱导分解光谱 (LIBS) 结合机器学习 (ML) 提供了一种快速的方法来评估重金属土壤污染. 这种方法提供了有效的环境监测,特别是在野火等事件发生后.
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 地质化学 地质化学
背景情况:
- 重金属土壤污染对环境和人类健康构成重大风险.
- 传统的方法,如AAS和ICP是准确的,但劳动密集型和昂贵.
- 快速,具有成本效益的土壤分析对于有效的环境管理至关重要.
研究的目的:
- 开发和验证使用激光诱导分解光谱 (LIBS) 和机器学习 (ML) 的快速土壤污染评估工具.
- 分析来自希腊野火受影响地区的土壤样本中的重金属度 (Cr,Ni,Zn,Pb).
- 根据环境和人类健康查值对土壤样本进行分类.
主要方法:
- 利用了来自希腊马蒂,基内塔,瓦林波姆皮和埃维亚收集的523个土壤样本的数据集.
- 使用激光诱导分解光谱 (LIBS) 进行元素分析.
- 训练并验证了各种机器学习 (ML) 模型用于土壤污染分类.
主要成果:
- 在"危险区外"计划中,在Cr,Ni和Zn分类方面取得了超过93%的准确性.
- 在"安全区内"计划中,Pb分类的准确度达到97%.
- 证明了LIBS-ML在初步土壤污染评估中的可靠性.
结论:
- 与ML相结合的LIBS提供了一种高效可靠的方法,用于初步评估重金属土壤污染.
- 这种技术非常适合大规模的环境监测和整治工作.
- 该研究强调了LIBS-ML在灾后快速环境评估方面的潜力.
