人工灌调节低地农业池的重金属动态和风险
Shan Luo1, Haijian Bing2, Jiacong Huang3
1State Key Laboratory of Lake and Watershed Science for Water Security, Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences, Nanjing 211135, China; University of Chinese Academy of Sciences, Beijing 100049, China; College of Water Resources Science and Engineering, Taiyuan University of Technology, Taiyuan 030024, China.
一个新的机器学习框架为水生生态系统中的重金属 (HM) 提供了动态的,高分辨率的风险评估. 它确定人工灌是,和的关键驱动因素,改善了环境和公共卫生管理.
科学领域:
- 环境科学 环境科学
- 评估水质水质的评估.
- 计算毒理学计算毒理学
背景情况:
- 重金属对水生生态系统和公共健康构成重大风险.
- 传统的监测方法缺乏有效的HM风险评估的解决方案和动态能力.
- 了解HM动态和环境因素之间的因果关系对于管理至关重要.
研究的目的:
- 开发和验证用于高分辨率,动态重金属度和风险评估的机器学习框架.
- 用SHAP分析量化环境因素对HM动态的影响.
- 为改善水资源管理的机制理解和实际的HM风险控制提供一个工具.
主要方法:
- 开发一个机器学习框架,集成沙普利增量解释 (SHAP) 分析.
- 应用随机森林算法来建模每日HM度和风险.
- 对环境因素影响的分析,包括值和相互作用模式.
主要成果:
- 该框架在预测日常HM动态方面取得了强的表现 (R2 > 0.69).
- 观察到 (As), (Cd) 和 (Pb) 的增加趋势和季节性峰值.
- 人工灌被确定为HM丰富的主要驱动因素,与各种环境因素关系.
结论:
- 拟议的框架允许在水生生态系统中进行微细,动态的HM风险评估.
- 人类致癌风险对整体HM风险有显著的贡献,即使在指导范围内.
- 这项研究为水资源管理和水资源污染控制提供了实际的好处.
更多相关视频
08:09Wastewater Irrigation Impacts on Soil Hydraulic Conductivity: Coupled Field Sampling and Laboratory Determination of Saturated Hydraulic Conductivity
Published on: August 19, 2018
12:50Continuous Instream Monitoring of Nutrients and Sediment in Agricultural Watersheds
Published on: September 26, 2017
相关概念视频
Responses to Drought and Flooding
Adaptations that Reduce Water Loss
Responses to Salt Stress
