Python негизиндеги топурактын булганышын баалоо иш агымдары ар кандай булгоочу заттардын түрлөрүн болжолдоо, классификациялоо, убакыт боюнча өзгөрүшүн алдын ала баалоо, белгисиздигин эсептөө жана мейкиндиктик тобокелдик карталарын түзүү үчүн машиналык үйрөнүү, терең үйрөнүү, статистика жана ГИС куралдарын бириктирген модулдук эсептөөчү талдоо шаблондору болуп саналат. Изилдөө оор металлдарды, пестициддерди, микропластиктерди, пер- жана полифторалкил заттарын (PFAS) жана ашыкча макроазык заттардын жүгүн камтыйт; Random Forest, XGBoost + SHAP, 1-B CNN, LSTM, PCA, Monte Carlo жана GeoPandas негизиндеги жети Python иш агымын сунуштайт.
Изилдөөнүн эң маанилүү чечмелөө чеги — билдирилген модель ийгиликтери чыныгы булганган талаа маалыматтарында ырасталган натыйжалуулук көрсөткүчтөрү эмес. Жети колдонмонун маалымат түзүлүшү адабияттагы айлана-чөйрө өзгөрмөлөрүн туураган синтетикалык/benchmark маалыматтар менен курулган. Random Forest үчүн болжол менен \(R^2=0{,}88\), XGBoost үчүн ROC-AUC болжол менен 0,91, микропластик 1-B CNN үчүн %95тен жогору тактык, PFAS LSTM үчүн 0,05 ng/gден төмөн бир-кадам-алдыга RMSE, PCA үчүн биринчи компонентте болжол менен %45 түшүндүрүлгөн дисперсия, Monte Carlo PLI үчүн болжол менен ±0,4 бирдиктик %90 ишеним аралыгы жана мейкиндиктик EF карталоо үчүн болжол менен 0,38 EF бирдик кайчылаш текшерүү RMSEси билдирилген. Булардын бардыгы методологиялык workflow көрсөтмөсү болуп саналат.
Изилдөө ошондой эле эсептөөчү талдоону топурак экосистемасынын кызматтары менен байланыштырган алты баскычтуу алкак түзөт: булгануу булактарын аныктоо, булгоочу заттын жүрүм-турумун моделдөө, сценарийди болжолдоо, экологиялык тобокелдикти баалоо, көп факторлуу талдоо жана болжолдоо/башкаруу. Ошентип, максат бир гана ML моделинин упайын жогорулатуу эмес; талаадан үлгү алуудан тобокелдикти карталоого жана калыбына келтирүү чечимине чейин изи байкала турган экологиялык маалымат талдоо чынжырын түзүү болуп саналат.
Изилдөөнүн көйгөйү
Топурактын булганышы бир гана булгоочу заттын концентрациясын өлчөөгө караганда татаалыраак көйгөй. Булгоочу заттын кыймылдуулугу жана биологиялык жеткиликтүүлүгү топурактын минералогиясы, органикалык зат, pH, чопонун үлүшү, көзөнөк түзүлүшү, гидрологиялык шарттар, химиялык түрлөргө бөлүнүү жана айлана-чөйрөлүк процесстер менен бирге өзгөрөт. Мындай жогорку өлчөмдүү жана сызыктуу эмес түзүлүш классикалык бир өзгөрмөлүү талдоолордун айлана-чөйрөлүк жүрүм-турумду толук чагылдыруусун кыйындатат.
Изилдөө бул көйгөйдү үч катмарда карайт: жарыяланган айлана-чөйрө илимдери адабиятынын синтези, топурак экосистемасынын кызматтарын аналитикалык процесс менен байланыштырган алты баскычтуу концептуалдык алкак жана иштетүүгө боло турган жети Python workflow.
Адабияттарды кароо кандай жүргүзүлгөн?
Булак Web of Science жана Scopus базаларындагы 100дөн ашуун рецензияланган жарыялоого негизделген адабият синтезин жүргүзгөн. Издөө терминдеринин арасында “soil pollution”, “soil contamination”, “machine learning”, “random forest”, “deep learning”, “heavy metals”, “PFAS”, “microplastics”, “pesticide leaching” жана “soil ecosystem services” бар. Негизги убакыт аралыгы 2015–2026; методологиялык жактан негизги деп эсептелген мындан эски эмгектер тарыхый контекст үчүн камтууда калтырылган.
Киргизүү критерийлери үч негизги шартка таянган: изилдөө ML негизиндеги топурак булганышын аныктоо же тобокелдикти баалоо менен түздөн-түз байланыштуу болушу, сандык натыйжалуулук метрикасын же ырасталган аныктоо ыкмасын билдириши жана макалада каралган беш негизги булгоочу топтун жок дегенде бирин камтышы.
Изилдөө камтыган негизги булгоочу топтор
| Булгоочу топ | Изилдөөдөгү эсептөөчү тапшырма | Негизги экологиялык көйгөй |
|---|---|---|
| Оор металлдар | Концентрацияны болжолдоо, тобокелдик индекстери, мейкиндиктик EF карталоо | Туруктуу топтолуу, биологиялык жеткиликтүүлүк, трофикалык чынжырда топтолуу |
| Пестициддер | Сызылып өтүү/leaching тобокелдигин классификациялоо | Жер астындагы сууга ташылуу, микробдук жана азык заттардын айлануусуна таасирлер |
| Микропластиктер | FTIRге окшош спектрден классификациялоо | Топурак түзүлүшү, көзөнөктүүлүк жана кошо ташылган булгоочу заттар |
| PFAS | Убакыт катарын болжолдоо | Өтө жогорку экологиялык туруктуулук жана узак мөөнөттүү топтолуу |
| Ашыкча макроазык заттар | PCA менен өлчөмдүүлүктү азайтуу жана hotspot аныктоо | N/P жүгү, эвтрофикация, жер астындагы суу жана топурактын сапаты |
Радиоактивдүү булгоочу заттар изилдөөдө топурак контаминациясынын маанилүү классы катары кабыл алынат, бирок негизги Python workflow камтуусунан тышкары калтырылат. Булак гамма-спектрометрия жана белгисиздиктин жайылышы келечектеги радионуклиддик баалоолордо колдонулушу мүмкүн экенин белгилейт.
Жети Python Иш Агымы Топурактын Булганышын Кантип Талдайт?
Жети workflow бир эле көйгөйдү кайталоонун ордуна ар башка маалымат түрлөрүнө туура келет: Random Forest оор металл концентрациясын регрессия менен, XGBoost пестицид leaching тобокелдигин классификация менен, 1-B CNN микропластиктерди спектралдык үлгү менен, LSTM PFASты убакыт катары менен, PCA азык hotspotторун өлчөмдүүлүктү азайтуу менен, Monte Carlo тобокелдик индекстериндеги өлчөө белгисиздигин ыктымалдык ыкмада, ал эми GeoPandas негизиндеги процесс оор металлдардын байышын мейкиндиктик картада иштетет.
Workflow 1: Random Forest менен кадмий концентрациясы
Биринчи скрипт беш спектралдык чагылуу тилкеси, pH, топурактын органикалык заты (SOM) жана чопо пайызы аркылуу кадмий концентрациясын болжолдогон Random Forest регрессиясын түзөт. Маалымат саны \(n=1000\).
Синтетикалык максаттуу өзгөрмө булак кодунда төмөнкү байланыш менен түзүлөт:
\[ C_{\mathrm{Cd}} = 2.8\,pH - 1.5\,SOM^2 + 6.0\,B_3 + \varepsilon, \qquad \varepsilon\sim\mathcal{N}(0,0.4^2) \]
Формула эмнени эсептейт? Синтетикалык кадмий концентрациясын mg/kg бирдигинде түзөт. \(B_3\) үчүнчү спектралдык тилкенин чагылуусу; \(SOM\) пайыздык органикалык зат өзгөрмөсү; \(\varepsilon\) стандарттык четтөөсү 0,4 mg/kg болгон Гаусс ызы-чуусу.
Бул детал эмне үчүн маанилүү? Random Forestтын жогорку \(R^2\) мааниси табигый экологиялык байланышты тапканынан эмес, максаттуу өзгөрмө башынан эле ушул predictorлордун математикалык функциясы катары түзүлгөнүнөн таасирленет. Булак Band 3 жана pHнын үстөм predictor болуп чыгышы маалымат түзүү формуласынан келип чыкканын өзгөчө белгилейт.
Модель 200 дарак, максималдуу тереңдик 12 жана минималдуу жалбырак үлгүсү 4 менен курулган; маалымат %80 окутуу жана %20 тест болуп бөлүнгөн, мындан тышкары беш катмарлуу кайчылаш текшерүү колдонулган.
Натыйжа: Болжол менен \(R^2=0.88\), RMSE < 0,35 mg/kg. Бул маани синтетикалык демонстрацияга тиешелүү.
Булак ичиндеги ыкма эскертүүсү: ыкма сүрөттөмөсүндө SHAP негизиндеги feature importance айтылганына карабастан, жарыяланган Listing 1 коду `rf.feature_importances_` колдонот. Бул Random Forestтын өзүндөгү impurity-негизиндеги маанилүүлүк өлчөмү; жарыяланган Listing 1де SHAP чакыруусу көрүнбөйт.
Workflow 2: XGBoost + SHAP менен пестицид leaching тобокелдиги
Экинчи скрипт кум, чопо, SOM, жаан-чачын, эңиш жана pH аркылуу жогорку/төмөн пестицид leaching тобокелдигин классификациялайт. Синтетикалык тобокелдикти түзүүдө колдонулган logit:
\[ z= -0.04\,Sand +0.07\,Clay -0.30\,SOM +0.06\,Precip +0.05\,Slope -0.5 \]
жана логистикалык өзгөртүү:
\[ P= \frac{1}{1+e^{-z}} \]
аркылуу \(P>0.5\) болгондо жогорку тобокелдик классы түзүлөт.
Коэффициенттердин белгиси синтетикалык маалымат түзүү логикасын түшүндүрөт: мисалы, бул түзүлүштө жаан-чачын жана чопо көбөйгөндө \(z\) өсөт, SOM көбөйгөндө азаят. Бул коэффициенттер чыныгы талаа үчүн өлчөнгөн универсалдуу пестицид ташылуу коэффициенттери эмес.
XGBoost моделинде 300 estimator, максималдуу тереңдик 5, learning rate 0,05, subsample 0,8 жана column subsampling 0,8 колдонулган. Маалымат stratified түрдө %75 окутуу жана %25 тест болуп бөлүнгөн.
Натыйжа: ROC-AUC болжол менен 0,91. Бул маани бир hold-out partitionга тиешелүү; коддо кайчылаш текшерүү цикли жок. SHAP талдоосу бул синтетикалык түзүлүштө жаан-чачын интенсивдүүлүгүн жана чопо үлүшүн негизги тобокелдик аныктоочулар катары алдыга чыгарган.
Workflow 3: 1-B CNN менен микропластик классификациясы
Үчүнчү скрипт 128 каналдуу FTIRге окшош спектралдык fingerprintтерден микропластик жана минералдык/органикалык бөлүкчөлөрдү ажыратуу үчүн бир өлчөмдүү Convolutional Neural Network колдонот. Жалпы 1200 синтетикалык спектр түзүлгөн.
Минералдык/органикалык класс болжол менен:
\[ X_{\mathrm{min}}\sim\mathcal{N}(0.3,0.08^2) \]
жана микропластик класс:
\[ X_{\mathrm{MP}}\sim\mathcal{N}(0.6,0.10^2) \]
бөлүштүрүүлөрүнөн түзүлгөн; микропластик спектрлеринин 40–44 жана 80–84 канал аралыктарына тиешелүүлүгүнө жараша +0,5 жана +0,4 жасалма абсорбция өзгөчөлүктөрү кошулган.
Тармак түзүлүшү кезеги менен 32 фильтрлүү Conv1D (kernel=5), MaxPooling1D, 64 фильтрлүү Conv1D (kernel=3), GlobalAveragePooling1D, 64 нейрондуу Dense, %30 dropout жана sigmoid чыгыш катмарынан турат. Жоготуу binary cross-entropy, optimizer Adam. Окутуу 30 epoch, batch size 32 жана окутуу маалыматынын ичинде %15 validation split менен жүргүзүлгөн.
Натыйжа: Синтетикалык hold-out спектрлеринде тактык %95тен жогору, F1 > 0,94 деп билдирилген. Бул жыйынтык чыныгы топурак FTIR китепканасында ырасталган талаа классификация упайы эмес.
Workflow 4: LSTM менен PFAS убакыт катары
Төртүнчү скрипт 10 жылдык, ай сайын 120 үлгүдөн турган синтетикалык PFAS катарын түзөт:
\[ C(t) = 0.8 + 0.4\sin(t) + 0.015\,m + \varepsilon, \qquad \varepsilon\sim\mathcal{N}(0,0.05^2) \]
Бул жерде \(m\) ай индекси. Биринчи туруктуу мүчө базалык деңгээлди, синус мүчөсү мезгилдүүлүктү, \(0.015m\) узак мөөнөттүү өсүштү, ал эми Гаусс мүчөсү кокустук ызы-чууну билдирет. Концентрация бирдиги ng/g.
Катар MinMaxScaler менен нормалдаштырылып, 12 айлык жылма терезе колдонулган. Ар бир 12 айлык кириш ырааттуулугунун максаты дароо кийинки бир айлык маани.
LSTM архитектурасы 64 бирдиктүү жана sequence кайтарган биринчи LSTM, %20 dropout, 32 бирдиктүү экинчи LSTM, 16 нейрондуу ReLU Dense жана бир маани чыгарган чыгыш катмарынан турат. Модель Adam + MSE менен 50 epoch жана batch size 16 колдонуп окутулат.
Натыйжа: Бир-кадам-алдыга PFAS болжол RMSEси <0,05 ng/g.
Критикалык чек: Бул модель 12 ай алдыны бир жолку эсеп менен болжолдобойт. Он эки айлык өткөн терезени колдонуп кийинки айды болжолдойт. Чыныгы узак мөөнөттүү көп кадамдуу болжол үчүн autoregressive rollout жана көз карандысыз талаа валидациясы талап кылынат.
Workflow 5: PCA менен азык hotspotторун табуу
Бешинчи скрипт N, P, K, pH, SOM, нитрат жана аммоний өзгөрмөлөрүнөн турган 500 үлгүлүү синтетикалык көп элементтүү топурак химиясы матрицасын түзөт. Кокустук тандалган 50 hotspot үлгүсүндө N, NO3 жана P маанилери 3,5 эсе жогорулатылган.
Адегенде бардык өзгөрмөлөр StandardScaler менен стандартташтырылып, андан соң маалымат эки principal componentке азайтылган. PCAнын жалпы математикалык идеясы жогорку өлчөмдүү маалымат мейкиндигин бири-бирине перпендикуляр жаңы окторго проекциялоо менен дисперсиянын мүмкүн болушунча чоң бөлүгүн алгачкы компоненттерге топтоо.
Натыйжа: PC1 жалпы дисперсиянын болжол менен %45ин түшүндүрүп, жасалма түзүлгөн жогорку N/NO3/P hotspot тобун бөлгөн. Ошондуктан N жана Pнин үстөм чыгышы көз карандысыз талаа ачылышы эмес; hotspot түзүү кадамынын өзү бул үч өзгөрмөнү атайын жогорулатат.
Workflow 6: Monte Carlo менен PLI жана Igeo белгисиздиги
Алтынчы скрипт төрт металл үчүн лабораториялык өлчөө белгисиздигин 50.000 Monte Carlo реализациясы аркылуу тобокелдик индекстерине жайылтат.
| Металл | Геогендик фон (mg/kg) | Синтетикалык өлчөөнүн орточосу ± SD (mg/kg) |
|---|---|---|
| Cd | 0,3 | 1,8 ± 0,25 |
| Pb | 20 | 85 ± 9 |
| As | 5 | 22 ± 2,5 |
| Cr | 50 | 120 ± 15 |
Биринчи эсептелген чоңдук contamination factor:
\[ CF_i= \frac{C_{i,\mathrm{measured}}} {C_{i,\mathrm{background}}} \]
Бул эмнени билдирет? Учурдагы концентрациянын табигый/геогендик фонго салыштырмалуу канча эсе жогорулаганын көрсөткөн өлчөмсүз катыш. \(CF_i=1\) өлчөө менен фондун бирдей экенин, андан чоң маанилер фондон жогору байышты билдирет.
Pollution Load Index төрт металлдын contamination factorлорунун геометриялык орточосу менен эсептелет:
\[ PLI= \left( \prod_{i=1}^{n}CF_i \right)^{1/n} \]
\(n\) — металлдардын саны. Бул скриптте \(n=4\). Геометриялык орточо бир гана өтө жогорку металлдын арифметикалык суммадагыдай түз үстөм болушун азайтып, бардык булгоочу жүктү бир өлчөмсүз индекске бириктирет. Булак демонстрациясында \(PLI=1\) булгануу классификациясы үчүн маанилүү эталондук чек.
Кадмий үчүн Geo-accumulation Index:
\[ I_{\mathrm{geo,Cd}} = \log_2 \left( \frac{C_{\mathrm{Cd}}} {1.5\,B_{\mathrm{Cd}}} \right) \]
түрүндө эсептелет. \(B_{\mathrm{Cd}}\) — кадмийдин фондук концентрациясы. 1,5 коэффициенти табигый геохимиялык өзгөрмөлүүлүктү эске алган түзөтүү коэффициенти.
Натыйжа: 50.000 реализацияда PLI үчүн болжол менен ±0,4 бирдиктик %90 ишеним аралыгы билдирилген. Булак бул аралык айрым реализацияларда PLI классын 1 чек маанисинин эки тарабына өткөрүшү мүмкүн экенин көрсөтөт. Кадмий \(I_{\mathrm{geo}}\) бөлүштүрүүсүндө реализациялардын болжол менен %15и \(I_{\mathrm{geo}}>3\) Class 4 чегинен ашса, ensemble орточосу Class 3тө калган. Бул мисал бир детерминисттик тобокелдик мааниси жогорку тобокелдик куйругун жашыра аларын көрсөтөт.
Workflow 7: GeoPandas менен мейкиндиктик EF картасы
Жетинчи скрипт 150 синтетикалык үлгү алуу чекитин түзүп, Pb концентрациясын Fe эталондук элементине карата нормалдаштырган Enrichment Factor эсептейт:
\[ EF_{\mathrm{Pb}} = \frac{ C_{\mathrm{Pb}}/C_{\mathrm{Fe}} }{ B_{\mathrm{Pb}}/B_{\mathrm{Fe}} } \]
\(C_{\mathrm{Pb}}\) жана \(C_{\mathrm{Fe}}\) үлгүдө өлчөнгөн Pb жана Fe концентрациялары; \(B_{\mathrm{Pb}}\) жана \(B_{\mathrm{Fe}}\) аймактык фон маанилери. Скриптте \(B_{\mathrm{Pb}}=20\) mg/kg жана \(B_{\mathrm{Fe}}=25\,000\) mg/kg колдонулган.
EF катыш болгондуктан өлчөмсүз. Булак кодундагы класстар:
| EF | Булак кодундагы класс |
|---|---|
| \(EF<2\) | Minimal |
| \(2\leq EF<5\) | Moderate |
| \(5\leq EF<20\) | Significant |
| \(EF>20\) | Very high |
Булактын натыйжалар бөлүмүндө \(EF_{\mathrm{Pb}}>5\) болгон түндүк-чыгыш hotspot аянттын болжол менен %12син камтыганы жана %20 withheld чекиттерге карата кайчылаш текшерүү RMSEси болжол менен 0,38 EF бирдик экени билдирилген.
Булак ичиндеги ыкма айырмасы: Текст жана натыйжалар бул бетти “IDW” деп атайт. Бирок жарыяланган Listing 7деги интерполяция чакыруусу `scipy.interpolate.griddata(..., method="linear")` түрүндө. `griddata` ичиндеги сызыктуу интерполяция менен классикалык inverse-distance weighting бир алгоритм эмес. Verianla булак кодун өзгөртпөйт жана бул аталыш айырмасын көрүнүктүү сактайт. Мындан тышкары, натыйжалар бөлүмүндөгү %20 withheld-point валидация коду жарыяланган Listing 7нин көрүнгөн саптарында жок.
Бул Натыйжалуулук Көрсөткүчтөрү Чыныгы Булганган Талаалардагы Ийгиликти Көрсөтөбү?
Жок. Изилдөөнүн натыйжалуулук көрсөткүчтөрү көзөмөлдөнгөн синтетикалык/benchmark маалымат түзүлүштөрүндөгү workflow демонстрациялары; чыныгы булганган талааларда көз карандысыз тышкы валидация жүргүзүлгөн эмес жана булак чыныгы колдонууда талаа маалыматы, мейкиндиктик кайчылаш текшерүү, аймакка мүнөздүү гиперпараметр оптималдаштыруу жана көз карандысыз валидация талап кылынарын ачык белгилейт.
Изилдөөнүн Ыкмасы жана Жыйынтыктары
Жети workflowдун жалпы натыйжалуулугу
| Скрипт | Тапшырма | Ыкма | Метрика | Булакта билдирилген синтетикалык натыйжа |
|---|---|---|---|---|
| 1 | Кадмий концентрациясы | Random Forest регрессиясы | \(R^2\) / RMSE | \(R^2\approx0.88\); RMSE <0,35 mg/kg |
| 2 | Пестицид leaching | XGBoost + SHAP | ROC-AUC | ≈0,91; бир hold-out split |
| 3 | Микропластик | 1-B CNN | Accuracy / F1 | Accuracy >%95; F1 >0,94 |
| 4 | PFAS убакыт катары | LSTM | RMSE | <0,05 ng/g; бир-кадам-алдыга |
| 5 | Азык hotspotтору | PCA | Түшүндүрүлгөн дисперсия | PC1 ≈%45; hotspot бөлүнгөн |
| 6 | Көп-металлдуу тобокелдик | Monte Carlo PLI/Igeo | %90 ишеним аралыгы | PLI ≈±0,4 бирдик; 50.000 реализация |
| 7 | Мейкиндиктик EF | GeoPandas / булакта “IDW” | CV RMSE | ≈0,38 EF бирдик |
Ыкмалардын чыныгы маалыматка өткөрүлүү мүмкүнчүлүгү
| Ыкма | Маалымат талабы | Түшүндүрүлүүчүлүк | Эсептөө чыгымы | Белгисиздик | Булактын чыныгы маалымат баалоосу |
|---|---|---|---|---|---|
| Random Forest | Орточо; tabular | Жогору | Төмөн–орточо | Bootstrap CI колдонууга болот | Жакшы; мейкиндиктик CV керек |
| XGBoost + SHAP | Орточо; tabular | Жогору | Төмөн–орточо | Камтылган эмес | Жакшы; stratified CV сунушталат |
| 1-B CNN | Чоң спектралдык китепкана | Орточо | Орточо | Dropout | Орточо; transfer learning сунушталат |
| LSTM | Узун убакыт катары | Төмөн | Орточо–жогору | Камтылган эмес | Орточо; талаага мүнөздүү жөндөө керек |
| PCA | Энбелгисиз маалымат жетиштүү | Жогору | Өтө төмөн | Камтылган эмес | Жогору; unsupervised |
| Monte Carlo | Ыктымалдык бөлүштүрүүлөрү | Жогору | Төмөн | Ачык түрдө CI | Жогору; белгисиздик үчүн иштелип чыккан |
| GeoPandas карталоо | Мейкиндиктик үлгү чекиттери | Жогору | Төмөн | Камтылган эмес | Орточо; мейкиндиктик автокорреляцияны көзөмөлдөө керек |
Топурак экосистемасынын кызматтары менен байланыш
Изилдөөнүн айырмалоочу жактарынын бири жети код мисалын техникалык ML тапшырмалары катары гана калтырбаганы. Listing 1 жана 2 булгоочу заттарды кармоо/азайтуу менен; Listing 2 жана 5 сууну жөнгө салуу жана азык заттардын айлануусу менен; Listing 3 жана 4 жашоо чөйрөсү жана биомасса өндүрүшү менен; Listing 6 көмүртекти сактоо жана экологиялык тобокелдик менен; Listing 7 болсо мейкиндиктик тобокелдикти башкаруу жана калыбына келтирүүнү пландоо менен байланыштырылган.
Изилдөө колдогон жыйынтыктар
- Python аркылуу ар кандай маалымат түрлөрүн камтыган модулдук топурак булганышын талдоо чынжырын түзүүгө болору көрсөтүлгөн.
- Синтетикалык демонстрацияда RF Cd максатындагы алдын ала киргизилген сызыктуу эмес түзүлүштү болжол менен \(R^2=0.88\) менен кайра үйрөнгөн.
- XGBoost + SHAP синтетикалык пестицид тобокелдик түзүлүшүндө болжол менен 0,91 ROC-AUC берген.
- 1-B CNN так бөлүнгөн синтетикалык FTIRге окшош спектрлерде %95тен жогору классификация тактыгын камсыз кылган.
- LSTM мезгилдүүлүк жана сызыктуу өсүш маалымат түзүүдө ачык аныкталган PFAS катарында бир-кадам-алдыга RMSEни 0,05 ng/gден төмөн кармаган.
- PCA жасалма түрдө үч жарым эсе көбөйтүлгөн N/NO3/P hotspot тобун PC1де бөлүп, болжол менен %45 дисперсияны түшүндүргөн.
- Monte Carlo талдоосу бир маанилүү PLI/Igeo отчету белгисиздик куйруктарын жашыра аларын демонстрациялык түрдө көрсөткөн.
- Булак натыйжаларына ылайык мейкиндиктик EF pipeline айкын hotspot түзүп, болжол менен 0,38 EF бирдик валидация RMSEси билдирилген.
Изилдөө колдобогон жалпылоолор жана чектөөлөр
- Эч бир модель чыныгы булганган талаа маалымат топтомунда көз карандысыз тышкы валидациядан өткөрүлгөн эмес.
- Жогорку натыйжалуулук көрсөткүчтөрү чыныгы экологиялык байланыштарды табуунун далили эмес; синтетикалык маалымат түзүүдө күчтүү сигналдар алдын ала коддолгон.
- RFте Band 3 жана pHнын маанилүү чыгышы максаттуу өзгөрмөнүн ушул өзгөрмөлөрдүн функциясы катары түзүлгөнү менен түздөн-түз байланыштуу.
- PCAда N, нитрат жана P hotspotунун бөлүнүшү бул өзгөрмөлөрдүн тандалган 50 үлгүдө 3,5 эсе жогорулатылышы менен байланыштуу.
- LSTM узак мөөнөттүү көп кадамдуу чыныгы PFAS болжолун ырастаган эмес.
- Радионуклиддер негизги камтуудан тышкары.
- Чыныгы экологиялык колдонмолордо мейкиндиктик автокорреляция, талаадан үлгү алуу дизайны, аспап катасы, маалыматтын жылышы жана жергиликтүү геохимия өзүнчө бааланышы керек.
- Listing 1деги SHAP аныктамасы менен жарыяланган importance кодунун ортосунда методологиялык аталыш айырмасы бар.
- Listing 7деги “IDW” аталышы менен `griddata(method="linear")` колдонулушу бир эле математикалык интерполяция ыкмасы эмес.
- Listing 7 үчүн билдирилген withheld-point кайчылаш текшерүү процесси жарыяланган коддун көрүнгөн Listing бөлүгүндө жок.
Кайра өндүрүлүүчүлүк жагынан колдонулган куралдар
Python версиясы 3.12 деп көрсөтүлгөн. Колдонулган негизги ачык булактуу китепканалар scikit-learn, XGBoost, TensorFlow/Keras, SHAP, GeoPandas, SciPy, NumPy, pandas жана Matplotlib. Изилдөөнүн максаты бул коддорду акыркы талаа моделдери катары сунуштоо эмес, чыныгы булганган талаа маалымат топтомдоруна ылайыкташтырылуучу өз алдынча түшүнүктүү талдоо шаблондорун түзүү.
Булак жана Ыкма Жөнүндө Эскертүү
Түпнуска аталышы: Python-Powered Environmental Intelligence: Computational Workflows for Soil Pollution Assessment Using ML Methods
Автор: Polina Lemenkova.
Мекемелер: Bureau de Recherches Géologiques et Minières (BRGM), Orléans, Франция; Le Studium, Institut d’Etudes Avancées du Val de Loire, Orléans, Франция; Le Laboratoire PRISME, INSA Centre-Val de Loire / Université d’Orléans, Франция; La Technopole d’Orléans, Франция.
Журнал: Environmental Remediation.
Басмакана: MDPI.
Библиографиялык жазуу: Environ. Remediat. 2026, 1(2), 6.
DOI: 10.3390/environremediat1020006
Расмий шилтеме: https://doi.org/10.3390/environremediat1020006
Academic Editor: Wenjie Ren.
Тапшыруу: 23 май 2026. Ревизия: 16 июнь 2026. Кабыл алуу: 23 июнь 2026. Жарыялоо: 8 июль 2026.
Булак түрү: Рецензияланган методологиялык workflow изилдөө макаласы; адабият синтези менен синтетикалык/benchmark маалыматтарда жети кайра өндүрүлүүчү Python демонстрациясын бириктирет. Булак өзүн катуу библиометриялык мааниде системалуу обзор эмес, methodological workflow paper катары аныктайт.
Лицензия: Creative Commons Attribution (CC BY).
Каржылоо: Булак “This research received no external funding” билдирүүсүн берет.
Этика комитети / макулдук: Колдонулбайт деп билдирилген.
Маалыматтын жеткиликтүүлүгү: Булак изилдөөнүн оригиналдуу салымдары макаланын ичинде бар экенин билдирет.
Кызыкчылыктардын кагылышы: Автор кызыкчылыктардын кагылышы жок экенин билдирген.
Автордук салымдар: Булак PDFнин акыркы билдирүүлөр бөлүмүндө өзүнчө CRediT/Author Contributions параграфы жок; бир авторлуу изилдөө үчүн булакта жок салым ролдору кошулган эмес.
Негизги методологиялык чек: Макаладагы бардык модель натыйжалуулуктары синтетикалык же демонстрациялык benchmark маалыматтарына негизделген. Чыныгы булганган талаалар үчүн көз карандысыз талаа валидациясы, ылайыктуу мейкиндиктик кайчылаш текшерүү, максаттуу аймакка мүнөздүү гиперпараметр оптималдаштыруу жана маалымат сапатын баалоо талап кылынат.
Булак ичиндеги ыкма эскертүүлөрү: Listing 1 сүрөттөмөсү SHAP негизиндеги маанилүүлүк рейтингин белгилесе, көрүнгөн код Random Forestтын `feature_importances_` чыгышын колдонот. Listing 7 текстте IDW деп аталганы менен көрүнгөн интерполяция кодунда `griddata(method="linear")` колдонулат. Results бөлүмүндө Listing 7 үчүн %20 withheld-point валидациясы жана болжол менен 0,38 EF RMSE билдирилет, бирок бул валидация цикли жарыяланган Listing 7нин көрүнгөн код саптарында жок.
Пикир калтырыңыз
E-mail дарегиңиз жарыяланбайт. Милдеттүү талаалар * менен белгиленген