Vichafuzi vinavyoibuka ni mojawapo ya maeneo magumu zaidi kwa miundo ya kawaida ya matibabu ya maji machafu. Antibiotiki, misombo inayovuruga homoni, vichafuzi hai sugu, mikroplastiki na vitu sugu sana kama PFAS vinaweza kuwa muhimu kwa ikolojia na afya ya binadamu hata katika viwango vya chini. Baadhi ya vichafuzi hivi vinaweza kuathiri mifumo ya homoni, baadhi vinaweza kuongeza hatari ya kuenea kwa jeni za usugu wa antibiotiki, na vingine vinaweza kudumu kwa muda mrefu katika mazingira na kuingia katika mnyororo wa chakula.

Mifumo ya kawaida ya matibabu ya maji machafu imeundwa kwa vigezo vya jadi kama mzigo wa kikaboni, yabisi iliyosimamishwa, nitrojeni na fosforasi. Lakini vichafuzi vinavyoibuka vina miundo tofauti sana ya kemikali, umumunyifu tofauti, tabia tofauti za kuvunjika na njia tofauti za usafirishaji. Kwa hiyo, mfumo kupunguza vizuri vigezo vya kawaida vya ubora wa maji haimaanishi kila mara kwamba utaonyesha mafanikio sawa kwa antibiotiki, mikroplastiki au misombo inayovuruga homoni.

Maeneo oevu yaliyotengenezwa hujitokeza hapa kama suluhisho linalotegemea mazingira. Katika mifumo hii maji machafu huingiliana na mimea, nyenzo za substrate/matriksi, vijidudu na hali za mtiririko wa majimaji. Uondoaji wa kichafuzi hautokei kwa utaratibu mmoja tu, bali kwa mchanganyiko wa michakato mingi. Utafiti unataja miongoni mwa michakato hii uchujaji wa matriksi, kutulia kwa mvuto, adsorption ya kimwili, unyonyaji wa mimea, mabadiliko na uharibifu wa vijidudu pamoja na ubafa wa majimaji.

Umuhimu wa taratibu hizi hutofautiana kulingana na kichafuzi. Mikroplastiki kwa kawaida hupungua kwa kutekwa kimwili, kuchujwa na kutulia. Kwa upande mwingine, vichafuzi hai vilivyoyeyushwa kama antibiotiki na misombo inayovuruga homoni hutegemea zaidi uwezo wa adsorption wa substrate, miteremko ya redox, muundo wa jamii za vijidudu, joto na kemia ya maji machafu. Kwa hiyo, kulingana na matokeo ya utafiti, sentensi moja kama “maeneo oevu yaliyotengenezwa huondoa vichafuzi vinavyoibuka kwa kiwango hiki” inaweza kupotosha.

Tatizo kuu la utafiti linaanzia hapa: kuna majaribio na uchunguzi mwingi katika fasihi, lakini data hizi hazifanani moja kwa moja. Utafiti mmoja unaweza kutumia maji machafu ya sintetiki katika kiwango cha maabara, mwingine mfumo wa ukubwa kamili unaotumia maji machafu ya nyumbani au leachate. Utafiti mmoja unaweza kuchunguza mikroplastiki, mwingine antibiotiki, na mwingine vichafuzi hai sugu. Baadhi ya tafiti hutumia spishi tofauti za mimea, baadhi mifumo tofauti ya mtiririko, na baadhi substrate tofauti.

Jambo muhimu zaidi ni kwamba makala moja inaweza kuwa na vichafuzi vingi, pointi nyingi za sampuli, seli nyingi za eneo oevu au hali nyingi za uendeshaji. Ikiwa vipimo hivi vyote vitachanganuliwa kana kwamba ni huru, ukubwa wa sampuli huongezwa kwa bandia. Hii hufanya kutokuwa na uhakika kuonekana kuwa kidogo kuliko ilivyo na matokeo kuonekana kuwa sahihi zaidi kupita kiasi. Mojawapo ya vipengele vyenye thamani zaidi vya kitakwimu katika utafiti huu ni jaribio la kuzingatia utegemezi huu.

Waandishi walifuata mwongozo wa kuripoti wa PRISMA 2020 na kutafuta tafiti zilizochapishwa kabla ya Agosti 2025 katika hifadhidata za Web of Science na ScienceDirect. Mwanzoni, rekodi 674 zilitambuliwa kupitia utafutaji wa hifadhidata na rekodi 135 kupitia njia nyingine; baada ya kuondoa nakala, kuchuja vichwa na muhtasari na kutathmini ustahiki wa maandishi kamili, tafiti 67 zilijumuishwa katika meta-uchambuzi. Mchoro wa mtiririko wa PRISMA katika Kielelezo 1 unaonyesha mchakato huu wa kuchuja. Paneli nyingine za kielelezo hicho zinaonyesha kwamba data iliyojumuishwa haijasambazwa kwa usawa kulingana na aina za maeneo oevu na vyanzo vya maji machafu.

Jedwali 1 linaonyesha ni vigezo gani vya kiwango cha eneo oevu vilitolewa na utafiti. Hivi ni pamoja na aina ya eneo oevu, vigezo vya muundo na upakiaji, sifa za mimea, sifa za substrate, vigezo vya uendeshaji na viashiria vya kawaida vya ubora wa maji. Kwa mfano, aina za maeneo oevu ni pamoja na mifumo ya mtiririko wima chini ya uso, mifumo ya mtiririko mlalo chini ya uso, mifumo ya mtiririko mchanganyiko, mifumo ya mtiririko wa uso na mifumo ya mtiririko wima wa juu chini ya uso. Vigezo vya uendeshaji ni pamoja na muda wa kukaa wa majimaji, kiwango cha upakiaji wa majimaji, kiwango cha mtiririko na joto la uendeshaji.

Kipimo kikuu cha ukubwa wa athari katika utafiti ni lnRR, yaani uwiano wa mwitikio katika logaritimu asilia:

\[ \ln RR = \ln\left(\frac{C_{out}}{C_{in}}\right) \]

Katika fomula hii C_out ni mkusanyiko wa kichafuzi kinachoibuka katika maji ya kutoka. C_in ni mkusanyiko katika maji ya kuingia. Ikiwa [ \ln RR < 0 ] basi mkusanyiko wa kutoka ni mdogo kuliko wa kuingia; yaani mfumo unaonekana kupunguza kichafuzi. Ikiwa [ \ln RR > 0 ] mkusanyiko wa kutoka ni mkubwa kuliko wa kuingia; hali hii inaweza kuelezwa kwa ongezeko halisi, kutolewa tena, utofauti wa kipimo au sababu za majimaji/uchambuzi.

Maana ya kila siku ya fomula hii ni rahisi: kiasi cha kichafuzi kinachotoka kwenye mfumo ni kidogo au kikubwa kwa kiasi gani kuliko kinachoingia? Hata hivyo, matumizi ya logaritimu hufanya viwango vya mkusanyiko vinavyotofautiana kwa ukubwa mkubwa kuwa rahisi kulinganisha. Kwa mfano, kulinganisha moja kwa moja kwa asilimia kichafuzi cha kiwango cha chini sana cha ng/L na kichafuzi kingine chenye mkusanyiko mkubwa kunaweza kupotosha; lnRR hubadilisha tofauti hizi kuwa kipimo thabiti zaidi cha ukubwa wa athari.

Mbinu ya delta ilitumika kwa variance ya sampuli:

\[ V(\ln RR) = \frac{S_{out}^2}{n_{out} C_{out}^2} + \frac{S_{in}^2}{n_{in} C_{in}^2} \]

Hapa S_out na S_in ni mikengeuko ya kawaida ya mikusanyiko ya kutoka na kuingia. n_out na n_in ni idadi husika za sampuli. Fomula hii inaonyesha jinsi kutokuwa na uhakika katika vipimo vya kuingia na kutoka kunavyohamishwa hadi ukubwa wa athari wa lnRR. Utafiti unaeleza kwamba katika vipimo vilivyooanishwa kunaweza kuwa na uhusiano kati ya kuingia na kutoka, lakini ikiwa uhusiano huo haujaripotiwa, fomula ya variance iliyotumika inaweza kubaki ya tahadhari zaidi katika hali ya uhusiano chanya.

Katika tafiti zilizoripoti kosa la kawaida, uhusiano ufuatao ulitolewa kubadilisha hadi mkengeuko wa kawaida:

\[ SD = n \times SE \]

Hapa SD ni mkengeuko wa kawaida; SE ni kosa la kawaida; n ni idadi ya sampuli. Ubadilishaji huu ulitumika kuweka matokeo ya tafiti tofauti katika mfumo mmoja wa meta-uchambuzi.

Katika mlinganyo wa meta-regression, uhusiano kati ya ukubwa wa athari na covariate unaonyeshwa hivi:

\[ Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \cdots + \epsilon_i \]

Hapa Y_i ni ukubwa wa athari wa uchunguzi au utafiti wa i; X_1i na X_2i ni vigezo vya majaribio au uendeshaji; vigawo vya β vinaonyesha uhusiano wa vigezo hivi na ukubwa wa athari; na ε_i ni neno la hitilafu iliyobaki.

Katika hatua hii, utafiti ulifanya uamuzi muhimu sana wa kitakwimu: badala ya meta-uchambuzi rahisi, ulitumia modeli ya athari nasibu ya ngazi nyingi na makadirio ya variance imara kwa makundi katika kiwango cha utafiti. Hii ni kwa sababu ukubwa mwingi wa athari kutoka utafiti mmoja si huru. Kwa mfano, ikiwa majaribio yale yale yalipima antibiotiki na pia endocrine disruptor, uchunguzi huu wawili unashiriki muundo, hali za maabara na makosa ya vipimo. Kupuuza hili kungefanya matokeo yaonekane kuwa sahihi zaidi kuliko yalivyo.

Matokeo makubwa ya kwanza ya utafiti ni kwamba heterogeneity katika hifadhidata ni kubwa sana:

\[ I^2 \approx 99\% \]

I² huonyesha ni kiasi gani cha tofauti yote inayoonekana kinaweza kuelezwa na tofauti halisi kati ya tafiti badala ya kosa la sampuli pekee. Thamani inayokaribia %99 inaonyesha kwamba karibu tofauti yote inatokana na tofauti halisi za muktadha. Kwa hiyo, badala ya thamani moja ya wastani wa jumla, utafiti unasisitiza vikundi vidogo, mwingiliano na performance envelopes mahususi kwa muktadha.

Kielelezo 2 ni muhimu kwa kuelewa usambazaji wa hifadhidata. Mkusanyiko wa kuingia na kutoka unaenea katika viwango kadhaa vya ukubwa. Ingawa uchunguzi mwingi katika usambazaji wa kiwango cha uondoaji unaonyesha zaidi ya %50 ya uondoaji, pia kuna thamani hasi za uondoaji. Thamani hizi hasi zinaweza kuonyesha utoaji halisi kutoka kwenye mfumo, ongezeko la mkusanyiko, kutokuwa na uhakika wa uchambuzi au utofauti wa majimaji. Kielelezo hicho pia kinaonyesha kwamba msongamano wa data si sawa kwa vigezo muhimu kama kiwango cha upakiaji wa majimaji, muda wa kukaa wa majimaji na mkusanyiko wa kuingia.

Aina ya kichafuzi ni mojawapo ya viashiria vinavyotawala zaidi mifumo ya uondoaji. Katika Kielelezo 3, wastani wa lnRR kwa mikroplastiki umetolewa kuwa takribani -9.1. Kijiometri, hii inalingana na takribani %99.99 ya kupungua kwa mkusanyiko wa kutoka. Kwa antibiotiki wastani wa lnRR ni takribani -2.4, kwa misombo inayovuruga homoni -2.2, na kwa vichafuzi hai sugu -1.8. Hivi vinakaribia %90.9, %88.9 na %83.5 ya kupungua, mtawalia.

Hata hivyo, thamani hii kubwa kwa mikroplastiki lazima ifasiriwe kwa tahadhari sana. Utafiti unasema wazi kwamba kupungua kwa mkusanyiko wa mikroplastiki katika maji ya kutoka si ushahidi wa kuvunjika au kutoweka. Mikroplastiki zinaweza kuwa zimetekwa zaidi ndani ya kitanda, zimetulia au zimechujwa. Ikiwa hakuna mizania ya molekuli, haijulikani kama chembe hizi zinaweza kuhamasishwa tena baadaye. Kwa hiyo, ugunduzi wa mikroplastiki unapaswa kusomwa kwanza kama “kushikiliwa ndani ya mfumo” badala ya “uondoaji wa kudumu”.

Mpangilio wa eneo oevu ni kiashiria cha pili kikubwa cha kimuundo. Kielelezo 4a kinaonyesha kwamba mifumo ya mtiririko mlalo chini ya uso ilitoa wastani wenye nguvu zaidi wa uondoaji. Katika HSSF wastani wa lnRR ni takribani -5.53, wakati katika mifumo ya mtiririko wa uso ni takribani -1.48. Thamani hizi zinalingana takribani na %99.6 na %77.2 ya kupungua kwa mkusanyiko wa kijiometri. Mifumo ya mtiririko wima, mchanganyiko na wima wa juu iko kati ya ncha hizi mbili.

Ugunduzi huu una nguvu kwa uhandisi, lakini bado si sheria kamili. Utafiti hausisemi kwamba kila mfumo wa chini ya uso utakuwa bora kuliko kila mfumo wa uso kwa kila hali. Hata hivyo, unasema kwamba mifumo ya mtiririko wa uso haipaswi kupewa sifa ileile ya uondoaji kama mifumo ya chini ya uso kwa polishing ya vichafuzi vinavyoibuka vilivyoyeyushwa, na kwamba miundo ya chini ya uso inapaswa kuonekana kama sehemu ya kuanzia yenye kuaminika zaidi.

Kielelezo 4b kinalinganisha makundi ya substrate na Kielelezo 4c vikundi vya mimea. Aina ya substrate na uoto wa mimea huchangia heterogeneity ya uondoaji; lakini utafiti unasema hakuna nyongeza maalum ya substrate au spishi ya mmea iliyoonyesha ubora wa jumla kwa kila kichafuzi na kila hali ya maji machafu. Hili ni muhimu kwa sababu kwa vitendo, nyenzo au spishi fulani inaweza kutangazwa kuwa “bora kila wakati”. Matokeo ya utafiti huu hayaungi mkono ujanibishaji kama huo.

Matriksi ya maji machafu pia ni kiashiria chenye nguvu. Kielelezo 5a kinaonyesha kwamba maji machafu ya sintetiki kwa kawaida yalitoa lnRR hasi zaidi kuliko maji machafu halisi, yaani uondoaji mkubwa zaidi ulionekana katika hali za maabara/sintetiki. Miongoni mwa maji machafu halisi, maji machafu ya nyumbani yalionyesha attenuation kubwa zaidi kwa wastani, wakati leachate na maji machafu ya mifugo yalionyesha mwitikio dhaifu zaidi. Sababu ni kwamba maji machafu halisi yana muundo mgumu zaidi wa vitu hai, vichafuzi vinavyoshindana, kemia inayobadilika na michakato tofauti ya sorption/mabadiliko.

Kiwango cha jaribio labda ndicho kizuizi muhimu zaidi kwa matumizi. Kielelezo 5b kinaonyesha kwamba wastani wa uondoaji hupungua kutoka kiwango cha maabara hadi mifumo ya ukubwa kamili. Wastani wa lnRR umeripotiwa kuwa takribani -4.21 katika maabara, -2.86 katika mesocosm, -1.89 katika pilot na -1.72 katika kiwango kamili. Hizi zinakaribia %98.5, %94.3, %84.9 na %82.1 ya kupungua kwa mkusanyiko wa kijiometri, mtawalia.

Tofauti hii si maelezo madogo ya kitakwimu. Mifumo ya maabara huwakilisha kwa kiwango kidogo tu hydraulic short-circuiting, kuzeeka kwa kitanda, kuziba, mabadiliko ya joto ya msimu na ushindani mgumu wa vichafuzi katika maji machafu halisi. Kwa hiyo matokeo ya maabara yana thamani kwa kuchunguza taratibu, lakini yakichukuliwa moja kwa moja kama thamani za muundo, yanaweza kuzidisha utendaji wa uwanjani.

Katika sehemu ya meta-regression ya mstari, covariate endelevu 14 zilichunguzwa. Vigezo vilisawazishwa, uamuzi imara kwa makundi ulitumika katika kiwango cha utafiti na marekebisho ya Benjamini-Hochberg FDR yalitumika kwa majaribio mengi. Baada ya uchambuzi huu mkali zaidi, vigezo viwili tu vilibaki muhimu: wetland area na flow rate. Mgawo wa wetland area ulikuwa β = 0.418, p = 0.022; mgawo wa flow rate ulikuwa β = 0.380, p = 0.036.

Ugawo chanya unamaanisha lnRR kuwa hasi kidogo katika modeli, yaani uondoaji unaoonekana hudhoofika. Athari ya kiwango cha mtiririko inaeleweka kwa intuition: mtiririko unapoongezeka, muda wa maji kukaa kwenye mfumo na nafasi ya vichafuzi kugusana na substrate, eneo la mizizi au vijidudu inaweza kupungua. Athari ya eneo inafasiriwa kwa tahadhari zaidi; kwa sababu inaweza kubadilika pamoja na ukubwa wa mfumo, ugumu wa uendeshaji au sifa za muundo zisizopimwa. Kwa hiyo utafiti hauwasilishi athari ya eneo kama sheria ya moja kwa moja ya sababu.

Kielelezo 6 kinaonyesha matokeo haya ya meta-regression imara kwa makundi na mwingiliano kulingana na kategoria kama aina ya kichafuzi, mfumo wa mtiririko na aina ya maji machafu. Hitimisho la jumla ni kwamba modeli za mstari peke yake hazipati mlinganyo mmoja wa udhibiti wa jumla. Athari za vigezo endelevu hubadilika kulingana na aina ya kichafuzi, mfumo wa mtiririko wa eneo oevu na matriksi ya maji machafu.

Hapa ndipo machine learning inayoweza kuelezewa inapoingia. Utafiti ulilinganisha CatBoost, XGBoost, random forest, LightGBM, KNN, support vector regression, multilayer perceptron, CNN na Transformer. Mgawanyo wa mafunzo-majaribio ulikuwa %80-%20 na stratification ilifanywa kulingana na aina ya kichafuzi. Thamani zilizokosekana zilikamilishwa kwa missForest, na vigezo vilisawazishwa kwa parameta zilizotokana na seti ya mafunzo ili kuzuia data leakage.

Vipimo viwili vikuu vilitumika kwa utendaji wa modeli. Fomula ya RMSE imetolewa katika utafiti kama ifuatavyo:

\[ RMSE = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2} \]

Hapa y_i ni thamani halisi ya lnRR; ŷ_i ni lnRR iliyotabiriwa na modeli; na n ni idadi ya uchunguzi. Kadiri RMSE inavyopungua, kosa la utabiri wa modeli linapungua.

Fomula ya R² imeelezwa hivi:

\[ R^2 = 1 - \frac{\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}{\sum_{i=1}^{n}(y_i-\bar{y})^2} \]

Hapa ȳ ni wastani wa thamani halisi. R² huonyesha ni kiasi gani cha tofauti katika data kinaelezwa na modeli. Inapokaribia 1, modeli inachukuliwa kukamata vizuri zaidi mifumo ndani ya data.

Kielelezo 7 kinaonyesha kwamba CatBoost ilifanya vizuri kuliko modeli nyingine, kwamba thamani zilizotabiriwa na zilizoonekana za lnRR kwa ujumla zililingana, na ni vigezo gani vilivyojitokeza katika uchambuzi wa SHAP. Utendaji wa majaribio wa CatBoost ulitolewa kama R² = 0.920 na RMSE = 1.077. Katika mpangilio wa SHAP, vigezo endelevu muhimu zaidi vilikuwa flow rate 0.432, mkusanyiko wa kuingia 0.417, temperature 0.283, media depth 0.186 na COD 0.185. Katika vigezo vya kategoria, wastewater type ilichangia 0.325 na experimental scale 0.197.

Uchambuzi wa SHAP husaidia kueleza ni kiasi gani modeli ya machine learning hutumia kila kigezo kwa utabiri. Hata hivyo, hii haimaanishi causality. Kigezo kuwa na umuhimu mkubwa katika modeli hakuthibitishi kwamba kukibadilisha uwanjani kutabadilisha uondoaji kwa uhakika katika mwelekeo huo. Utafiti unatenganisha wazi dhana hizi na kuwasilisha CatBoost kama zana ya kutambua mifumo ndani ya eneo la fasihi iliyopo, si kama mechanistic simulator.

Kielelezo 8 kinaonyesha kwa uwazi zaidi umuhimu wa vigezo kulingana na muktadha. Katika antibiotiki, mkusanyiko wa kuingia una %29.7 ya umuhimu wa jumla. Katika mikroplastiki, joto lina %22.5 na msongamano wa mimea %15.3. Katika misombo inayovuruga homoni na vichafuzi hai sugu, msongamano wa mimea unajitokeza kwa %24.7 na %33.8, mtawalia. Katika utabiri wa maji machafu halisi, mkusanyiko wa kuingia unatawala kwa %22.6, wakati katika maji machafu ya sintetiki flow regime inajitokeza kwa %39.5. Katika mifumo ya mtiririko wa uso, media type na plant density ni muhimu zaidi; katika mifumo ya chini ya uso, pollutant type, COD na mkusanyiko wa kuingia ni viashiria vikubwa zaidi.

Matokeo haya yanaimarisha ujumbe mkuu wa utafiti: hakuna “kigezo muhimu zaidi” kimoja kinachotumika kila mahali. Kigezo muhimu hubadilika kulingana na kichafuzi, maji machafu, aina ya eneo oevu na kiwango kinachochunguzwa. Kwa hiyo utafiti unapendekeza dhana ya context-specific performance envelopes, yaani performance envelopes mahususi kwa muktadha, badala ya mgawo mmoja wa uondoaji wa jumla.

Performance envelope inaeleza anuwai ya utendaji ambayo mfumo unaweza kutarajiwa kwa uhalisia chini ya hali fulani. Dhana hii ina thamani kubwa kwa uhandisi. Inamwezesha mbunifu kusema “kwa aina hii ya kichafuzi, matriksi hii ya maji machafu, mfumo huu wa mtiririko na kiwango hiki, anuwai ya utendaji inayotarajiwa ni hii” badala ya sentensi sahihi kupita kiasi kama “mfumo huu huondoa %95 kila wakati”.

Mapendekezo ya vitendo ya utafiti yanakusanyika katika pointi nne kuu. Kwanza, kwa polishing ya vichafuzi vinavyoibuka vilivyoyeyushwa, mifumo ya chini ya uso inapaswa kutathminiwa kama miundo ya kuanzia yenye kuaminika zaidi kuliko mifumo ya mtiririko wa uso. Pili, kwa vichafuzi vya chembe kama mikroplastiki, kupungua kwa mkusanyiko wa kutoka kunapaswa kufasiriwa kama kushikiliwa badala ya kuvunjika ikiwa hakuna mizania ya molekuli. Tatu, matokeo ya maabara na maji machafu ya sintetiki yanapaswa kutafsiriwa kwa tahadhari kuelekea muundo wa uwanjani. Nne, kiwango cha mtiririko, mkusanyiko wa kuingia, joto, kemia ya maji machafu na kiwango cha jaribio vinapaswa kuchukuliwa kuwa vigezo vya kipaumbele katika muundo na ufuatiliaji.

Kwa maisha ya kila siku, utafiti huu unatusaidia kuangalia kwa uhalisia zaidi dhana ya “suluhisho la asili” katika matibabu ya maji. Maeneo oevu yaliyotengenezwa yanaweza kutoa faida kama matumizi madogo ya nishati, matengenezo madogo na ulinganifu wa kiikolojia. Lakini hii haimaanishi kwamba yanaondoa kila kichafuzi kwa mafanikio yale yale katika kila hali. Maji machafu ya nyumbani ya jiji, maji machafu mchanganyiko ya kiwanda na leachate hayatafanya kazi sawa katika mfumo uleule. Kwa hiyo hata suluhisho zinazotegemea mazingira zinahitaji vipimo vya kisayansi, uthibitishaji wa uwanjani na muundo mahususi kwa muktadha.

Matokeo ni muhimu pia kwa sera za nishati na mazingira. Teknolojia za matibabu zenye kaboni kidogo zitatumika zaidi siku zijazo; lakini ikiwa miundo itategemea wastani wa uondoaji wa maabara pekee, utendaji wa uwanjani unaweza kuwa chini kuliko ulivyotarajiwa. Hii inaweza kuleta matatizo kwa hatari ya mazingira na mipango ya uwekezaji. Mbinu ya performance envelope inayopendekezwa na utafiti hutoa mfumo wa uamuzi ulio wa uaminifu na unaoweza kutumika zaidi.

Nguvu za utafiti ni pamoja na usanisi mkubwa wa fasihi, kuzingatia ukubwa wa athari unaotegemeana, kutumia uamuzi imara kwa makundi, kukamilisha meta-regression ya mstari kwa machine learning inayoweza kuelezewa na kutoa hitimisho la uhandisi lisilozidisha madai. Kukubali kutokuwa na uhakika na utegemezi wa muktadha kama ugunduzi mkuu badala ya kutoa kiwango kimoja cha jumla kunaongeza uaminifu wa kisayansi wa utafiti.

Vikwazo pia ni dhahiri. lnRR hupima tu mabadiliko ya mkusanyiko; haiwezi kuonyesha kama kichafuzi kimeadsorb, kimevunjika, kimeshikiliwa, kime-mineralize au kitatolewa tena baadaye. Hii ni muhimu hasa kwa mikroplastiki. Kuripoti covariate katika fasihi ya chanzo ni pungufu na si sawa; hali hii inapunguza nguvu ya meta-regression. Msingi wa ushahidi hauna uwiano kwa aina ya maji machafu, eneo na kiwango. Kutathmini publication bias ni vigumu kutokana na heterogeneity kubwa na ukubwa wa athari unaotegemeana. Katika modeli ya machine learning, mgawanyo wa majaribio ulifanywa katika kiwango cha uchunguzi; hakuna uthibitishaji halisi wa nje kwa seti huru ya tafiti.

Mambo ambayo utafiti hausisemi yanapaswa pia kuwekwa wazi. Utafiti hausisemi kwamba maeneo oevu yaliyotengenezwa yanaondoa kwa usalama vichafuzi vyote vinavyoibuka. Hausisemi kwamba uondoaji mkubwa wa mikroplastiki unamaanisha kuvunjika kwa kudumu. Hausisemi kwamba CatBoost inaweza kutengeneza muundo wa uwanjani peke yake. Haujaonyesha kwamba spishi fulani ya mmea au substrate ni bora kila wakati. Ujumbe mkuu wa utafiti ni wa tahadhari zaidi na wenye thamani zaidi: utendaji wa maeneo oevu yaliyotengenezwa unategemea muktadha; muundo wa uhandisi unapaswa kutegemea performance envelopes kulingana na kichafuzi, maji machafu, mfumo wa mtiririko, hali za majimaji na kiwango, badala ya thamani moja ya wastani.

Mbinu na Matokeo ya Utafiti

Mbinu ya utafiti inajumuisha mapitio ya fasihi ya kimfumo, hesabu ya ukubwa wa athari, meta-uchambuzi wa ngazi nyingi, uamuzi imara kwa makundi, meta-regression ya mstari, machine learning inayoweza kuelezewa kwa CatBoost na tafsiri za SHAP/ALE.

1. Ukusanyaji wa data na uteuzi wa tafiti

2. Aina za vichafuzi zilizojumuishwa

3. Vigezo vya eneo oevu vilivyotolewa

4. Fomula za ukubwa wa athari na variance

Ukubwa mkuu wa athari:

\[ \ln RR = \ln\left(\frac{C_{out}}{C_{in}}\right) \]

Variance ya sampuli:

\[ V(\ln RR) = \frac{S_{out}^2}{n_{out} C_{out}^2} + \frac{S_{in}^2}{n_{in} C_{in}^2} \]

Umbo la jumla la meta-regression:

\[ Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \cdots + \epsilon_i \]

5. Heterogeneity ya jumla

6. Wastani wa uondoaji kulingana na aina ya kichafuzi

7. Matokeo kulingana na mpangilio wa eneo oevu

8. Athari ya kiwango

9. Matokeo ya meta-regression imara kwa makundi

Baada ya marekebisho ya FDR, moderator nyingine endelevu hazikubaki kama athari za jumla na thabiti za mstari. Matokeo haya yanaunga mkono hitaji la uchambuzi mahususi kwa muktadha badala ya sheria za muundo za kigezo kimoja.

10. Machine learning na utendaji wa modeli

RMSE:

\[ RMSE = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2} \]

R²:

\[ R^2 = 1 - \frac{\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}{\sum_{i=1}^{n}(y_i-\bar{y})^2} \]

11. Viashiria vilivyojitokeza kwa SHAP

12. Matokeo ya SHAP mahususi kwa muktadha

13. Muhtasari wa kiufundi wa matokeo makuu

• Maeneo oevu yaliyotengenezwa yanaweza kupunguza vichafuzi vinavyoibuka; lakini utendaji hutegemea sana muktadha.
• Kwa kuwa I² ≈ 99%, mgawo mmoja wa uondoaji wa jumla si wa kuaminika kwa muundo wa uhandisi.
• Kwa mikroplastiki, uondoaji mkubwa unaoonekana unapaswa kufasiriwa kama kushikiliwa badala ya kutoweka kwa kudumu ikiwa hakuna mizania ya molekuli.
• Mifumo ya mtiririko mlalo chini ya uso ilionyesha wastani wa uondoaji mkubwa zaidi kuliko mifumo ya mtiririko wa uso.
• Matokeo ya maabara na maji machafu ya sintetiki yanaweza kuzidisha utendaji wa mifumo ya ukubwa kamili yenye maji machafu halisi.
• Meta-regression ya mstari ilipata ishara chache tu za jumla zilizo thabiti.
• Modeli ya CatBoost ilikamata vizuri zaidi muundo usio wa mstari katika data; lakini si dhamana ya utendaji wa uwanja au simulator ya sababu.
• Mbinu ya uhandisi inayoweza kutetewa zaidi ni kutengeneza performance envelopes mahususi kwa muktadha.

Dokezo la Chanzo na Mbinu

Makala haya yametayarishwa kwa msingi wa utafiti wa Diantong Li, Mengze Gao, Dawei Yu, Jie Mao na Yaohui Bai wenye kichwa “Context-dependent removal of emerging pollutants in constructed wetlands: a dependence-aware meta-analysis and explainable machine-learning framework for performance envelopes”. Utafiti umeandaliwa na watafiti wanaohusishwa na Chinese Academy of Sciences na University of Chinese Academy of Sciences.

Aina ya chanzo ni makala ya utafiti ya SSRN preprint kulingana na tamko la wazi katika maandishi. Kwa kuwa maandishi yanasema wazi “This preprint research paper has not been peer reviewed”, utafiti huu unapaswa kutathminiwa kama preprint ambayo haijapitiwa na wahakiki. Kwa upande mwingine, tafiti 67 zilizojumuishwa katika meta-uchambuzi zimeripotiwa kuwa tafiti zilizopitiwa na wahakiki. Tofauti hii ni muhimu: ingawa fasihi ambayo usanisi unategemea inajumuisha tafiti zilizopitiwa na wahakiki, makala hii ya usanisi yenyewe bado haijathibitishwa kama chapisho lililopitiwa na wahakiki.

Katika kuandaa maudhui haya, mchakato wa mapitio ya kimfumo uliotolewa katika utafiti, hifadhidata ya tafiti 67 na ulinganisho 841 wa kuingia-kutoka, fomula ya lnRR, hesabu ya variance, modeli ya athari nasibu ya ngazi nyingi, uamuzi imara kwa makundi wa CR2, marekebisho ya FDR, modeli ya CatBoost, maelezo ya SHAP/ALE, vielelezo, matokeo ya nambari na vikwazo vilitumiwa. Hakuna madai yaliyoongezwa kuhusu dhamana ya uwanja, mgawo wa uondoaji wa jumla, ubora wa kila hali wa mmea au substrate fulani, kutoweka kwa uhakika kwa mikroplastiki au uwezekano wa kujumlisha kwa usalama modeli ya CatBoost nje ya hali zilizojifunza ikiwa hayapo katika maandishi.

Matokeo ya utafiti ni muhimu hasa kwa uhandisi wa mazingira na muundo wa matibabu ya maji machafu; lakini matokeo hutegemea muktadha. Katika miundo ya maeneo oevu yaliyotengenezwa, aina ya kichafuzi, matriksi ya maji machafu, mfumo wa mtiririko, kiwango cha mtiririko, mkusanyiko wa kuingia, joto, kiwango cha jaribio na uthibitishaji wa uwanjani vinapaswa kutathminiwa pamoja. Kwa sababu ya hadhi yake ya preprint, matokeo yanapaswa kusomwa kwa tahadhari na kuungwa mkono na uthibitishaji wa pilot/ukubwa kamili wa uwanjani katika matumizi ya uhandisi.

Lebo za Meta