Ҷараёнҳои кории арзёбии ифлосшавии хок дар асоси Python қолабҳои модулии таҳлили ҳисоббарорӣ мебошанд, ки омӯзиши мошинӣ, омӯзиши амиқ, омор ва абзорҳои ГИС-ро барои пешгӯии намудҳои гуногуни ифлоскунанда, таснифи онҳо, пешбинӣ кардани тағйирёбии онҳо бо мурури замон, ҳисоб кардани номуайянӣ ва сохтани харитаҳои фазоии хавф муттаҳид мекунанд. Таҳқиқот металлҳои вазнин, пеститсидҳо, микропластикҳо, моддаҳои пер- ва полифторалкилӣ (PFAS) ва сарбории аз ҳад зиёди макроғизоҳоро фаро мегирад; ҳафт ҷараёни кории Python дар асоси Random Forest, XGBoost + SHAP, 1-B CNN, LSTM, PCA, Monte Carlo ва GeoPandas пешниҳод мешаванд.
Муҳимтарин маҳдудияти тафсири таҳқиқот ин аст, ки натиҷаҳои гузоришшудаи моделҳо нишондиҳандаҳои самаранокии тасдиқшуда дар маълумоти воқеии майдонҳои ифлосшуда нестанд. Сохтори маълумоти ҳафт татбиқ бо маълумоти синтетикӣ/benchmark сохта шудааст, ки тағйирёбандаҳои экологиро дар адабиёт тақлид мекунад. Барои Random Forest тақрибан \(R^2=0{,}88\), барои XGBoost ROC-AUC тақрибан 0,91, барои 1-B CNN-и микропластикҳо дақиқии зиёда аз %95, барои PFAS LSTM RMSE-и як-қадам-ба-пеш камтар аз 0,05 ng/g, барои PCA тақрибан %45 дисперсияи шарҳдодашуда дар ҷузъи аввал, барои Monte Carlo PLI фосилаи эътимоди %90-и тақрибан ±0,4 воҳид ва барои харитасозии фазоии EF RMSE-и санҷиши салибӣ тақрибан 0,38 воҳиди EF гузориш шудааст. Ҳамаи инҳо намоиши методологии workflow мебошанд.
Таҳқиқот инчунин чаҳорчӯбаи шашмарҳилавиро месозад, ки таҳлили ҳисоббарориро бо хизматрасониҳои экосистемаи хок мепайвандад: муайян кардани манбаъҳои ифлосшавӣ, моделсозии рафтори ифлоскунанда, пешгӯии сенария, арзёбии хавфи экологӣ, таҳлили бисёромила ва пешгӯӣ/идоракунӣ. Ҳамин тариқ, ҳадаф танҳо баланд бардоштани скори як модели ML нест; балки сохтани занҷири пайгиришавандаи таҳлили маълумоти экологӣ аз намунагирии саҳроӣ то харитасозии хавф ва қарори барқарорсозӣ мебошад.
Масъалаи таҳқиқот
Ифлосшавии хок масъалае мураккабтар аз чен кардани консентратсияи як ифлоскунанда аст. Ҳаракатнокӣ ва дастрасии биологии ифлоскунанда ҳамзамон бо минералогияи хок, моддаи органикӣ, pH, ҳиссаи гил, сохтори ковокӣ, шароити гидрологӣ, намудбандии химиявӣ ва равандҳои муҳити зист тағйир меёбанд. Ин сохтори бисёрченак ва ғайрихаттӣ имкони он ки таҳлилҳои классикии яктағйирёбанда рафтори экологиро пурра ифода кунанд, душвор месозад.
Таҳқиқот ин масъаларо дар се сатҳ баррасӣ мекунад: синтези адабиёти нашршудаи илмҳои муҳити зист, чаҳорчӯбаи консептуалии шашмарҳилавӣ, ки хизматрасониҳои экосистемаи хокро бо раванди таҳлилӣ мепайвандад, ва ҳафт workflow-и иҷрошавандаи Python.
Баррасии адабиёт чӣ гуна анҷом дода шуд?
Манбаъ синтези адабиётро дар асоси зиёда аз 100 нашрияи тақризшуда дар Web of Science ва Scopus анҷом додааст. Дар байни истилоҳҳои ҷустуҷӯ “soil pollution”, “soil contamination”, “machine learning”, “random forest”, “deep learning”, “heavy metals”, “PFAS”, “microplastics”, “pesticide leaching” ва “soil ecosystem services” ҳастанд. Фосилаи асосии вақт 2015–2026 мебошад; таҳқиқоти кӯҳнатаре, ки аз ҷиҳати методологӣ асосӣ ҳисоб шудаанд, барои заминаи таърихӣ дар доираи баррасӣ нигоҳ дошта шудаанд.
Меъёрҳои дохилкунӣ ба се шарти асосӣ такя доштанд: таҳқиқот бояд бевосита ба ошкорсозии ифлосшавии хок ё арзёбии хавф дар асоси ML марбут бошад, метрикаи миқдории самаранокӣ ё усули тасдиқшудаи ошкорсозиро гузориш диҳад ва ҳадди ақал яке аз панҷ гурӯҳи асосии ифлоскунандагонеро, ки дар мақола баррасӣ мешаванд, фаро гирад.
Гурӯҳҳои асосии ифлоскунандагони фарогирифташуда
| Гурӯҳи ифлоскунанда | Вазифаи ҳисоббарорӣ дар таҳқиқот | Масъалаи асосии экологӣ |
|---|---|---|
| Металлҳои вазнин | Пешгӯии консентратсия, индексҳои хавф, харитасозии фазоии EF | Ҷамъшавии устувор, дастрасии биологӣ, ҷамъшавӣ дар занҷири трофикӣ |
| Пеститсидҳо | Таснифи хавфи шусташавӣ/leaching | Интиқол ба обҳои зеризаминӣ, таъсир ба равандҳои микробӣ ва гардиши ғизоӣ |
| Микропластикҳо | Тасниф аз спектри монанд ба FTIR | Сохтори хок, ковокӣ ва ифлоскунандагони ҳамроҳ интиқолёбанда |
| PFAS | Пешгӯии қатори вақт | Устувории хеле баланди экологӣ ва ҷамъшавии дарозмуддат |
| Макроғизоҳои аз ҳад зиёд | Коҳиши андозагирӣ бо PCA ва муайян кардани нуқтаи доғ | Сарбории N/P, эвтрофикатсия, обҳои зеризаминӣ ва сифати хок |
Ифлоскунандагони радиоактивӣ дар таҳқиқот ҳамчун синфи муҳими контаминатсияи хок эътироф мешаванд, аммо аз доираи асосии workflow-и Python берун гузошта шудаанд. Манбаъ қайд мекунад, ки гамма-спектрометрия ва паҳншавии номуайянӣ метавонанд дар арзёбиҳои ояндаи радионуклидҳо истифода шаванд.
Ҳафт Ҷараёни Кории Python Ифлосшавии Хокро Чӣ Гуна Таҳлил Мекунанд?
Ҳафт workflow ба ҷойи такрори як масъала ба намудҳои гуногуни маълумот мувофиқат мекунанд: Random Forest консентратсияи металлҳои вазнинро бо регрессия, XGBoost хавфи leaching-и пеститсидҳоро бо тасниф, 1-B CNN микропластикҳоро бо намунаи спектралӣ, LSTM PFAS-ро бо қатори вақт, PCA нуқтаҳои доғи ғизоиро бо коҳиши андозагирӣ, Monte Carlo номуайянии ченкуниро дар индексҳои хавф ба таври эҳтимолӣ ва раванди дар асоси GeoPandas бойшавии металлҳои вазнинро дар харитаи фазоӣ коркард мекунад.
Workflow 1: Консентратсияи кадмий бо Random Forest
Скрипти аввал бо истифода аз панҷ банди инъикоси спектралӣ, pH, моддаи органикии хок (SOM) ва фоизи гил регрессияи Random Forest-ро месозад, ки консентратсияи кадмийро пешгӯӣ мекунад. Шумораи маълумот \(n=1000\) аст.
Тағйирёбандаи ҳадафи синтетикӣ дар коди манбаъ бо робитаи зерин сохта мешавад:
\[ C_{\mathrm{Cd}} = 2.8\,pH - 1.5\,SOM^2 + 6.0\,B_3 + \varepsilon, \qquad \varepsilon\sim\mathcal{N}(0,0.4^2) \]
Формула чиро ҳисоб мекунад? Консентратсияи синтетикии кадмийро бо воҳиди mg/kg месозад. \(B_3\) инъикоси банди сеюми спектралӣ аст; \(SOM\) тағйирёбандаи фоизии моддаи органикӣ мебошад; \(\varepsilon\) садои Гауссӣ бо инҳирофи стандартии 0,4 mg/kg аст.
Чаро ин ҷузъ муҳим аст? Қимати баланди \(R^2\)-и Random Forest на аз он ки робитаи табиии экологиро кашф кардааст, балки аз он таъсир мегирад, ки тағйирёбандаи ҳадаф аз оғоз ҳамчун функсияи математикии ин predictor-ҳо сохта шудааст. Манбаъ махсус қайд мекунад, ки доминант баромадани Band 3 ва pH аз формулаи тавлиди маълумот сарчашма мегирад.
Модел бо 200 дарахт, умқи максималӣ 12 ва ҳадди ақал 4 намуна дар барг сохта шудааст; маълумот ба %80 омӯзиш ва %20 санҷиш тақсим шуда, инчунин санҷиши салибии панҷқабата татбиқ шудааст.
Натиҷа: Тақрибан \(R^2=0.88\), RMSE < 0,35 mg/kg. Ин қимат ба намоиши синтетикӣ тааллуқ дорад.
Ёддошти усул дар дохили манбаъ: гарчанде дар тавсифи усул ибораи feature importance дар асоси SHAP мавҷуд аст, коди нашршудаи Listing 1 аз `rf.feature_importances_` истифода мебарад. Ин ченаки дарунии impurity-асоси аҳамияти Random Forest аст; дар Listing 1-и нашршуда даъвати SHAP дида намешавад.
Workflow 2: Хавфи leaching-и пеститсид бо XGBoost + SHAP
Скрипти дуюм бо истифода аз қум, гил, SOM, боришот, нишебӣ ва pH хавфи баланд/пасти leaching-и пеститсидро тасниф мекунад. Logit-и истифодашуда барои сохтани хавфи синтетикӣ:
\[ z= -0.04\,Sand +0.07\,Clay -0.30\,SOM +0.06\,Precip +0.05\,Slope -0.5 \]
ва табдили логистикӣ:
\[ P= \frac{1}{1+e^{-z}} \]
ҳангоми \(P>0.5\) синфи хавфи баланд сохта мешавад.
Аломати коэффициентҳо мантиқи тавлиди маълумоти синтетикиро шарҳ медиҳад: масалан, дар ин сохтор бо зиёд шудани боришот ва гил \(z\) боло меравад, дар ҳоле ки бо зиёд шудани SOM паст мешавад. Ин коэффициентҳо коэффициентҳои универсалии интиқоли пеститсид нестанд, ки барои майдони воқеӣ чен шуда бошанд.
Дар модели XGBoost 300 estimator, умқи максималӣ 5, learning rate 0,05, subsample 0,8 ва column subsampling 0,8 истифода шудааст. Маълумот ба таври stratified ба %75 омӯзиш ва %25 санҷиш тақсим шудааст.
Натиҷа: ROC-AUC тақрибан 0,91. Ин қимат ба як hold-out partition тааллуқ дорад; дар код даври санҷиши салибӣ вуҷуд надорад. Таҳлили SHAP дар ин сохтори синтетикӣ шиддати боришот ва ҳиссаи гилро ҳамчун муайянкунандаҳои асосии хавф нишон додааст.
Workflow 3: Таснифи микропластик бо 1-B CNN
Скрипти сеюм барои ҷудо кардани микропластикҳо аз зарраҳои минералӣ/органикӣ аз fingerprint-ҳои спектралии 128-каналии монанд ба FTIR аз Convolutional Neural Network-и якчена истифода мебарад. Дар маҷмӯъ 1200 спектри синтетикӣ тавлид шудааст.
Синфи минералӣ/органикӣ тақрибан:
\[ X_{\mathrm{min}}\sim\mathcal{N}(0.3,0.08^2) \]
ва синфи микропластик:
\[ X_{\mathrm{MP}}\sim\mathcal{N}(0.6,0.10^2) \]
аз тақсимотҳо сохта шудаанд; ба фосилаҳои каналии 40–44 ва 80–84-и спектрҳои микропластик мутаносибан хусусиятҳои сунъии абсорбсия +0,5 ва +0,4 илова шудаанд.
Сохтори шабака пайдарпай аз Conv1D бо 32 филтр (kernel=5), MaxPooling1D, Conv1D бо 64 филтр (kernel=3), GlobalAveragePooling1D, Dense бо 64 нейрон, %30 dropout ва қабати баромади sigmoid иборат аст. Функсияи талафот binary cross-entropy, optimizer Adam аст. Омӯзиш бо 30 epoch, batch size 32 ва %15 validation split дар дохили маълумоти омӯзишӣ анҷом шудааст.
Натиҷа: Дар спектрҳои синтетикии hold-out дақиқӣ зиёда аз %95 ва F1 > 0,94 гузориш шудааст. Ин натиҷа скори таснифоти саҳроӣ нест, ки дар китобхонаи воқеии FTIR-и хок тасдиқ шуда бошад.
Workflow 4: Қатори вақти PFAS бо LSTM
Скрипти чорум қатори синтетикии PFAS-и 10-сола бо 120 намунаи моҳона месозад:
\[ C(t) = 0.8 + 0.4\sin(t) + 0.015\,m + \varepsilon, \qquad \varepsilon\sim\mathcal{N}(0,0.05^2) \]
Дар ин ҷо \(m\) индекси моҳ аст. Ҳади доимии аввал сатҳи асосӣ, ҳади синусӣ мавсимият, \(0.015m\) афзоиши дарозмуддат ва ҳади Гауссӣ садои тасодуфиро ифода мекунанд. Воҳиди консентратсия ng/g аст.
Қатор бо MinMaxScaler нормализатсия шуда, равзанаи лағжандаи 12-моҳа истифода шудааст. Ҳадафи ҳар як пайдарпаии вурудии 12-моҳа қимати ягонаи моҳи фавран баъдӣ мебошад.
Меъмории LSTM аз LSTM-и якум бо 64 воҳид ва баргардонандаи sequence, %20 dropout, LSTM-и дуюм бо 32 воҳид, ReLU Dense бо 16 нейрон ва қабати баромад бо як қимат иборат аст. Модел бо Adam + MSE барои 50 epoch ва batch size 16 омӯзонида мешавад.
Натиҷа: RMSE-и пешгӯии як-қадам-ба-пеши PFAS <0,05 ng/g аст.
Ҳадди муҳим: Ин модел 12 моҳро якбора пешгӯӣ намекунад. Он равзанаи гузашта аз дувоздаҳ моҳро истифода бурда, моҳи баъдиро пешгӯӣ мекунад. Барои пешгӯии воқеии дарозмуддати бисёрқадамӣ autoregressive rollout ва санҷиши мустақили саҳроӣ лозим аст.
Workflow 5: Муайян кардани нуқтаҳои доғи ғизоӣ бо PCA
Скрипти панҷум матритсаи синтетикии химияи бисёрэлементаи хокро бо 500 намуна месозад, ки аз тағйирёбандаҳои N, P, K, pH, SOM, нитрат ва аммоний иборат аст. Дар 50 намунаи тасодуфан интихобшудаи нуқтаи доғ қиматҳои N, NO3 ва P 3,5 маротиба зиёд карда шудаанд.
Аввал ҳамаи тағйирёбандаҳо бо StandardScaler стандартӣ карда шуда, сипас маълумот ба ду principal component коҳиш дода шудааст. Ғояи умумии математикии PCA ин аст, ки фазои маълумоти бисёрченакро ба меҳварҳои нави ба ҳам амудӣ проексия карда, қисми ҳарчи бештари дисперсияро дар компонентҳои аввал ҷамъ кунад.
Натиҷа: PC1 тақрибан %45-и дисперсияи умумиро шарҳ дода, кластери нуқтаи доғи сунъӣ сохташудаи N/NO3/P-и баландро ҷудо кардааст. Аз ин рӯ, доминант будани N ва P кашфи мустақили саҳроӣ нест; худи қадами сохтани нуқтаи доғ ин се тағйирёбандаро махсус баланд мекунад.
Workflow 6: Номуайянии PLI ва Igeo бо Monte Carlo
Скрипти шашум номуайянии ченкунии лабораториро барои чор металл дар тӯли 50.000 реализацияи Monte Carlo ба индексҳои хавф паҳн мекунад.
| Металл | Фони геогенӣ (mg/kg) | Миёнаи ченкунии синтетикӣ ± SD (mg/kg) |
|---|---|---|
| Cd | 0,3 | 1,8 ± 0,25 |
| Pb | 20 | 85 ± 9 |
| As | 5 | 22 ± 2,5 |
| Cr | 50 | 120 ± 15 |
Аввалин бузургии ҳисобшуда contamination factor мебошад:
\[ CF_i= \frac{C_{i,\mathrm{measured}}} {C_{i,\mathrm{background}}} \]
Ин чӣ маъно дорад? Ин таносуби беченакест, ки нишон медиҳад консентратсияи мавҷуда нисбат ба фони табиӣ/геогенӣ чанд маротиба афзудааст. \(CF_i=1\) маънои баробар будани ченкунӣ ва фонро дорад, қиматҳои калонтар бойшавии болотар аз фонро ифода мекунанд.
Pollution Load Index аз миёнаи геометрии contamination factor-ҳои чор металл ҳисоб мешавад:
\[ PLI= \left( \prod_{i=1}^{n}CF_i \right)^{1/n} \]
\(n\) шумораи металлҳо аст. Дар ин скрипт \(n=4\). Миёнаи геометрӣ ҳукмронии мустақими як металли хеле баландро мисли ҷамъбасти арифметикӣ коҳиш дода, тамоми сарбории ифлоскунандагонро дар як индекси беченак муттаҳид мекунад. Дар намоиши манбаъ \(PLI=1\) ҳадди муҳими истинодӣ барои таснифи ифлосшавӣ мебошад.
Барои кадмий Geo-accumulation Index:
\[ I_{\mathrm{geo,Cd}} = \log_2 \left( \frac{C_{\mathrm{Cd}}} {1.5\,B_{\mathrm{Cd}}} \right) \]
ба ин шакл ҳисоб карда мешавад. \(B_{\mathrm{Cd}}\) консентратсияи фонии кадмий аст. Коэффициенти 1,5 коэффициенти ислоҳиест, ки тағйирёбии табиии геохимиявиро ба ҳисоб мегирад.
Натиҷа: Дар 50.000 реализация барои PLI фосилаи эътимоди %90-и тақрибан ±0,4 воҳид гузориш шудааст. Манбаъ нишон медиҳад, ки ин фосила дар баъзе реализацияҳо метавонад синфи PLI-ро ба ду тарафи қимати ҳаддии 1 барад. Дар тақсимоти кадмий \(I_{\mathrm{geo}}\) тақрибан %15 реализацияҳо аз ҳадди \(I_{\mathrm{geo}}>3\) Class 4 гузаштаанд, дар ҳоле ки миёнаи ensemble дар Class 3 мондааст. Ин мисол нишон медиҳад, ки як қимати детерминистии хавф метавонад думи хавфи баландро пинҳон кунад.
Workflow 7: Харитаи фазоии EF бо GeoPandas
Скрипти ҳафтум 150 нуқтаи синтетикии намунагирӣ месозад ва Enrichment Factor-ро ҳисоб мекунад, ки консентратсияи Pb-ро нисбат ба унсури истинодии Fe нормализатсия мекунад:
\[ EF_{\mathrm{Pb}} = \frac{ C_{\mathrm{Pb}}/C_{\mathrm{Fe}} }{ B_{\mathrm{Pb}}/B_{\mathrm{Fe}} } \]
\(C_{\mathrm{Pb}}\) ва \(C_{\mathrm{Fe}}\) консентратсияҳои Pb ва Fe мебошанд, ки дар намуна чен шудаанд; \(B_{\mathrm{Pb}}\) ва \(B_{\mathrm{Fe}}\) қиматҳои фонии минтақавӣ мебошанд. Дар скрипт \(B_{\mathrm{Pb}}=20\) mg/kg ва \(B_{\mathrm{Fe}}=25\,000\) mg/kg истифода шудаанд.
Азбаски EF таносуб аст, беченак мебошад. Синфҳо дар коди манбаъ:
| EF | Синф дар коди манбаъ |
|---|---|
| \(EF<2\) | Minimal |
| \(2\leq EF<5\) | Moderate |
| \(5\leq EF<20\) | Significant |
| \(EF>20\) | Very high |
Дар қисми натиҷаҳои манбаъ гузориш шудааст, ки нуқтаи доғи шимолу шарқӣ бо \(EF_{\mathrm{Pb}}>5\) тақрибан %12-и майдонро фаро гирифтааст ва RMSE-и санҷиши салибӣ нисбат ба %20 нуқтаҳои withheld тақрибан 0,38 воҳиди EF будааст.
Фарқи усул дар дохили манбаъ: Матн ва натиҷаҳо ин сатҳро “IDW” меноманд. Аммо дар Listing 7-и нашршуда даъвати интерполятсия ба шакли `scipy.interpolate.griddata(..., method="linear")` аст. Интерполятсияи хаттӣ дар `griddata` ва классикии inverse-distance weighting як алгоритм нестанд. Verianla коди манбаъро тағйир намедиҳад ва ин фарқи номгузориро намоён нигоҳ медорад. Илова бар ин, коди санҷиши %20 withheld-point дар қисми натиҷаҳо дар сатрҳои намоёни Listing 7-и нашршуда вуҷуд надорад.
Оё Ин Натиҷаҳои Самаранокӣ Муваффақиятро Дар Майдонҳои Воқеан Ифлосшуда Нишон Медиҳанд?
Не. Қиматҳои самаранокии таҳқиқот намоишҳои workflow дар сохторҳои назоратшавандаи маълумоти синтетикӣ/benchmark мебошанд; дар майдонҳои воқеан ифлосшуда санҷиши мустақили беруна гузаронида нашудааст ва манбаъ ба таври равшан мегӯяд, ки барои татбиқи воқеӣ маълумоти саҳроӣ, санҷиши салибии фазоӣ, оптимизатсияи гиперпараметрҳои махсуси минтақа ва валидацияи мустақил заруранд.
Усул ва Натиҷаҳои Таҳқиқот
Самаранокии умумии ҳафт workflow
| Скрипт | Вазифа | Усул | Метрика | Натиҷаи синтетикии гузоришшуда дар манбаъ |
|---|---|---|---|---|
| 1 | Консентратсияи кадмий | Регрессияи Random Forest | \(R^2\) / RMSE | \(R^2\approx0.88\); RMSE <0,35 mg/kg |
| 2 | Leaching-и пеститсид | XGBoost + SHAP | ROC-AUC | ≈0,91; як hold-out split |
| 3 | Микропластик | 1-B CNN | Accuracy / F1 | Accuracy >%95; F1 >0,94 |
| 4 | Қатори вақти PFAS | LSTM | RMSE | <0,05 ng/g; як-қадам-ба-пеш |
| 5 | Нуқтаҳои доғи ғизоӣ | PCA | Дисперсияи шарҳдодашуда | PC1 ≈%45; нуқтаи доғ ҷудо шудааст |
| 6 | Хавфи бисёрметаллӣ | Monte Carlo PLI/Igeo | %90 фосилаи эътимод | PLI ≈±0,4 воҳид; 50.000 реализация |
| 7 | EF-и фазоӣ | GeoPandas / дар манбаъ “IDW” | CV RMSE | ≈0,38 воҳиди EF |
Қобилияти интиқоли усулҳо ба маълумоти воқеӣ
| Усул | Талаби маълумот | Қобилияти тафсир | Арзиши ҳисоббарорӣ | Номуайянӣ | Арзёбии манбаъ барои маълумоти воқеӣ |
|---|---|---|---|---|---|
| Random Forest | Миёна; tabular | Баланд | Паст–миёна | Bootstrap CI татбиқшаванда | Хуб; CV-и фазоӣ лозим |
| XGBoost + SHAP | Миёна; tabular | Баланд | Паст–миёна | Дарунсохт нест | Хуб; stratified CV тавсия мешавад |
| 1-B CNN | Китобхонаи калони спектралӣ | Миёна | Миёна | Dropout | Миёна; transfer learning тавсия мешавад |
| LSTM | Қатори вақти дароз | Паст | Миёна–баланд | Дарунсохт нест | Миёна; танзими махсуси майдон лозим |
| PCA | Маълумоти бе тамға кофӣ аст | Баланд | Хеле паст | Дарунсохт нест | Баланд; unsupervised |
| Monte Carlo | Тақсимоти эҳтимолият | Баланд | Паст | CI ба таври ошкор | Баланд; барои номуайянӣ тарҳрезӣ шудааст |
| Харитасозии GeoPandas | Нуқтаҳои намунаи фазоӣ | Баланд | Паст | Дарунсохт нест | Миёна; назорати автокоррелятсияи фазоӣ лозим |
Пайвастагӣ бо хизматрасониҳои экосистемаи хок
Яке аз ҷиҳатҳои фарқкунандаи таҳқиқот ин аст, ки ҳафт намунаи кодро танҳо ҳамчун вазифаҳои техникии ML намегузорад. Listing 1 ва 2 бо нигоҳдорӣ/коҳиши ифлоскунанда; Listing 2 ва 5 бо танзими об ва гардиши ғизоӣ; Listing 3 ва 4 бо зистгоҳ ва истеҳсоли биомасса; Listing 6 бо захираи карбон ва хавфи экологӣ; Listing 7 бошад бо идоракунии фазоии хавф ва банақшагирии барқарорсозӣ пайваст карда шудаанд.
Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад
- Нишон дода шудааст, ки бо Python метавон занҷири модулии таҳлили ифлосшавии хокро барои намудҳои гуногуни маълумот сохт.
- Дар намоиши синтетикӣ RF сохтори ғайрихаттии дар ҳадафи Cd ҷойгиршударо бо тақрибан \(R^2=0.88\) аз нав омӯхтааст.
- XGBoost + SHAP дар сохтори синтетикии хавфи пеститсид тақрибан 0,91 ROC-AUC додааст.
- 1-B CNN дар спектрҳои синтетикии FTIR-монанди ба таври равшан ҷудошуда дақиқии таснифоти зиёда аз %95 таъмин кардааст.
- LSTM дар қатори PFAS, ки мавсимият ва афзоиши хаттӣ ҳангоми тавлиди маълумот возеҳ муайян шудаанд, RMSE-и як-қадам-ба-пешро аз 0,05 ng/g паст нигоҳ доштааст.
- PCA кластери нуқтаи доғи N/NO3/P-ро, ки сунъӣ сеюним маротиба баланд карда шудааст, дар PC1 ҷудо карда, тақрибан %45 дисперсияро шарҳ додааст.
- Таҳлили Monte Carlo ба таври намоишӣ нишон додааст, ки гузориши якқиматии PLI/Igeo метавонад думҳои номуайяниро пинҳон кунад.
- Тибқи натиҷаҳои манбаъ, pipeline-и фазоии EF нуқтаи доғи равшан тавлид карда, RMSE-и валидацияи тақрибан 0,38 воҳиди EF гузориш шудааст.
Умумисозиҳо ва маҳдудиятҳое, ки таҳқиқот дастгирӣ намекунад
- Ҳеҷ як модел дар маҷмӯи маълумоти воқеии майдони ифлосшуда аз санҷиши мустақили беруна нагузаштааст.
- Қиматҳои баланди самаранокӣ далели кашфи робитаҳои воқеии экологӣ нестанд; ҳангоми тавлиди маълумоти синтетикӣ сигналҳои қавӣ пешакӣ рамзгузорӣ шудаанд.
- Муҳим баромадани Band 3 ва pH дар RF бевосита ба он вобаста аст, ки тағйирёбандаи ҳадаф ҳамчун функсияи ин тағйирёбандаҳо тавлид шудааст.
- Ҷудо шудани нуқтаи доғи N, нитрат ва P дар PCA ба он вобаста аст, ки ин тағйирёбандаҳо дар 50 намунаи интихобшуда 3,5 маротиба зиёд карда шудаанд.
- LSTM пешгӯии воқеии дарозмуддати бисёрқадамии PFAS-ро тасдиқ накардааст.
- Радионуклидҳо аз доираи асосӣ берунанд.
- Дар татбиқҳои воқеии экологӣ автокоррелятсияи фазоӣ, тарҳи намунагирии саҳроӣ, хатои дастгоҳ, тағйири маълумот ва геохимияи маҳаллӣ бояд алоҳида арзёбӣ шаванд.
- Миёни таърифи SHAP дар Listing 1 ва коди нашршудаи importance фарқи номгузории методологӣ вуҷуд дорад.
- Номгузории “IDW” дар Listing 7 ва татбиқи `griddata(method="linear")` як усули математикии интерполятсия нестанд.
- Раванди санҷиши салибии withheld-point, ки барои Listing 7 гузориш шудааст, дар қисми намоёни Listing-и коди нашршуда вуҷуд надорад.
Абзорҳои истифодашуда аз нигоҳи такрорпазирӣ
Версияи Python 3.12 нишон дода шудааст. Китобхонаҳои асосии кушодаасос scikit-learn, XGBoost, TensorFlow/Keras, SHAP, GeoPandas, SciPy, NumPy, pandas ва Matplotlib мебошанд. Ҳадафи таҳқиқот пешниҳоди ин кодҳо ҳамчун моделҳои ниҳоии саҳроӣ нест, балки сохтани қолабҳои таҳлилии худфаъҳм мебошад, ки ба маҷмӯаҳои маълумоти воқеии майдонҳои ифлосшуда мутобиқ карда шаванд.
Ёддошт оид ба Манбаъ ва Усул
Унвони аслӣ: Python-Powered Environmental Intelligence: Computational Workflows for Soil Pollution Assessment Using ML Methods
Муаллиф: Polina Lemenkova.
Муассисаҳо: Bureau de Recherches Géologiques et Minières (BRGM), Orléans, Фаронса; Le Studium, Institut d’Etudes Avancées du Val de Loire, Orléans, Фаронса; Le Laboratoire PRISME, INSA Centre-Val de Loire / Université d’Orléans, Фаронса; La Technopole d’Orléans, Фаронса.
Маҷалла: Environmental Remediation.
Ношир: MDPI.
Сабти библиографӣ: Environ. Remediat. 2026, 1(2), 6.
DOI: 10.3390/environremediat1020006
Пайванди расмӣ: https://doi.org/10.3390/environremediat1020006
Academic Editor: Wenjie Ren.
Ирсол: 23 май 2026. Бознигарӣ: 16 июн 2026. Қабул: 23 июн 2026. Нашр: 8 июл 2026.
Навъи манбаъ: Мақолаи тақризшудаи таҳқиқотии workflow-и методологӣ; синтези адабиётро бо ҳафт намоиши такроршавандаи Python дар маълумоти синтетикӣ/benchmark муттаҳид мекунад. Манбаъ худро ба маънои қатъии библиометрӣ ҳамчун баррасии систематикӣ не, балки methodological workflow paper тавсиф мекунад.
Литсензия: Creative Commons Attribution (CC BY).
Маблағгузорӣ: Манбаъ изҳороти “This research received no external funding”-ро медиҳад.
Кумитаи ахлоқ / ризоият: Ҳамчун татбиқнашаванда гузориш шудааст.
Дастрасии маълумот: Манбаъ мегӯяд, ки саҳмҳои аслии таҳқиқот дар дохили мақола мавҷуданд.
Бархӯрди манфиатҳо: Муаллиф гузориш додааст, ки бархӯрди манфиатҳо вуҷуд надорад.
Саҳмҳои муаллиф: Дар қисми изҳороти ниҳоии PDF-и манбаъ параграфи ҷудогонаи CRediT/Author Contributions вуҷуд надорад; барои таҳқиқоти якмуаллифӣ нақшҳои саҳмгузорие, ки дар манбаъ нестанд, илова нашудаанд.
Ҳадди асосии методологӣ: Ҳамаи самаранокии моделҳои мақола ба маълумоти синтетикӣ ё benchmark-и намоишӣ асос ёфтаанд. Барои майдонҳои воқеан ифлосшуда валидацияи мустақили саҳроӣ, санҷиши салибии муносиби фазоӣ, оптимизатсияи гиперпараметрҳои махсуси минтақаи ҳадаф ва арзёбии сифати маълумот заруранд.
Ёддоштҳои усул дар дохили манбаъ: Тавсифи Listing 1 рейтинги аҳамиятро дар асоси SHAP нишон медиҳад, аммо коди намоён аз баромади `feature_importances_`-и Random Forest истифода мебарад. Гарчанде Listing 7 дар матн IDW номида шудааст, дар коди намоёни интерполятсия `griddata(method="linear")` истифода мешавад. Дар қисми Results барои Listing 7 санҷиши %20 withheld-point ва RMSE-и тақрибан 0,38 EF гузориш мешавад, аммо ин даври санҷиш дар сатрҳои намоёни Listing 7-и нашршуда вуҷуд надорад.
Шарҳ гузоред
Нишонии почтаи электронии шумо нашр намешавад. Майдонҳои ҳатмӣ бо * нишон дода шудаанд