Quantifying the influencing factors and multi-factor interactions affecting cadmium accumulation in limestone-derived agricultural soil using random forest (RF) approach
Notice bibliographique
Résumé
Cadmium (Cd) is a highly toxic heavy metal that occurs widely in the environment and poses extensive threats to human health, animals, and plants. This study aims to identify and apportion multi-source and multi-phase Cd pollution from natural and anthropogenic inputs using ensemble models that include random forest (RF) in agricultural soils on Karst areas. The contributions of natural and anthropogenic factors to Cd accumulation were quantitatively assessed using the RF machine learning method. The results revealed that the main influencing factors were pH, organic carbon (Corg), and elevation. Moreover, the interaction effects of pH and Corg on distance and elevation were also quantified and visualised. It is observed that pH and Corg had stronger effects on soil Cd concentration than that of distance when pH > 7.02 and Corg > 1.53. In other words, higher Cd content in the soil along roadways may be caused by the interaction of distance, pH and Corg, with pH and Corg playing the dominant role in our case. Moreover, the maximum contribution of a single factor, elevation, to Cd concentration was about 0.13 mg/kg, and its interactions reached 1.082 mg/kg and 0.83 mg/kg, respectively, when combined with pH and Corg at 194.0 m. However, with increasing elevation, pH and Corg gradually took over the leading roles. This result not only gives us a quantitative understanding of the relationship between the factors that affect soil cadmium accumulation, but also provides an accurate method for source apportionment of heavy metals in soil.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».