Spatio-Temporal Analysis of Heavy Metals in Arid Soils at the Catchment Scale Using Digital Soil Assessment and a Random Forest Model
Notice bibliographique
Résumé
Predicting the spatio-temporal distribution of absorbable heavy metals in soil is needed to identify the potential contaminant sources and develop appropriate management plans to control these hazardous pollutants. Therefore, our aim was to develop a model to predict soil adsorbable heavy metals in arid regions of Iran from 1986 to 2016. Soil adsorbable heavy metals were measured in 201 samples from locations selected using the Latin hypercube sampling method in 2016. A random forest (RF) model was used to determine the relationship between a suite of geospatial predictors derived from remote sensing and digital elevation model data with georeferenced measurements of soil absorbable heavy metals. The trained RF model from 2016 was used to reconstruct the spatial distribution of soil absorbable heavy metals at three historical timesteps (1986, 1999, and 2010). Results indicated that the RF model was effective at predicting the distribution of heavy metals with coefficients of determination of 0.53, 0.59, 0.41, 0.45, and 0.60 for Fe, Mn, Ni, Pb, and Zn, respectively. The predicted maps showed high spatio-temporal variability; for example, there were substantial increases in Pb (the 1.5–2 mg/kg−1 class) where its distribution increased by ~25% from 1988 to 2016—similar trends were observed for the other heavy metals. This study provides insights into the spatio-temporal trends and the potential causes of soil heavy metal contamination to facilitate appropriate planning and management strategies to prevent, control, and reduce the impact of heavy metal contamination in soils.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».