Heuristic Topological Graph Convolutional Network for Risk Prediction of Potentially Toxic Elements in Cultivated Soils
Notice bibliographique
Résumé
Contamination of cultivated soils with potentially toxic elements (PTEs) poses a growing threat to global food security. Although existing risk assessments have examined the accumulation and toxicity of PTEs, their dynamic interplay with multidimensional drivers has remained inadequately characterized. Here, an innovative heuristic graph convolutional network (GCN) model is introduced by integrating adaptive graph topology with quantified directional feedback optimization to improve ecological risk prediction. Leveraging 466 spatially resolved soil samples and 28 environmental drivers of a typical rice production area Yangtze River Basin in China, the heuristic GCN model outperformed traditional approaches by 23.1% in predictive accuracy. A three-phase heuristic algorithm pruned 85.5% of spurious edges in the topological graph, and GCN adaptively quantified the directional feedback between environmental drivers and ecological risk. Topological networks and feature importance analysis jointly identified pH, base saturation, calcium carbonate, exchangeable bases, and soil organic carbon as pivotal regulators acting alongside geological factors. By linking mechanistic soil chemistry with machine-learning-based causal inference, our model supports streamlinedly simplified, directionally quantified, and dynamically adapted ecological risk prediction. This enables the screening of the most efficient pathway of risk management and provides more precise and integrated strategies for ecological risk control in agroecosystems.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».