Python asosidagi tuproq ifloslanishini baholash ish oqimlari turli ifloslantiruvchi turlarini bashorat qilish, tasniflash, vaqt davomida o‘zgarishini oldindan aniqlash, noaniqligini hisoblash va fazoviy xavf xaritalarini yaratish uchun mashinani o‘rganish, chuqur o‘rganish, statistika va GIS vositalarini birlashtiradigan modulli hisoblash tahlili shablonlaridir. Tadqiqot og‘ir metallar, pestitsidlar, mikroplastiklar, per- va poliftoralkil moddalar (PFAS) hamda ortiqcha makrooziqa moddalari yukini qamrab oladi; Random Forest, XGBoost + SHAP, 1-B CNN, LSTM, PCA, Monte Carlo va GeoPandas asosidagi yettita Python ish oqimini taqdim etadi.
Tadqiqotning eng muhim talqin chegarasi shundaki, bildirilgan model natijalari haqiqiy ifloslangan dala maʼlumotlarida tasdiqlangan samaradorlik ko‘rsatkichlari emas. Yetti qo‘llanmaning maʼlumot tuzilmasi adabiyotdagi ekologik o‘zgaruvchilarni taqlid qiluvchi sintetik/benchmark maʼlumotlar bilan qurilgan. Random Forest uchun taxminan \(R^2=0{,}88\), XGBoost uchun ROC-AUC taxminan 0,91, mikroplastik 1-B CNN uchun %95 dan yuqori aniqlik, PFAS LSTM uchun 0,05 ng/g dan past bir-qadam-oldinga RMSE, PCA uchun birinchi komponentda taxminan %45 tushuntirilgan dispersiya, Monte Carlo PLI uchun taxminan ±0,4 birliklik %90 ishonch oralig‘i va fazoviy EF xaritalash uchun taxminan 0,38 EF birligi kross-validatsiya RMSE si qayd etilgan. Bularning barchasi metodologik workflow namoyishidir.
Tadqiqot, shuningdek, hisoblash tahlilini tuproq ekotizimi xizmatlari bilan bog‘laydigan olti bosqichli doirani quradi: ifloslanish manbalarini aniqlash, ifloslantiruvchi xatti-harakatini modellashtirish, ssenariyni bashorat qilish, ekologik xavfni baholash, ko‘p omilli tahlil va bashorat/boshqaruv. Shunday qilib, maqsad faqat bitta ML modelining skorini oshirish emas; dala namuna olishdan xavfni xaritalash va tiklash qarorigacha kuzatiladigan ekologik maʼlumot tahlili zanjirini yaratishdir.
Tadqiqot muammosi
Tuproq ifloslanishi bitta ifloslantiruvchining konsentratsiyasini o‘lchashdan ko‘ra murakkabroq muammodir. Ifloslantiruvchining harakatchanligi va biologik o‘zlashtiriluvchanligi tuproq mineralogiyasi, organik modda, pH, loy ulushi, g‘ovak tuzilishi, gidrologik sharoitlar, kimyoviy turlanish va ekologik jarayonlar bilan birga o‘zgaradi. Ushbu yuqori o‘lchamli va chiziqli bo‘lmagan tuzilma klassik bir o‘zgaruvchili tahlillarning ekologik xatti-harakatni to‘liq ifodalashini qiyinlashtiradi.
Tadqiqot bu muammoni uch qatlamda ko‘rib chiqadi: nashr etilgan ekologiya fanlari adabiyotining sintezi, tuproq ekotizimi xizmatlarini tahliliy jarayon bilan bog‘laydigan olti bosqichli konseptual doira va yettita ishga tushiriladigan Python workflow-i.
Adabiyotlar sharhi qanday o‘tkazildi?
Manba Web of Science va Scopus bazalaridagi 100 dan ortiq taqrizdan o‘tgan nashrga tayangan adabiyot sintezini amalga oshirgan. Qidiruv atamalari orasida “soil pollution”, “soil contamination”, “machine learning”, “random forest”, “deep learning”, “heavy metals”, “PFAS”, “microplastics”, “pesticide leaching” va “soil ecosystem services” mavjud. Asosiy vaqt oralig‘i 2015–2026; metodologik jihatdan asosiy deb qabul qilingan eskiroq tadqiqotlar tarixiy kontekst uchun qamrovda saqlangan.
Kiritish mezonlari uchta asosiy shartga tayangan: tadqiqot ML asosidagi tuproq ifloslanishini aniqlash yoki xavfni baholash bilan bevosita bog‘liq bo‘lishi, miqdoriy samaradorlik metrikasi yoki tasdiqlangan aniqlash usulini hisobot qilishi va maqolada ko‘rib chiqilgan beshta asosiy ifloslantiruvchi guruhdan kamida bittasini qamrab olishi.
Tadqiqot qamrab olgan asosiy ifloslantiruvchi guruhlar
| Ifloslantiruvchi guruhi | Tadqiqotdagi hisoblash vazifasi | Asosiy ekologik muammo |
|---|---|---|
| Og‘ir metallar | Konsentratsiyani bashorat qilish, xavf indekslari, fazoviy EF xaritalash | Doimiy to‘planish, biologik o‘zlashtiriluvchanlik, trofik zanjirda to‘planish |
| Pestitsidlar | Oqib chiqish/leaching xavfini tasniflash | Yer osti suviga ko‘chish, mikrobial va oziqa moddalari aylanishiga taʼsirlar |
| Mikroplastiklar | FTIR-ga o‘xshash spektrdan tasniflash | Tuproq tuzilishi, g‘ovaklik va birga tashiladigan ifloslantiruvchilar |
| PFAS | Vaqt qatori bashorati | Juda yuqori ekologik turg‘unlik va uzoq muddatli to‘planish |
| Ortiqcha makrooziqa moddalari | PCA bilan o‘lchamni kamaytirish va hotspot aniqlash | N/P yuki, evtrofikatsiya, yer osti suvi va tuproq sifati |
Radioaktiv ifloslantiruvchilar tadqiqotda muhim tuproq kontaminatsiyasi sinfi sifatida qabul qilinadi, biroq asosiy Python workflow qamrovidan tashqarida qoldiriladi. Manba gamma-spektrometriya va noaniqlik tarqalishidan kelajakdagi radionuklid baholashlarida foydalanish mumkinligini taʼkidlaydi.
Yetti Python Ish Oqimi Tuproq Ifloslanishini Qanday Tahlil Qiladi?
Yetti workflow bir xil muammoni takrorlash o‘rniga turli maʼlumot turlariga mos keladi: Random Forest og‘ir metall konsentratsiyasini regressiya bilan, XGBoost pestitsid leaching xavfini tasniflash bilan, 1-B CNN mikroplastiklarni spektral naqsh bilan, LSTM PFAS-ni vaqt qatori bilan, PCA oziqa hotspotlarini o‘lchamni kamaytirish bilan, Monte Carlo xavf indekslaridagi o‘lchov noaniqligini ehtimollik usulida, GeoPandas asosidagi jarayon esa og‘ir metall boyishini fazoviy xaritada qayta ishlaydi.
Workflow 1: Random Forest bilan kadmiy konsentratsiyasi
Birinchi skript beshta spektral qaytarilish diapazoni bilan pH, tuproq organik moddasi (SOM) va loy foizidan foydalanib kadmiy konsentratsiyasini bashorat qiluvchi Random Forest regressiyasini quradi. Maʼlumot soni \(n=1000\).
Sintetik maqsadli o‘zgaruvchi manba kodida quyidagi munosabat bilan yaratiladi:
\[ C_{\mathrm{Cd}} = 2.8\,pH - 1.5\,SOM^2 + 6.0\,B_3 + \varepsilon, \qquad \varepsilon\sim\mathcal{N}(0,0.4^2) \]
Formula nimani hisoblaydi? Sintetik kadmiy konsentratsiyasini mg/kg birlikda hosil qiladi. \(B_3\) uchinchi spektral diapazon qaytarilishidir; \(SOM\) foizdagi organik modda o‘zgaruvchisidir; \(\varepsilon\) standart og‘ishi 0,4 mg/kg bo‘lgan Gauss shovqinidir.
Nega bu tafsilot muhim? Random Forest-ning yuqori \(R^2\) qiymati tabiiy ekologik bog‘lanishni kashf etgani uchun emas, maqsadli o‘zgaruvchining boshidanoq ushbu predictor-larning matematik funksiyasi sifatida yaratilganidan taʼsirlanadi. Manba Band 3 va pH ning dominant predictor chiqishi maʼlumot yaratish formulasidan kelib chiqishini alohida qayd etadi.
Model 200 ta daraxt, maksimal chuqurlik 12 va minimal barg namunasi 4 bilan qurilgan; maʼlumot %80 o‘qitish va %20 testga bo‘lingan, shuningdek besh qavatli kross-validatsiya qo‘llangan.
Natija: Taxminan \(R^2=0.88\), RMSE < 0,35 mg/kg. Bu qiymat sintetik namoyishga tegishli.
Manba ichidagi usul izohi: usul tavsifida SHAP asosidagi feature importance ifodasi mavjud bo‘lsa-da, nashr qilingan Listing 1 kodi `rf.feature_importances_` dan foydalanadi. Bu Random Forest-ning o‘ziga xos impurity-asosli muhimlik o‘lchovidir; nashr qilingan Listing 1 da SHAP chaqiruvi ko‘rinmaydi.
Workflow 2: XGBoost + SHAP bilan pestitsid leaching xavfi
Ikkinchi skript qum, loy, SOM, yog‘in, qiyalik va pH dan foydalanib yuqori/past pestitsid leaching xavfini tasniflaydi. Sintetik xavfni yaratishda ishlatilgan logit:
\[ z= -0.04\,Sand +0.07\,Clay -0.30\,SOM +0.06\,Precip +0.05\,Slope -0.5 \]
va logistik o‘zgartirish:
\[ P= \frac{1}{1+e^{-z}} \]
bo‘yicha \(P>0.5\) bo‘lganda yuqori xavf sinfi yaratiladi.
Koeffitsientlarning ishorasi sintetik maʼlumot yaratish mantiqini tushuntiradi: masalan, ushbu qurilmada yog‘in va loy ortishi bilan \(z\) oshadi, SOM ortishi bilan esa kamayadi. Bu koeffitsientlar haqiqiy dala uchun o‘lchangan universal pestitsid tashilish koeffitsientlari emas.
XGBoost modelida 300 estimator, maksimal chuqurlik 5, learning rate 0,05, subsample 0,8 va column subsampling 0,8 ishlatilgan. Maʼlumot stratified tarzda %75 o‘qitish va %25 testga bo‘lingan.
Natija: ROC-AUC taxminan 0,91. Bu qiymat bitta hold-out partition-ga tegishli; kodda kross-validatsiya sikli yo‘q. SHAP tahlili ushbu sintetik qurilmada yog‘in intensivligi va loy ulushini asosiy xavf belgilovchilari sifatida ko‘rsatgan.
Workflow 3: 1-B CNN bilan mikroplastik tasniflash
Uchinchi skript 128 kanalli FTIR-ga o‘xshash spektral fingerprint-lardan mikroplastik va mineral/organik zarrachalarni ajratish uchun bir o‘lchamli Convolutional Neural Network dan foydalanadi. Jami 1200 sintetik spektr yaratilgan.
Mineral/organik sinf taxminan:
\[ X_{\mathrm{min}}\sim\mathcal{N}(0.3,0.08^2) \]
va mikroplastik sinf:
\[ X_{\mathrm{MP}}\sim\mathcal{N}(0.6,0.10^2) \]
taqsimotlaridan yaratilgan; mikroplastik spektrlarining 40–44 va 80–84 kanal oraliqlariga mos ravishda +0,5 va +0,4 sunʼiy absorbsiya xususiyatlari qo‘shilgan.
Tarmoq tuzilishi ketma-ket 32 filtrli Conv1D (kernel=5), MaxPooling1D, 64 filtrli Conv1D (kernel=3), GlobalAveragePooling1D, 64 neyronli Dense, %30 dropout va sigmoid chiqish qatlamidan iborat. Yo‘qotish binary cross-entropy, optimizer Adam. O‘qitish 30 epoch, batch size 32 va o‘qitish maʼlumotida %15 validation split bilan bajarilgan.
Natija: Sintetik hold-out spektrlarda aniqlik %95 dan yuqori, F1 > 0,94 deb qayd etilgan. Bu natija haqiqiy tuproq FTIR kutubxonasida tasdiqlangan dala tasniflash skori emas.
Workflow 4: LSTM bilan PFAS vaqt qatori
To‘rtinchi skript 10 yillik, oylik 120 namunadan iborat sintetik PFAS qatorini yaratadi:
\[ C(t) = 0.8 + 0.4\sin(t) + 0.015\,m + \varepsilon, \qquad \varepsilon\sim\mathcal{N}(0,0.05^2) \]
Bu yerda \(m\) oy indeksidir. Birinchi doimiy had bazaviy darajani, sinus hadi mavsumiylikni, \(0.015m\) uzoq muddatli o‘sishni va Gauss hadi tasodifiy shovqinni ifodalaydi. Konsentratsiya birligi ng/g.
Qator MinMaxScaler bilan normallashtirilgan va 12 oylik sirg‘aluvchi oyna ishlatilgan. Har bir 12 oylik kirish ketma-ketligining maqsadi darhol keyingi bitta oylik qiymatdir.
LSTM arxitekturasi 64 birlikli va sequence qaytaruvchi birinchi LSTM, %20 dropout, 32 birlikli ikkinchi LSTM, 16 neyronli ReLU Dense va bitta qiymat chiqaruvchi chiqish qatlamidan iborat. Model Adam + MSE bilan 50 epoch va batch size 16 yordamida o‘qitiladi.
Natija: Bir-qadam-oldinga PFAS bashorat RMSE si <0,05 ng/g.
Muhim chegara: Bu model 12 oy oldinga bir martada bashorat qilmaydi. O‘n ikki oylik o‘tgan oynadan foydalanib keyingi oyni bashorat qiladi. Haqiqiy uzoq muddatli ko‘p qadamli bashorat uchun autoregressive rollout va mustaqil dala validatsiyasi talab etiladi.
Workflow 5: PCA bilan oziqa hotspotlarini aniqlash
Beshinchi skript N, P, K, pH, SOM, nitrat va ammoniy o‘zgaruvchilaridan iborat 500 namunali sintetik ko‘p-elementli tuproq kimyosi matritsasini yaratadi. Tasodifiy tanlangan 50 hotspot namunada N, NO3 va P qiymatlari 3,5 marta oshirilgan.
Avval barcha o‘zgaruvchilar StandardScaler bilan standartlashtirilgan, so‘ng maʼlumot ikki principal component-ga kamaytirilgan. PCA ning umumiy matematik g‘oyasi yuqori o‘lchamli maʼlumot fazosini o‘zaro perpendikulyar yangi o‘qlarga proyeksiya qilib dispersiyaning imkon qadar katta qismini dastlabki komponentlarda jamlashdir.
Natija: PC1 umumiy dispersiyaning taxminan %45 ini tushuntirgan va sunʼiy yaratilgan yuqori N/NO3/P hotspot klasterini ajratgan. Shu sababli N va P ning dominant chiqishi mustaqil dala kashfiyoti emas; hotspot yaratish bosqichining o‘zi bu uch o‘zgaruvchini alohida oshiradi.
Workflow 6: Monte Carlo bilan PLI va Igeo noaniqligi
Oltinchi skript to‘rtta metall uchun laboratoriya o‘lchov noaniqligini 50.000 Monte Carlo realizatsiyasi davomida xavf indekslariga tarqatadi.
| Metall | Geogen fon (mg/kg) | Sintetik o‘lchov o‘rtachasi ± SD (mg/kg) |
|---|---|---|
| Cd | 0,3 | 1,8 ± 0,25 |
| Pb | 20 | 85 ± 9 |
| As | 5 | 22 ± 2,5 |
| Cr | 50 | 120 ± 15 |
Birinchi hisoblangan kattalik contamination factor:
\[ CF_i= \frac{C_{i,\mathrm{measured}}} {C_{i,\mathrm{background}}} \]
Bu nimani anglatadi? Mavjud konsentratsiyaning tabiiy/geogen fonga nisbatan necha marta oshganini ko‘rsatuvchi o‘lchamsiz nisbatdir. \(CF_i=1\) o‘lchov va fon bir xil ekanini, kattaroq qiymatlar esa fondan yuqori boyishni bildiradi.
Pollution Load Index to‘rtta metallning contamination factor-larining geometrik o‘rtachasi bilan hisoblanadi:
\[ PLI= \left( \prod_{i=1}^{n}CF_i \right)^{1/n} \]
\(n\) metall sonidir. Ushbu skriptda \(n=4\). Geometrik o‘rtacha bitta juda yuqori metallning arifmetik yig‘indi kabi bevosita ustun bo‘lishini kamaytirib, barcha ifloslantiruvchi yukini bitta o‘lchamsiz indeksda birlashtiradi. Manba namoyishida \(PLI=1\) ifloslanish tasnifi uchun muhim tayanch chegaradir.
Kadmiy uchun Geo-accumulation Index:
\[ I_{\mathrm{geo,Cd}} = \log_2 \left( \frac{C_{\mathrm{Cd}}} {1.5\,B_{\mathrm{Cd}}} \right) \]
ko‘rinishida hisoblanadi. \(B_{\mathrm{Cd}}\) kadmiyning fon konsentratsiyasidir. 1,5 koeffitsient tabiiy geokimyoviy o‘zgaruvchanlikni hisobga oluvchi tuzatish koeffitsientidir.
Natija: 50.000 realizatsiyada PLI uchun taxminan ±0,4 birliklik %90 ishonch oralig‘i qayd etilgan. Manba bu oraliq ayrim realizatsiyalarda PLI sinfini 1 chegara qiymatining ikki tomoniga olib o‘tishi mumkinligini ko‘rsatadi. Kadmiy \(I_{\mathrm{geo}}\) taqsimotida realizatsiyalarning taxminan %15 i \(I_{\mathrm{geo}}>3\) Class 4 chegarasidan oshgan, ensemble o‘rtachasi esa Class 3 da qolgan. Bu misol bitta deterministik xavf qiymati yuqori xavf dumini yashirishi mumkinligini ko‘rsatadi.
Workflow 7: GeoPandas bilan fazoviy EF xaritasi
Yettinchi skript 150 sintetik namuna olish nuqtasini yaratadi va Pb konsentratsiyasini Fe tayanch elementiga nisbatan normallashtiruvchi Enrichment Factor ni hisoblaydi:
\[ EF_{\mathrm{Pb}} = \frac{ C_{\mathrm{Pb}}/C_{\mathrm{Fe}} }{ B_{\mathrm{Pb}}/B_{\mathrm{Fe}} } \]
\(C_{\mathrm{Pb}}\) va \(C_{\mathrm{Fe}}\) namunada o‘lchangan Pb va Fe konsentratsiyalari; \(B_{\mathrm{Pb}}\) va \(B_{\mathrm{Fe}}\) hududiy fon qiymatlaridir. Skriptda \(B_{\mathrm{Pb}}=20\) mg/kg va \(B_{\mathrm{Fe}}=25\,000\) mg/kg ishlatilgan.
EF nisbat bo‘lgani uchun o‘lchamsiz. Manba kodidagi sinflar:
| EF | Manba kodidagi sinf |
|---|---|
| \(EF<2\) | Minimal |
| \(2\leq EF<5\) | Moderate |
| \(5\leq EF<20\) | Significant |
| \(EF>20\) | Very high |
Manba natijalar bo‘limida \(EF_{\mathrm{Pb}}>5\) bo‘lgan shimoli-sharqiy hotspot maydonning taxminan %12 ini qamrab olgani va %20 withheld nuqtaga ko‘ra kross-validatsiya RMSE si taxminan 0,38 EF birligi ekani qayd etilgan.
Manba ichidagi usul farqi: Matn va natijalar ushbu sirtni “IDW” deb ataydi. Biroq nashr etilgan Listing 7 dagi interpolatsiya chaqiruvi `scipy.interpolate.griddata(..., method="linear")` ko‘rinishida. `griddata` ichidagi chiziqli interpolatsiya va klassik inverse-distance weighting bir xil algoritm emas. Verianla manba kodini o‘zgartirmaydi va ushbu nomlash farqini ko‘rinadigan holda saqlaydi. Bundan tashqari, natijalar bo‘limidagi %20 withheld-point validatsiya kodi nashr qilingan Listing 7 ning ko‘rinadigan satrlarida mavjud emas.
Ushbu Samaradorlik Natijalari Haqiqiy Ifloslangan Maydonlardagi Muvaffaqiyatni Ko‘rsatadimi?
Yo‘q. Tadqiqotdagi samaradorlik qiymatlari nazorat qilinadigan sintetik/benchmark maʼlumot tuzilmalaridagi workflow namoyishlaridir; haqiqiy ifloslangan maydonlarda mustaqil tashqi validatsiya o‘tkazilmagan va manba haqiqiy qo‘llashda dala maʼlumotlari, fazoviy kross-validatsiya, hududga xos giperparametr optimallashtirish va mustaqil validatsiya zarurligini aniq bildiradi.
Tadqiqot Usuli va Natijalari
Yetti workflow ning umumiy samaradorligi
| Skript | Vazifa | Usul | Metrika | Manbada qayd etilgan sintetik natija |
|---|---|---|---|---|
| 1 | Kadmiy konsentratsiyasi | Random Forest regressiyasi | \(R^2\) / RMSE | \(R^2\approx0.88\); RMSE <0,35 mg/kg |
| 2 | Pestitsid leaching | XGBoost + SHAP | ROC-AUC | ≈0,91; bitta hold-out split |
| 3 | Mikroplastik | 1-B CNN | Accuracy / F1 | Accuracy >%95; F1 >0,94 |
| 4 | PFAS vaqt qatori | LSTM | RMSE | <0,05 ng/g; bir-qadam-oldinga |
| 5 | Oziqa hotspotlari | PCA | Tushuntirilgan dispersiya | PC1 ≈%45; hotspot ajratilgan |
| 6 | Ko‘p-metalli xavf | Monte Carlo PLI/Igeo | %90 ishonch oralig‘i | PLI ≈±0,4 birlik; 50.000 realizatsiya |
| 7 | Fazoviy EF | GeoPandas / manbada “IDW” | CV RMSE | ≈0,38 EF birligi |
Usullarning haqiqiy maʼlumotlarga ko‘chirilishi
| Usul | Maʼlumot talabi | Talqin qilinuvchanlik | Hisoblash xarajati | Noaniqlik | Manbaning haqiqiy maʼlumot bahosi |
|---|---|---|---|---|---|
| Random Forest | O‘rta; tabular | Yuqori | Past–o‘rta | Bootstrap CI qo‘llanishi mumkin | Yaxshi; fazoviy CV kerak |
| XGBoost + SHAP | O‘rta; tabular | Yuqori | Past–o‘rta | Ichki emas | Yaxshi; stratified CV tavsiya etiladi |
| 1-B CNN | Katta spektral kutubxona | O‘rta | O‘rta | Dropout | O‘rta; transfer learning tavsiya etiladi |
| LSTM | Uzun vaqt qatori | Past | O‘rta–yuqori | Ichki emas | O‘rta; maydonga xos sozlash kerak |
| PCA | Yorliqsiz maʼlumot yetarli | Yuqori | Juda past | Ichki emas | Yuqori; unsupervised |
| Monte Carlo | Ehtimollik taqsimotlari | Yuqori | Past | Ochiq shaklda CI | Yuqori; noaniqlik uchun mo‘ljallangan |
| GeoPandas xaritalash | Fazoviy namuna nuqtalari | Yuqori | Past | Ichki emas | O‘rta; fazoviy avtokorrelyatsiyani nazorat qilish kerak |
Tuproq ekotizimi xizmatlari bilan bog‘liqlik
Tadqiqotning farqlovchi jihatlaridan biri yetti kod misolini faqat texnik ML vazifalari sifatida qoldirmasligidir. Listing 1 va 2 ifloslantiruvchini ushlab qolish/kamaytirish bilan; Listing 2 va 5 suvni tartibga solish va oziqa moddalar aylanishi bilan; Listing 3 va 4 yashash muhiti va biomassa ishlab chiqarish bilan; Listing 6 uglerod saqlash va ekologik xavf bilan; Listing 7 esa fazoviy xavfni boshqarish va tiklashni rejalashtirish bilan bog‘langan.
Tadqiqot qo‘llab-quvvatlaydigan natijalar
- Python yordamida turli maʼlumot turlarini qamrab oladigan modulli tuproq ifloslanishi tahlil zanjirini qurish mumkinligi ko‘rsatilgan.
- Sintetik namoyishda RF Cd maqsadidagi kiritilgan chiziqli bo‘lmagan tuzilmani taxminan \(R^2=0.88\) bilan qayta o‘rgangan.
- XGBoost + SHAP sintetik pestitsid xavfi qurilmasida taxminan 0,91 ROC-AUC bergan.
- 1-B CNN aniq ajratilgan sintetik FTIR-ga o‘xshash spektrlarda %95 dan yuqori tasniflash aniqligini taʼminlagan.
- LSTM mavsumiylik va chiziqli o‘sish maʼlumot yaratishda aniq belgilangan PFAS qatorida bir-qadam-oldinga RMSE ni 0,05 ng/g dan past ushlab turgan.
- PCA sunʼiy ravishda uch yarim marta oshirilgan N/NO3/P hotspot klasterini PC1 da ajratgan va taxminan %45 dispersiyani tushuntirgan.
- Monte Carlo tahlili bitta qiymatli PLI/Igeo hisobotlari noaniqlik dumlarini yashirishi mumkinligini namoyish tariqasida ko‘rsatgan.
- Manba natijalariga ko‘ra fazoviy EF pipeline aniq hotspot hosil qilgan va taxminan 0,38 EF birligi validatsiya RMSE si qayd etilgan.
Tadqiqot qo‘llab-quvvatlamaydigan umumlashtirishlar va cheklovlar
- Hech bir model haqiqiy ifloslangan dala maʼlumotlar to‘plamida mustaqil tashqi validatsiyadan o‘tkazilmagan.
- Yuqori samaradorlik ko‘rsatkichlari haqiqiy ekologik bog‘lanishlarni kashf etishning isboti emas; sintetik maʼlumot yaratishda kuchli signallar oldindan kodlangan.
- RF da Band 3 va pH ning muhim chiqishi maqsadli o‘zgaruvchining ushbu o‘zgaruvchilar funksiyasi sifatida yaratilgani bilan bevosita bog‘liq.
- PCA da N, nitrat va P hotspotining ajralishi ushbu o‘zgaruvchilar tanlangan 50 namunada 3,5 marta oshirilgani bilan bog‘liq.
- LSTM uzoq muddatli ko‘p qadamli haqiqiy PFAS bashoratini tasdiqlamagan.
- Radionuklidlar asosiy qamrovdan tashqarida.
- Haqiqiy ekologik qo‘llanmalarda fazoviy avtokorrelyatsiya, dala namuna olish dizayni, asbob xatosi, maʼlumot siljishi va mahalliy geokimyo alohida baholanishi kerak.
- Listing 1 dagi SHAP taʼrifi bilan nashr qilingan importance kodi o‘rtasida metodologik nomlash farqi mavjud.
- Listing 7 dagi “IDW” nomlanishi bilan `griddata(method="linear")` qo‘llanishi bir xil matematik interpolatsiya usuli emas.
- Listing 7 uchun qayd etilgan withheld-point kross-validatsiya jarayoni nashr qilingan kodning ko‘rinadigan Listing qismida mavjud emas.
Qayta ishlab chiqarish nuqtai nazaridan ishlatilgan vositalar
Python versiyasi 3.12 deb ko‘rsatilgan. Ishlatilgan asosiy ochiq manbali kutubxonalar scikit-learn, XGBoost, TensorFlow/Keras, SHAP, GeoPandas, SciPy, NumPy, pandas va Matplotlib. Tadqiqotning maqsadi ushbu kodlarni yakuniy dala modellari sifatida taqdim etish emas, balki haqiqiy ifloslangan maydon maʼlumotlar to‘plamlariga moslashtirish mumkin bo‘lgan o‘z-o‘zidan tushunarli tahlil shablonlarini yaratishdir.
Manba va Usul Haqida Izoh
Asl sarlavha: Python-Powered Environmental Intelligence: Computational Workflows for Soil Pollution Assessment Using ML Methods
Muallif: Polina Lemenkova.
Muassasalar: Bureau de Recherches Géologiques et Minières (BRGM), Orléans, Fransa; Le Studium, Institut d’Etudes Avancées du Val de Loire, Orléans, Fransa; Le Laboratoire PRISME, INSA Centre-Val de Loire / Université d’Orléans, Fransa; La Technopole d’Orléans, Fransa.
Jurnal: Environmental Remediation.
Nashriyot: MDPI.
Bibliografik qayd: Environ. Remediat. 2026, 1(2), 6.
DOI: 10.3390/environremediat1020006
Rasmiy havola: https://doi.org/10.3390/environremediat1020006
Academic Editor: Wenjie Ren.
Topshirish: 23 may 2026. Qayta ko‘rib chiqish: 16 iyun 2026. Qabul: 23 iyun 2026. Nashr: 8 iyul 2026.
Manba turi: Taqrizdan o‘tgan metodologik workflow tadqiqot maqolasi; adabiyot sintezi bilan sintetik/benchmark maʼlumotlarda yettita qayta ishlab chiqariladigan Python namoyishini birlashtiradi. Manba o‘zini qatʼiy bibliometrik maʼnoda tizimli sharh deb emas, methodological workflow paper deb taʼriflaydi.
Litsenziya: Creative Commons Attribution (CC BY).
Moliyalashtirish: Manba “This research received no external funding” bayonotini beradi.
Etika qo‘mitasi / rozilik: Qo‘llanilmaydi deb bildirilgan.
Maʼlumotlarning mavjudligi: Manba tadqiqotning original hissalari maqola ichida mavjudligini bildiradi.
Manfaatlar to‘qnashuvi: Muallif manfaatlar to‘qnashuvi yo‘qligini bildirgan.
Muallif hissalari: Manba PDF ning yakuniy bayonotlar bo‘limida alohida CRediT/Author Contributions paragrafi mavjud emas; bir muallifli tadqiqot uchun manbada bo‘lmagan hissa rollari qo‘shilmagan.
Asosiy metodologik chegara: Maqoladagi barcha model samaradorliklari sintetik yoki namoyish benchmark maʼlumotlariga asoslangan. Haqiqiy ifloslangan maydonlar uchun mustaqil dala validatsiyasi, mos fazoviy kross-validatsiya, maqsad hududga xos giperparametr optimallashtirish va maʼlumot sifati baholashi talab etiladi.
Manba ichidagi usul izohlari: Listing 1 tavsifi SHAP asosidagi muhimlik reytingini ko‘rsatsa-da, ko‘rinadigan kod Random Forest ning `feature_importances_` chiqishidan foydalanadi. Listing 7 matnda IDW deb atalgan bo‘lsa-da, ko‘rinadigan interpolatsiya kodida `griddata(method="linear")` ishlatiladi. Results bo‘limida Listing 7 uchun %20 withheld-point validatsiyasi va taxminan 0,38 EF RMSE qayd etiladi, biroq bu validatsiya sikli nashr qilingan Listing 7 ning ko‘rinadigan kod satrlarida mavjud emas.
Izoh qoldiring
E-pochta manzilingiz chop etilmaydi. Majburiy maydonlar * bilan belgilangan