农业土壤中潜在有毒元素的存在对农作物生长和人类健康具有重要影响。不仅会直接影响农作物的生长和产量,还有可能通过农作物被吸收进入食物链,对人类健康产生潜在威胁。
这些元素在食物中的积累可能导致慢性中毒,对人体的神经系统、肝脏、肾脏等器官造成损害。特别是对于儿童和孕妇来说,潜在有毒元素的摄入可能对他们的发育和健康产生更大的影响。
因此,精准监测土壤中潜在有毒元素的含量,对管理土壤环境和减轻污染风险至关重要,对于生态环境安全以及农产品的安全和质量保障具有重要意义,对于人们的健康来说,更是不容忽视的问题。
接下来,一起来了解一下篇与农业土壤中潜在有毒元素(PTEs)相关的论文。
ASD Fieldspec 4地物光谱仪在估计干旱农业土壤中关键潜在有毒元素方面的应用
农业土壤中潜在有毒元素(PTEs)的积累严重影响着人类健康,并对生态系统产生负面影响。有毒元素如镉、铬、钴、铜、铅和锌,是土壤污染物的重要组成部分,这些元素通过进入水、土壤、植物和食物链,危害人类和动物健康。由于它们具有持久性和较长的生物半衰期,其会破坏土壤中的营养平衡,抑制植物生长。因此,对土壤中PTEs的定量测量对于有效监测和土壤修复至关重要。PTEs的定量测量在传统上使用湿化学方法,此方法耗时、昂贵,并且不适用于大样本土壤。因此,人们对能够在现场并实时使用的检测测量设备的需求日益增加,这推进了可见光和近红外光谱(Vis-NIRS)等新技术的发展。
Vis-NIRS是一种常用的土壤分析工具,可以应用于土壤有机碳、质地、营养物质和PTEs等方面的分析。现代仪器的光谱技术以高分辨率来分析样品,对每个样品产生许多光谱变量。高分辨率测量可能导致光谱变量的数量超过样本数量,这在分析目标(如土壤性质)和光谱变量之间的关系时会变得困难。因此,需要适当的统计算法从光谱中提取有用信息。偏最小二乘回归(PLSR)是一种广泛使用的算法,结合了变量选择策略,是一种常用的多元回归技术,可以处理许多噪声和相关变量。变量选择算法以提高模型的鲁棒性和精度而闻名,排除了噪声光谱区域和共线波长。对于PLS,已经发表的许多变量消除方法包括PLSR的无信息变量消除(UVE-PLS)和模拟退火(SA)。UVE-PLS是一种基于PLSR回归系数显著性的变量消除方法,SA是一种概率优化技术,在改进各种矩阵中的PLSR校准方面显示出良好的结果。
过去几十年来,工业活动和无机肥料的长期应用严重影响了埃及和其他国家几个地区的农业土壤。此外,与近距离传感方法相比,大样本PTEs的实验室分析成本高。因此,越来越需要开发出通用且经济的快速定量土壤污染物的方法。
基于此,本研究旨在探索利用可见-近红外光谱(Vis-NIRS)在埃及尼罗河附近受污染的干旱农业土壤中定量测定关键PTEs(如Cd,Co,Cu,Cr,Pb和Zn)的可行性和成本效益。
在本研究中,来自苏伊士运河大学、埃及国家遥感和空间科学管理局、埃及米尼亚大学、俄罗斯RUDN大学的一组研究团队,①首先从埃及尼罗河附近的一个污染区域收集了80个土壤样本(60个来自0-20cm深度,20个来自20-40cm深度)。②进行土壤化学分析,测定每个土壤样本的有机碳含量和潜在有毒元素(PTEs)含量。③使用ASD FieldSpec 4地物光谱仪对每个样本进行可见-红外(Vis-NIR)光谱测量,获取反射光谱数据。④使用变量选择算法(如UVE和SA)从光谱数据中选择有效波长。⑤使用PLSR算法分别基于全波段光谱(FR-PLS)和基于变量选择的光谱数据(UVE-PLS和SA-PLS)建立光谱模型。⑥使用决定系数(R2)和相对分析误差(RPD)等指标评估模型的预测性能,比较不同模型(FR-PLS、UVE-PLS和SA-PLS)在预测关键PTEs方面的能力。分析结果,讨论模型在农业土壤中的应用前景。
研究区域和土壤样本位置图
结 果
测量的PTEs和pH之间的相关系数
土壤样品原始光谱(A)和使用二阶导数处理后的光谱数据(B)
PLSR模型的交叉验证和预测/验证结果(全波段光谱FR-PLS、模拟退火SA-PLS和无信息变量消除UVE-PLS)
【结论】
本研究探讨了可见光近红外光谱(Vis-NIRS)结合PLSR和特征选择算法(无信息变量消除(UVE)和模拟退火(SA))在埃及某污染地区干旱条件下预测农业土壤中有毒元素PETs含量的潜力。结果表明:(i)Vis-NIRS有预测土壤PETs的潜力;(ii)基于全波段光谱数据集(FR)建立的PETs预测模型的性能非常差(R2 < 0.40);(iii)基于UVE算法和PLSR结合(UVE-PLS)的光谱选择变量得到的预测结果相比于基于全波段光谱的模型,其准确性有所提高(0.46 ≤ R2 ≤ 0.74);(iv)对于所有方法(FR-PLS,SA-PLS和UVE-PLS),Cr预测的结果最好;(v)基于UVE-PLS的Cr、Pb和Cd的预测结果非常好(RPD值分别为2.48、2.03和1.86),而对于Cu、Co和Zn的预测结果较一般(RPD值分别为1.78、1.68和1.41)。总体上,UVE-PLS模型在预测关键PETs含量方面优于FR-PLS和SA-PLS模型,其在预测农业土壤中的PETs含量方面具有潜力。
总之,本研究提供了一种使用光谱技术预测土壤中关键PTEs含量的方法,并对不同模型的性能进行了评估和比较。其结果对于土壤污染管理和农业土壤质量评估具有重要的实际意义。未来的研究应集中于在不同地点的更大范围的数据集上测试这些发现,并与其他强大的机器学习方法相结合,如Cubist和随机森林,以进一步验证和改进此方法的准确性和适用性。
请点击下方链接,阅读原文:
https://mp.weixin.qq.com/s/pVd6KNsdvI0YKiF8KNrSpQ