התפתחותה של Soil זיהום Mapping: From Sparse Samples to High-Resolution Models

זיהום סויל התפתח כאחד האתגרים הסביבתיים הדוחקים ביותר של המאה העשרים ואחת, מאיים הן על בריאות המערכת האקולוגית והן על הפרודוקטיביות החקלאית.גישות לאמנה לפקח על זיהום הקרקע - בהתבסס על דגימת שדה עריסה וניתוח מעבדה - נאבקו זמן רב ללכוד את פערי הסביבה המקיפים את המודלים של שיטות עיבוד נתונים מתוחכמות.

הבנת החלוקה המרחבית שלמזהמים אינה רק מרדף אקדמי.קרקעות מולכדות יכולות להשפיע ישירות על בטיחות המזון, איכות המים ובריאות האדם.לדוגמה, מתכות כבדות כגון עופרת, קדמיום ואסרניות הנמשכת באדמה במשך עשרות שנים, כניסה לשרשרת המזון באמצעות יבולים או ניתוק לתוך מים קרקעיים.

הסיבות: למה חשוב מודלים לרזולוציה גבוהה

ניטור קרקע מסורתי מסתמכ על דגימה מבוססת רשת במרווחים הנעים ממאות מטרים לכמה קילומטרים.בעוד שחסכוני, גישה זו לעתים קרובות מפספסת אזורי זיהום בקנה מידה קטן שיכולים להוות סיכונים משמעותיים.מודלים ברזולוציה גבוהה להתמודד עם הגבלה זו על ידי מינוף נתונים עזר ובינלאומית כדי לחזות ריכוזים מזוהמים במקומות לא מופרעים.

  • (FLT:0) הערכת הסיכון מוכחת 1FLT - מפות בקנה מידה יפה לחשוף זיהום מקומי שעשוי אחרת להיות בלתי מחוספס, הגנה על אוכלוסיות פגיעות ומערכות אקולוגיות.
  • (FLT:0) תכנון תיווך יעיל 1 (Falph 1) - מקבלי ההחלטות יכולים להקצות משאבים לאזורים שנפגעו ביותר, צמצום עלויות והפרעה סביבתית.
  • (FLT:0) ניהול חקלאי מוסמך 1 בינואר – החקלאים יכולים להתאים את נטישה, השקיה, והפרות המבוססים על הפצה מגובשת, צמצום היבול.
  • (FLT:0) ציות לתקנות ציות ל- 1:1 - נתונים ברזולוציה גבוהה תומכים בדיווח מדויק ובהתאמה עם סטנדרטים סביבתיים מחמירים יותר.

לדוגמה, מחקר ב-FLT:0.U.S. EPA Superfund Program FLT:1 הוכיח כי מפות קשיחות עם החלטה של 10 מטרים או קנס יכול להפחית באופן משמעותי את אי הוודאות כאשר delineing צנרת זיהום בהשוואה לרשתות מסורתיות 100 מטר.

טכניקות ליבה בדגם זיהום גיאופטי

פיתוח מודלים ברזולוציה גבוהה דורש שילוב של טכנולוגיות גיאו-סאפפטיות מרובות ושיטות אנליטיות.הסעיפים הבאים מפורטים את הכלים העיקריים ואת זרמי העבודה המועסקים על ידי חוקרים כיום.

שם הסרטון: The Synאופטיקה View

חיישנים חשמליים ואוויר מספקים אמצעי יעיל כדי לאסוף נתונים על פני מישורים גדולים.דמיון רב-ספקטרום ויפר-ספקטרום יכולים לזהות תכונות אדמה בעקיפין באמצעות חתימה של ספקטרום רפלקטיבי.לדוגמה, מתכות כבדות כגון נחושת, אבץ, ומובילות לעתים קרובות אינטראקציה עם מתח צמחייה, חומר אורגני הקרקע, או מינרלים.

יש למקם נתונים חישה מרחוק נגד מדידות קרקע כדי לבנות מודלים חיזוי אמין.שלב נתונים ספקטרליים עם דגימות אדמה שנאספו על סט stratified של מיקומים מאפשר פיתוח של משוואות רגרסציה המקשרות ערכי רפה לריכוזים מזוהמים.

גיאוסטיסטים: האינטרפולציה עם האינטליגנציה

שיטות גיאוסטאליות הן עמוד השדרה של זיהום שטח עבור זיהום הקרקע.בניגוד לטכניקות זיהום פשוט כגון משקל מרחוק הפוך (IDW), גיאוגרפיסטטיסטים חשבונות עבור מתקן אוטומטי מרחבי - הנטייה של מיקומים סמוכים יש ערכים דומים.קלות רגילה היא השיטה הנפוצה ביותר בשימוש נרחב ביותר, מתן הערכות לא משוחדות עם מצמצם של השחלות.

  • (ב) ⁇ :0) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) ,CokrigingFLT:1 - השתמש במשתנה משני (למשל, להקות ספקטרליות, תכונות קרקע) אשר מתודגםות יותר בצפיפות כדי לשפר את הערכתו של המזוגן העיקרי.
  • (FLT:0) ,Regression kriginging: 1) - משלב מודל רגרסיה המתייחס למשתנה היעד לנתונים עזריים עם הקפדה של השוכנים, גישה היברידית רבת חזקה משותפת במיפוי הקרקע הדיגיטלי.

הבחירה של מודל variogram - spherical, אקספוננציאלי, Gaussian - משפיעה באופן משמעותי על החלקה והדיוק של המפות הנובעות מכך. Cross-validation טכניקות, כגון יציאה-one-out או k-fold, חיוניים לבחור את המודל הטוב ביותר ואת הסימון של אי הוודאות המודרנית כמו FLT:0 ב R או FLT:1 ב Python לעשות ניתוחים אלה נגישים לקהל רחב.

GIS אינטגרציה: שכבת הראיות

מערכות מידע גיאוגרפיות (GIS) משמשות כפלטפורמה לשילוב של נתונים מרחביים מגוונים.מודל זיהום הקרקע ברזולוציה גבוהה טיפוסי עשוי לשלב את השכבות הבאות:

  • Soil דגימות מיקומים ותוצאות אנליטיות מעבדה
  • שימוש בקרקע וכיסוי קרקעות
  • מודלים של גבהים דיגיטליים (DEMs) לניתוח קרקע
  • Geology and Land typeמפות
  • אזורי תעשייה היסטוריים וממציאי פליטה
  • רשתות הידרולוגיות לנתיבי תחבורה

GIS מאפשר ניתוח יתר, buffer דור, ושאילתות מרחביות המסייעות לדגמנים לזהות מקורות זיהום פוטנציאליים ומנגנוני תחבורה. כלים כמו FLT:0QGISFLT:1 (קוד פתוח) ו- ArcGIS Pro (מסחר) מספקים סביבה חזקה עבור ייצור טרום עיבוד ומפה סופית.

שלב-בי-שלב-ב-שלב-החלמה ליצירת מודלים של פתרונות High-Resolution

בניית מודל זיהום קרקע אמין הוא תהליך רב-שלבי הדורש תכנון קפדני ואימות קפדני. להלן הוא זרימת עבודה כללית כי מתרגלים יכולים להתאים להקשר הספציפי שלהם.

1.מחקר עיצוב ואסטרטגיה

הבסיס של כל מודל הוא עיצוב שדה דגימה.A מערכת יחסים מעוצבת היטב מאזן כיסוי נגד עלות.אסטרטגיות נפוצות כוללות:

  • (ב) ,0 ,100 samplingFLT:1 , פשוט וקל ליישום אבל עשוי להיות יעיל לזיהוי נקודות חמות מבודדות.
  • (FLT:0) samplingFreaLT:1 ;חלק את האזור לאזורים המבוססים על סוג אדמה, שימוש בקרקע או קרבה למקורות זיהום, ולאחר מכן בוחר באופן אקראי נקודות בתוך כל אזור.
  • (ב) ,0) תוצאות ראשוניות להצגת הדגמה מבוססת תגובה או תגובה (בקיצור: 1) – שימוש בתוצאות ראשוניות כדי להנחות דגימה נוספת באזורים של רגישות גבוהה.

בכל המקרים, צפיפות הדגימה חייבת להיות מתאימה לרזולוציה הרצויה.עבור מודל של 10 מטרים, דגימה של 20-50 מטר אופיינית, אם כי זה יכול להשתנות עם טווח התואם מרחבי של המזוגן.

2. איסוף נתונים והכנת

דגימות שדה נאספים באמצעות פרוטוקולים סטנדרטיים (למשל, מרווחי עומק, דגימה מורכבת) וניתחו במעבדות מוכרות עבור מקודמת מטרה - מתכות כבדות, או חומרים מזינים.concurrent, נתונים מרוחקים של חישה מרחוק נרכשים מארכיונים או טיסות ייעודיות.כל הנתונים חייבים להיות מובחנים למערכת משותפת.

ניתוח נתונים פשטני (ESDA)

לפני דוגמנות, החוקרים בודקים את הנתונים למגמות מרחביות, אנזוטרופיה, ומקבץ כלים כגון לוחות ענן של variogram, variograms כיוון, ומבחן I של מורן להתאמה מרחבית משמשים לאפיין את המבנה המרחבי. ESDA גם עוזר לזהות קובארנטיות פוטנציאליות שעשויות לשפר את החיזוי, כגון מרחק לכבישים או גובה.

4.מודל בנייה והתערבות

בהתבסס על תוצאות ESDA, טכניקה גיאטטיסטית מתאימה נבחרת.עבור קריקטורציה רגרסנית, מודל רגרסיה מתאים לראשונה באמצעות משתנים עזר (למשל, אינדיקציות ספקטרליות, תכונות DEM-derived) כמו צופים.השארים מן התוקפנות הזו מנטרפים לאחר מכן באמצעות קיפדציה רגילה ומוספים חזרה לחיזוי התוקפנות, כל דגם פרדוקסלי, כמו פרדוקסלי, כמו פרדוקסלי, כל אחד, כמו פרדוקסלי, כמו , כמו , מ- , אומדורג 'Rulative, , , , , .

חלופות למידת מכונות, כגון יערות אקראיים, מכונות וקטור או רשתות עצביות, צברו מצעים. שיטות לא-פרמטריות אלה יכולות ללכוד מערכות יחסים מורכבות שאינן לינאריות ולעתים קרובות לגוון את ההתערבות כאשר כמויות גדולות של נתונים עזר זמינים.

5.מודל אימות

אימות הוא חיוני להעריך דיוק חיזויי.התמונים מחולקים לאימון ובדיקת תת-קרקעיות (למשל, 70/30).

  • (ב) [15] ,0) , שגיאה מרובעת (RMSE) ,RIRLT:1 , מודדת את השגיאה הממוצעת בחיזוי יחידות מקוריות.
  • (ב) [15] [15] [15] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) [15] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) [15] , [17] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

Cross-validation (למשל, k-fold) מספק הערכה חזקה יותר על ידי הפעלת מערך ההכשרה. Unquity Maps (הרשמה שגיאות סטנדרטיות מ-Kriging) צריכה ללוות תחזיות סופיות כדי להנחות את המשתמשים בהערכה של סיכונים.

6. Map הפקה ופרשנות

מפות זיהום ברזולוציה גבוהה הסופי נוצר על ידי יישום המודל המאומת לרשת קנס המכסה את אזור המחקר.שכבות כגון מרווחי ביטחון או הסתברות של מעל ערכי סף (למשל, מגבלות רגולטוריות עבור להוביל באדמה) להוסיף ערך מעשי.מפות מייצאות כמו GeoTIFFs לניתוח GIS נוסף או כמספרים סטטיים לדיווחים.

יישום אמיתי-עולם: מחקרים ב-Soil זיהום

בסביבה הקרובה של Urban Brownfield Re Development

בערים כמו דטרויט, שבו היסטוריה תעשייתית הותירה זיהום מורשת, מודלים ברזולוציה גבוהה עוזר לתכנן מראש ניקוי. A 2022 מחקר השתמש בשיתוף עם צפיפות בנייה וקרקע היסטורית השימוש כמו קובארהיטים כדי למפות ריכוזים קרקעיים ברזולוציה של 5 מטר על פני 50 קמ"ר.המודל זיהה נקודות חמות ליד מלוטשים לשעבר ותחנות ייצור אוטומטי, המאפשר לעיר למקדמים מחדש את הסיכונים ולהפחית את הסיכון לחשיפה לחשיפה לחשיפה לחשיפה לערים.

ניהול סויה חקלאי בסין

זיהום מתכת כבד של כריות אורז בדרום סין בשל כרייה ושקיקה כבר מודל נרחב. חוקרים שילבו את סינטנל-2 תמונות עם מדידות שדה של קדמיום ואסרניק, באמצעות קירור יערות אקראיים ביערות.המפות המתקבלות ברזולוציה של 20 מטר אפשרו לחקלאים לזהות אזורים של זיהום נמוך לגידולים ניתוק תוך שימוש בריכוז גבוה עבור אזורים לא-תזונה מקומיים.

הגנה על מים

בהולנד, מודלים של זיהום הקרקע ברזולוציה גבוהה משמשים כדי להעריך את הסיכון של חומרי הדברה להיצמד לתוך אקוויפרים. על ידי קישור תכונות אדמה (פחמן אורגני, תוכן חימר) עם נתוני יישום חומרי הדברה וגשם, השקיה אוניברסלית מייצרת מפות של פוטנציאל לניתוק ברזולוציה של 10 מטרים. רשויות מים להשתמש מפות אלה כדי לעצב רשתות ולתאם תקנות חומרי הדברה.

אתגרים ומגבלות

למרות ההבטחה שלהם, מודלים זיהום ברזולוציה גבוהה עומדים בפני מספר hurdles. זמינות נתונים נשאר מעצמה עיקרית - אזורים רבים חסרים סקרי אדמה מקיפים או גישה לעומס מרוחק ברזולוציה גבוהה.העלות של ניתוח שדה ניתוח מעבדה יכול להיות אסרטיבי עבור אזורים גדולים. יתר על כן, אי-סטיות מרחבית (שינויים במערכת היחסים בין מזהמים וקונטרנציות) יכולות להגביר את הביצועים הגיאוגרפיים או את רמת החשיבה של הסגת.

אתגר נוסף הוא temporal variability.Soil contamination אינו סטטי;מזהמים יכולים להגר בשל שחיקה, ביומטריות, או פעילויות אנתרוגניות.מודלים שנבנו על תמונות בזמן עשויים להפוך מיושנים במהירות.שילוב של לוחות זמנים מרוחקים מעמיסים וקרקעות חוזרות ונשנות לתוך מודלים דינמיים הוא תחום פעיל של מחקר.

לבסוף, התקשורת של אי ודאות לקהלים לא-מיוחדים נותרה קשה.מקבלי ההחלטות עשויים לנטרף מפות הסתברות או להעריך יתר על המידה של התחזיות.המאמצים לפתח כלים חזותיים ידידותיים למשתמש וחומרי אימון נמשכים.

כיוונים עתידיים: Machine Learning, Big Data ו- Real-Time Monitoring

הדור הבא של דגמי זיהום הקרקע ברזולוציה גבוהה יהיה כנראה מעוצב על ידי שלושה מגמות מתמזגות:

  • (FLT:0) למידה ולהעביר למידה למידה 1FLT - רשתות עצביות מהפכתיות (CNN) יכולות לנתח תבניות מרחביות ישירות מדימויים מרוחקים ללא מיצוי תכונות ידניות.העברה הלמידה מאפשר מודלים לפני שטח אחד להיות מותאם לאזורים של איסוף נתונים, ובכך להפחית באופן דרסטי את הצורך בדגימות שדה.
  • (FLT:0Citizen Science and low-costחיישניםsevolveFLT:1) - Portable X-ray fluorescence (pXRF) מנתחים וחיישנים אחרים בעלי ערך שדה מספקים כעת מדידות זמן כמעט-מציאותי.כאשר מתייחסים באופן מרחבי והועלה לפלטפורמות ענן, ניתן להטמיע זרם נתונים אלה למודלים כדי לשמור אותם כיום.
  • (FLT:0Cloud מבוסס עיבוד והנתונים הפתוחים של ההרחבה: Platforms כמו Google Earth Engine מאפשר ניתוח של ארכיונים בקנה מידה זעיר של נתונים לווייניים, בשילוב עם למידה מכונה על פני השטח.Thisדמוקרטיזציה גישה ליכולות דוגמנות ברזולוציה גבוהה עבור חוקרים במדינות מתפתחות.

החוקרים גם בוחנים מודלים רב-פולנטים ודרגי מערכת אקולוגית, אשר שוקלים אינטראקציות בין contaminants וביולוגיה הקרקעית.המטרה הסופית היא מערכת ניטור בריאות גלובלית שמדכנת את מפות זיהום השבוע, שילוב רשתות חיישן בזמן אמת עם תצפיות לוויין, מערכת כזו תתמוך מסגרות קיימות בינלאומיות, כולל מטרות הפיתוח בר קיימא של האו"ם (SDGs) על מים נקיים וחיים על אדמה.

מסקנה

מודלים של זיהום קרקע ברזולוציה גבוהה המופעלים על ידי ניתוח גיאו-ספטי עבר כלי מחקר נישה למשאב מרכזי לניהול סביבתי.על ידי שילוב של חישה מרחוק, גיאוטטיסטים ושילוב GIS, מודלים אלה מציעים הבנה מפורטת של זיהום כי הוא חיוני להגנה על בריאות האדם ומערכות אקולוגיות. כמו אלגוריתמי למידת מכונה וטכנולוגיה חיישן הופך זול יותר, דיוק ונגישות של מודלים אלה ימשיכו לשפר את אסטרטגיות אבטחה, עיצוב פתוח, כדי לפתוח שיטות פעולה.