مدلسازی توزیع فضایی فلزات سنگین خاک با استفاده از مدل جنگل تصادفی – مطالعه موردی تلاقی رودخانه های نایروبی و تیریرکا

 

مدل‌سازی توزیع فضایی فلزات سنگین خاک در تعیین ایمنی خاک‌های آلوده برای مصارف کشاورزی مهم است. این مطالعه از 60 نمونه خاک سطحی (0 تا 30 سانتی متر)، تصاویر چند طیفی (Sentinel-2)، شاخص های طیفی و داده های جانبی برای مدل سازی توزیع فضایی فلزات سنگین در خاک های امتداد رودخانه نایروبی استفاده کرد. مدل با استفاده از بسته جنگل تصادفی در R ایجاد شد. با استفاده از R2 برای ارزیابی دقت پیش‌بینی، مدل جنگل تصادفی نتایج رضایت‌بخشی را برای همه عناصر ایجاد کرد. همچنین متغیرها را به ترتیب اهمیت آنها در پیش بینی کلی رتبه بندی کرد. شاخص‌های طیفی مهم‌ترین متغیرهای رتبه‌بندی بودند. از نقشه های پیش بینی شده خاک سطحی، غلظت بالایی از کادمیوم در انتهای شرقی رودخانه وجود داشت. کادمیوم یک ناخالصی در مواد شوینده است، و این بخش در مجاورت کارخانه فاضلاب نایروبی است که می تواند منبع مستقیم کادمیوم باشد. برخی از مزارع دارای سطوح روی بودند که بالاتر از حد توصیه شده سازمان بهداشت جهانی بود. مدل جنگل تصادفی عملکرد رضایت بخشی داشت. با این حال، اگر وضوح فضایی متغیرهای مختلف افزایش یابد و از طریق افزودن متغیرهای پیش‌بینی‌کننده بیشتر، پیش‌بینی‌ها را می‌توان بیشتر بهبود بخشید.

کلید واژه ها

جنگل تصادفی , نگهبان 2 , فلزات سنگین , شاخصهای طیفی , مدلسازی فضایی

1. مقدمه

مدیریت کارآمد زباله برای بهبود کیفیت زندگی و پایداری یک کشور ضروری است. با این حال، این یک چالش برای کشورهای در حال توسعه باقی می ماند، زیرا اجرای آن اغلب گران است. مدیریت یک سیستم مدیریت پسماند کارآمد نیاز به سیستم های یکپارچه کارآمد دارد که پایدار و از نظر اجتماعی حمایت شوند [ 1 ] [ 2 ].

در کنیا، دفع زباله چالش بزرگی است، به ویژه برای مراکز شهری، از جمله پایتخت کشور نایروبی، شهر ساحلی مومباسا و کیسومو. دفع ضعیف زباله در این کلان‌شهرها به شهرنشینی، رشد سریع جمعیت به دلیل مهاجرت روستا به شهر، پراکنده شدن مناطق فقیر نشین، فقدان مکان‌های زباله مناسب و کوتاهی درازمدت در اجرای قوانین برنامه‌ریزی شهری و محیط‌زیست نسبت داده شده است. 3 ]. نایروبی بالاترین تناژ زباله تولید شده را در بین این شهرها ثبت می کند، تقریباً 2977 تن در روز، که 774 تن در روز (26٪) جمع آوری نشده باقی می ماند [ 4 ]. برخی از زباله های تولید شده منابع قابل توجهی از آلودگی فلزات سنگین برای محیط زیست، به ویژه زباله های صنعتی و الکترونیکی هستند (17350 تن در سال) [ 1 ]].

فلزات سنگین مانند منگنز (منگنز)، روی (روی)، مس (مس) و آهن (آهن) ریزمغذی‌های ضروری برای رشد و نمو گیاهان و بدن انسان هستند. در حالی که سایر عناصر مانند کادمیوم (Cd)، سرب (Pb) و کروم (Cr) هیچ مزایای شناخته شده ای برای فرآیندهای فیزیولوژیکی انسان و گیاه ندارند. این فلزات سمی با چندین مشکل سلامتی در انسان مانند توهم، اسهال همراه با خون، درد شکم، درماتیت، نارسایی کبد و کلیه، بیماری های ریوی، آسیب کبدی، اثرات جهش زا، تراتوژنیک و سرطان زا در انسان مرتبط است [ 5 ].

مطالعات اهمیت سنجش از دور را در تشخیص تنش فلزات سنگین نشان داده اند [ 6 ] [ 7 ]. فلزات سنگین اثرات نامطلوبی بر گیاهان دارند. آنها فرآیندهای فیزیولوژیکی و متابولیک مانند فتوسنتز را با کاهش محتوای کلروفیل تاج پوشش مهار می کنند، بنابراین بر رشد و بهره وری تأثیر می گذارند [ 8 ]. بنابراین، محتوای کلروفیل به عنوان یک شاخص زیستی مهم وضعیت سلامت گیاهان عمل می کند [ 9 ] [ 10 ]. تغییرات در محتوای کلروفیل می تواند بازتاب طیفی هر دو بخش مادون قرمز و مرئی طیف الکترومغناطیسی را تغییر دهد. بنابراین، ناحیه لبه قرمز ارتباط نزدیکی با محتوای کلروفیل در گیاهان دارد [ 11 ] [ 12 ]]. علاوه بر این، برخی از مطالعات نشان داده اند که می تواند یک شاخص مهم برای سطوح تنش فلزات سنگین در گیاهان باشد [ 13 ] [ 14 ]. این می تواند همراه با سایر متغیرها برای مدل سازی آلودگی فلزات سنگین در خاک مورد استفاده قرار گیرد.

رویکردهای یادگیری ماشینی مانند مکعب، تجزیه و تحلیل اجزای اصلی، و ماشین بردار پشتیبان برای نقشه‌برداری از آلودگی فلزات سنگین در خاک استفاده شده‌اند و عملکرد قابل قبولی دارند [ 15 ] [ 16 ] [ 17 ]. با این حال، محققان همیشه به دنبال الگوریتم‌های یادگیری ماشین، متغیرهای اضافی و حسگرهایی هستند که بتوانند دقت پیش‌بینی بالاتری را ارائه دهند [ 15 ] [ 18 ].

طبقه‌بندی‌کننده جنگل تصادفی ترکیبی از درخت‌های تصمیم‌گیری چندگانه است، که در آن هر درخت از یک بردار تصادفی به‌طور مستقل از بردار ورودی نمونه‌برداری می‌شود، و هر درخت تصمیم برای یافتن محبوب‌ترین کلاس برای تخصیص بردار ورودی رأی می‌دهد [ 19 ] . در سال‌های اخیر برای کاربردهای مختلف از جمله طبقه‌بندی تصویر [ 20 ] [ 21 ] [ 22 ]، نقشه‌برداری پوشش گیاهی [ 23 ] [ 24 ] استفاده شده است، با این حال مطالعات بسیار کمی با تمرکز بر استفاده از جنگل تصادفی برای تجزیه و تحلیل طیفی خاک، و به طور خاص بر روی فلزات سنگین در خاک [ 25 ] [ 26 ] [ 27 ] [ 28 ]]. با این وجود، مطالعاتی که بر روی فلزات سنگین متمرکز شده‌اند، متغیرهایی با وضوح فضایی بالاتر و متغیرهای وابسته اضافی مانند HMSSI، SAVI و WDVI را در نظر نگرفتند.

در کنیا، رودخانه‌های شهرستان نایروبی برای استفاده انسان بسیار آلوده به فلزات سنگین هستند [ 29 ]. اتفاقاً تصاویر اخیر گوگل ارث نشان دهنده ایجاد مزارع حومه شهری در حاشیه رودخانه آلوده است. و طبق اطلاعات ما، هیچ اطلاعاتی در مورد توزیع مکانی فلزات سنگین خاک در سواحل در امتداد رودخانه نایروبی وجود ندارد. بنابراین، تعیین سطح آلودگی فلزات سنگین در خاک های مورد استفاده برای رشد این محصولات بسیار مهم است.

تازگی این مطالعه استفاده از نوارهای لبه قرمز و نوری از تصاویر ماهواره ای چند زمانی سنتینل 2، با وضوح زمانی 10 روز، جنگل تصادفی و داده های جانبی برای مدل سازی توزیع فلزات سنگین در خاک های مورد استفاده برای کشت است. مزارع حومه شهری بنابراین، این تحقیق با هدف ترسیم توزیع فلزات سنگین سمی (کادمیم، سرب و روی) در خاک‌های آبیاری شده با آب رودخانه آلوده نایروبی انجام شد. این امر با انجام نمونه‌برداری تصادفی خاک و تجزیه و تحلیل آزمایشگاهی برای آلودگی فلزات سنگین در امتداد رودخانه نایروبی و سپس تعیین عملکرد پارامترهای محیطی و شاخص‌های طیفی در پیش‌بینی‌ها قابل دستیابی است. در نهایت، مدل‌سازی و اعتبارسنجی توزیع آلودگی فلزات سنگین در خاک‌های حاشیه رودخانه.

2. مواد و روشها

2.1. منطقه مطالعه

منطقه مورد مطالعه نشان داده شده در شکل 1 در محل تلاقی رودخانه های نایروبی و تیریریکا (1˚11’57.36″S – 37˚07’09.23″E) واقع شده است. این مرز بین شهرستان روئیرو در شهرستان کیامبو و شهرستان کاسارانی در شهرستان نایروبی مشترک است. مساحت آن تقریباً 17 کیلومتر مربع است .

آب و هوا گرم و معتدل است. در ارتفاع 1544 متری از سطح دریا قرار دارد و میانگین بارندگی سالانه آن 752 میلی متر است.

بر اساس سرشماری سال 2019، شهرستان کاسارانی دارای 780656 نفر و شهرستان رویرو 490120 نفر جمعیت بوده است [ 30 ]. شکل 2 افزایش ده ساله جمعیت در اطراف منطقه مورد مطالعه ما را نشان می دهد.

عمده‌ترین فعالیت اقتصادی-اجتماعی در این منطقه کشاورزی است و طی دو دهه گذشته، کشاورزی حومه شهری در امتداد کانال رودخانه رشد داشته است. بنابراین، منطقه ای در امتداد کانال رودخانه با غلظت مداوم و زیاد مزارع حاشیه شهری را به عنوان منطقه مورد مطالعه خود انتخاب کردیم.

2.2. داده ها و روش شناسی

شکل 3 یک تصویر گرافیکی از روش مورد استفاده در این مطالعه را نشان می دهد.

2.2.1. نمونه برداری خاک و آنالیز آزمایشگاهی

60 نمونه خاک از حفره های عمق 30 سانتی متری (افق A) در امتداد زمین جمع آوری شد

شکل 1 . منطقه مطالعه

شکل 2 . جمعیت منطقه مورد مطالعه با گذشت زمان افزایش می یابد.

شکل 3 . نمودار جریان روشها

ساحل رودخانه نایروبی در Ruai، بر اساس دستورالعمل های نمونه برداری خاک اروپا برای مطالعات آلودگی [ 31 ]. مکان‌های نمونه‌برداری همه مزارع تحت‌تاثیر اطراف شهری را در منطقه مورد مطالعه ما پوشش می‌دهد. همانطور که در شکل 4 نشان داده شده است، مختصات جغرافیایی نقاط جمع آوری با استفاده از GPS دستی Garmin با دقت 5 متر ثبت شد .

نمونه ها با استفاده از مارپیچ جمع آوری شده و برای تجزیه و تحلیل به دانشگاه کشاورزی و فناوری Jomo Kenyatta منتقل شدند. آنها به مدت سه روز در دمای اتاق در هوا خشک شدند. برای الک خاک از الک پلی اتیلن 2 میلی متری استفاده شد. آنها بعداً برای غلظت سرب، روی و کادمیوم مورد تجزیه و تحلیل قرار گرفتند.

0.5 گرم از هر نمونه به یک لوله آزمایش پیرکس از قبل تمیز شده اضافه شد. 8 میلی لیتر اسید هیدروکلریک غلیظ و 3 میلی لیتر اسید پرکلریک غلیظ اضافه شد. مخلوط در یک بلوک آلومینیومی در دمای 200 درجه سانتیگراد به مدت 3 ساعت حرارت داده شد تا خشک شود. پس از سرد شدن لوله‌های آزمایش، 5% HNO3 اضافه شد و سپس در دمای 70 درجه سانتی‌گراد به مدت 1 ساعت حرارت داده شد. با مخلوط کردن گاه به گاه

پس از سرد شدن، مخلوط به لوله پلی اتیلن ریخته شد و به مدت 10 دقیقه با سرعت 3500 دور در دقیقه سانتریفیوژ شد. تمام غلظت عناصر با استفاده از طیف سنجی انتشار پلاسما-اتمی جفت القایی تعیین شد.

شکل 4 . مکان های نقطه نمونه برداری

2.2.2. نگهبان 2

تصاویر نگهبان چند زمانی 2A (سطح 1C) از ژانویه 2019 تا دسامبر 2019، با وضوح مکانی 10 متر و 20 متر، از وب سایت آژانس فضایی اروپا (ESA https://earthexplorer.usgs.gov/) به دست آمد.

همه محصولات با استفاده از ابزار send2cor در SNAP از نظر رادیومتری و هندسی تصحیح شدند و به نقشه نقشه WGS 1984/UTM 37˚S پیش بینی شدند.

در نسخه R 3.6.1، از تصاویر برای استخراج متغیرهای پیش بینی کننده (شاخص های طیفی، نقشه پوشش زمین کاربری اراضی، و باندهای طیفی) مورد نیاز در مدل جنگل تصادفی استفاده شد. جدول 1 متغیر کمکی به دست آمده از سنتینل 2 را توصیف می کند.

2.2.3. ALOS PALSAR پیش پردازش

کالیبراسیون رادیومتری اولین مرحله مهم برای پیش پردازش آلوس پالسار است. این مقادیر شماره سیگنال را به backscatter در سیگما هیچ تبدیل می کند. با استفاده از روش فیلتر لی، فیلتر اسپکل برای کاهش صدای نمک و فلفل ناشی از نویز لکه ای انجام شد.

فیلتر لکه با اصلاح زمین دنبال شد. در نهایت، ژئوکدگذاری تصویر با استفاده از نقاط کنترل زمینی به دست آمده از نقشه های توپوگرافی 1:50000 وزارت زمین و برنامه ریزی کالبدی انجام شد. این برای اطمینان از اینکه تصویر به درستی ارجاع داده شده است.

2.2.4. پارامترهای محیطی

پارامترهای محیطی به عنوان داده های جانبی در بهبود دقت پیش بینی توزیع آلاینده ها و سایر ویژگی های خاک مفید هستند [ 15 ] [ 32 ] [ 33 ]. در این مطالعه، ما از پارامترهای محیطی منتخب (پارامترهای انسانی مانند فاصله تا کانون‌های محیطی، داده‌های ژئومورفولوژی مانند شیب و نقشه پوشش زمین) برای پیش‌بینی توزیع آلودگی فلزات سنگین در خاک‌های امتداد رودخانه نایروبی ( جدول 2 ) استفاده کردیم. .

انتخاب این پارامترها توسط مشاهدات میدانی ما و استفاده از آنها در سایر مدل‌های پیش‌بینی انجام شده در شرایط محیطی تقریباً مشابه انجام شد.

1) مدل رقومی ارتفاع

یک مدل رقومی ارتفاعی ALOS PALSAR (DEM) با وضوح فضایی 12.5 متر از وب سایت آژانس فضایی ژاپن (https://www.eorc.jaxa.jp/ALOS/en/about/palsar.htm) به دست آمد. کاشی ها با استفاده از ابزار Mosaic در ArcMap نسخه 10.6 ادغام شدند. نقشه تغییرات ارتفاع در شکل 5 نشان داده شده است . DEM بعداً برای تولید متغیر شیب مورد استفاده برای پیش‌بینی مدل استفاده شد.

2) فاصله تا نقاط حساس محیطی

فاصله تا نزدیکترین نقاط داغ محیطی (یعنی صنایع، جاده‌ها، معادن، محل‌های زباله و تصفیه‌خانه‌های آب) با استفاده از ابزار فاصله اقلیدسی و ابزار استخراج چند ارزش به نقاط در ArcMap 10.6 ایجاد شد. نقشه ای که فاصله تا هات اسپات را نشان می دهد در شکل 6 نشان داده شده است .

3) نقشه پوشش زمین

کاربری زمین و یک نقشه پوشش زمین ( شکل 7 ) از یک تصویر 10 متری با وضوح فضایی Sentinel 2 A، با پوشش ابر کمتر از 5% تولید شد. طبقه بندی تصاویر با استفاده از بسته Random Forest در نرم افزار R نسخه 3.6.1 انجام شد.

شکل 5 . 12.5 متر DEM ALOS PALSAR که توپوگرافی منطقه مورد مطالعه را نشان می دهد.

شکل 6 . فاصله تا نقاط حساس محیطی

شکل 7 . تصویر طبقه بندی شده از منطقه مورد مطالعه.

2.3. شاخص های طیفی و تصاویر سنجش از دور

سلامت پوشش گیاهی می‌تواند اطلاعات جانبی مهمی را هنگام مدل‌سازی توزیع فضایی فلزات سنگین در خاک فراهم کند. تصاویر چند زمانی Sentinel 2 از شهرستان نایروبی از USGS Earth Explorer برای دوره ای از ژانویه 2019 تا دسامبر 2019 به دست آمد. این مطالعه از حسگر نوری با وضوح فضایی بالاتر Sentinel 2 (10 متر) برای بهبود دقت پیش بینی استفاده کرد.

NDVI =NIR – RNIR RNDVI=NIR−RNIR+R(1)

HMSSI =لبه CIredPSRIHMSSI=CIred-edgePSRI(2)

PSRI =آر680آر500آر750PSRI=R680−R500R750(3)

لبه CIred (آر783آر705) –1CIred-edge=(R783R705)−1(4)

ساوی =– 4 )L× L )SAVI=(B8−B4)B8+B4+L×(1+L)(5)

WDVI × 4WDVI=B8×B4(6)

جایی که L = 1.

مطالعه ای توسط [ 15 ] نشان داده است که سلامت پوشش گیاهی می تواند شاخص مهمی از آلودگی فلزات سنگین در خاک باشد و همچنین می تواند دقت مدل پیش بینی فلزات سنگین خاک را بهبود بخشد. شاخص‌های مورد استفاده در این مطالعه از Sentinel-2 مشتق شده‌اند و شامل شاخص گیاهی تفاوت نرمال شده (NDVI)، شاخص گیاهی تنظیم‌شده خاک (SAVI)، شاخص تفاوت وزنی گیاهی (WDVI) [ 34 ] و جدید حساس به استرس فلزات سنگین است. شاخص (HMSSI) توسط [ 35 ]. HMSSI برای بهبود دقت تشخیص تنش فلزات سنگین در مزارع برنج چینی با استفاده از تصاویر چند زمانی نگهبان-2 توسعه داده شد.

در محاسبه HMSSI از دو شاخص طیفی لبه قرمز به نام‌های شاخص بازتاب پیری گیاه (PSRI) و شاخص کلروفیل لبه قرمز (CIred-edge) استفاده شد. مقادیر شاخص پایین (CIred-edge) نشان دهنده کلروفیل کم و تنش زیاد در پوشش گیاهی است، در حالی که افزایش PSRI نشان دهنده افزایش تنش تاج پوشش است [ 35 ].

2.4. مدلسازی و اعتبارسنجی فضایی

این مطالعه یک مدل پیش‌بینی برای هر عنصر (Cd، Pb و Zn) با استفاده از بسته جنگل تصادفی (نسخه 4.6 – 14) در R نسخه 3.6.1 [ 36 ] ایجاد کرد. جنگل تصادفی با ساخت چندین درخت تصمیم عمل می کند. هر درخت از یک بردار تصادفی که به طور مستقل از بردار ورودی نمونه برداری شده است، ساخته شده است، و هر درخت تصمیم برای یافتن محبوب ترین کلاس برای اختصاص بردار ورودی رای می دهد [ 19 ].

جنگل تصادفی نسبت به سایر الگوریتم‌های درخت طبقه‌بندی و رگرسیون مزایایی دارد. علاوه بر حذف سوگیری، واریانس در پیش‌بینی‌های معمولاً مرتبط با رویکردهای مبتنی بر درخت را با رشد بیشتر درختان و سپس میانگین‌گیری پیش‌بینی‌های آنها کاهش می‌دهد [ 37 ]. مزیت مهم دیگر Random Forest نسبت به سایر الگوریتم های یادگیری ماشین زمانی است که داده های آموزشی کم است. این توانایی را دارد که روابط پیچیده و غیر خطی بین پیش بینی کننده ها و نتیجه را ثبت کند [ 37 ]. همچنین توجه به این نکته مهم است که با جنگل تصادفی، دقت پیش‌بینی با افزایش تعداد متغیرهای پیش‌بینی افزایش می‌یابد [ 38 ].

در این مطالعه، خروجی های مدل های مختلف با استفاده از تست “خارج از کیف” (OOB) اعتبارسنجی شدند. نمونه‌های OOB مشاهداتی هستند که در مدل گنجانده نشده‌اند و از آنجایی که برای پیش‌بینی مدل استفاده نمی‌شوند، برای آزمایش آن استفاده می‌شوند.

برای آزمایش کیفیت پیش‌بینی، 75 درصد از متغیرهای پیش‌بینی‌کننده برای کالیبراسیون، در حالی که 25 درصد باقی‌مانده برای اعتبارسنجی استفاده شد. مجموعه داده‌ها با استفاده از نمونه‌گیری هایپرمکعب لاتین انتخاب شدند تا اطمینان حاصل شود که هر دو مجموعه داده اعتبار سنجی و کالیبراسیون به درستی نشان داده شده‌اند.

پس از انتخاب مجموعه‌های آموزشی و آزمایشی، مدل جنگل تصادفی را با استفاده از پارامترهای پیش‌فرض برازش کردیم [ 36 ]. تعداد درختان (ntree) 500 در نظر گرفته شد. سپس مدل با تغییر تعداد متغیرهای نمونه گیری تصادفی در هر مرحله (mtry) به 13 تنظیم شد. ارزیابی مدل با استفاده از ریشه میانگین مربعات خطا (RMSE) انجام شد. بایاس و ضریب تعیین (R 2 ) که با استفاده از تخمین خطای خارج از کیسه محاسبه شد. در این مورد، 25 درصد از متغیرهای پیش بینی برای اعتبارسنجی درختان استفاده شد.

RMSError =1–√r2SDyRMSError=1−r2SDy(7)

که در آن SDy انحراف معیار y است

تعصب ) – θBias=E(H)−θ(8)

که در آن H مقادیر مورد انتظار برآوردگر منهای مقادیر است θθدر حال برآورد

آر2MSS / TSS = TSS − RSS ) / TSSR2=MSS/TSS=(TSS−RSS)/TSS(9)

که در آن MSS مجموع مربعات مدل است و TSS مجموع مجموع مربع های مرتبط با متغیر نتیجه است.

3. نتایج و بحث

3.1. نمونه برداری و آنالیز خاک

در مجموع 60 نمونه از نقاط منتخب در منطقه مورد مطالعه جمع آوری شد و بعداً برای فلزات سنگین در آزمایشگاه مورد تجزیه و تحلیل قرار گرفت. غلظت های مختلف فلزات در شکل 8 ، شکل 9 و شکل 10 نشان داده شده است. جدول 3 آستانه های ایمنی برای فلزات سنگین توصیه شده توسط WHO، FAO و USEPA را نشان می دهد.

نتایج نشان می دهد که برای فلز سنگین روی، 17 نمونه از 60 نمونه خاک جمع آوری شده از حد مجاز WHO/FAO فراتر رفته است. با توجه به [ 41 ]، غلظت روی در منطقه مورد مطالعه را می توان با فعالیت های انسانی مانند احتراق زباله در محل تخلیه Dandora، فعالیت های پردازش فولاد در منطقه صنعتی نایروبی، و استخراج سنگ ارائه کرد.

علاوه بر این، 12/60 نمونه سرب از حد مجاز ایمنی WHO/FAO/USEPA فراتر رفت. سرب عمدتاً در ساخت باتری های ذخیره سازی سرب استفاده می شود. در این مورد، به احتمال زیاد وجود آن ناشی از شیرابه ها و رواناب های اجزای زباله های الکترونیکی در محل تخلیه Dandora است. مسمومیت با سرب زمانی رخ می دهد که مستقیماً خاک آلوده به سرب مصرف شود. سبزیجات تولید شده در خاک هایی با کمتر از 300 پی پی ام آلودگی سرب برای مصرف بی خطر در نظر گرفته می شوند. خطر با افزایش غلظت در خاک افزایش می یابد.

شکل 8 . غلظت سرب در نقاط نمونه برداری

شکل 9 . غلظت کادمیوم در نقاط نمونه برداری

شکل 10 . غلظت روی در نقاط نمونه برداری

سطوح بالای کادمیوم یافت شد. با این حال، از محدودیت های مجاز WHO/FAO/USEPA تجاوز نمی کند. آلودگی کادمیوم با پساب های صنعتی و لجن تصفیه آب مرتبط است. نهاده های کشاورزی مانند آفت کش ها و کودها نیز غلظت کل آنها را در خاک افزایش می دهند [ 42 ].

با توجه به [ 41 ]، غلظت بالای کادمیوم را می توان به این واقعیت نسبت داد که رودخانه نایروبی از چندین نقطه داغ زیست محیطی مانند محل زباله Dandora، منطقه صنعتی، تصفیه خانه فاضلاب نایروبی و شبکه های پر ترافیک مانند کنارگذر شلوغ شرقی نایروبی می گذرد.

تنوع متمایز در فلزات سنگین ناشی از ترکیبی از فعالیت‌های مختلف انسان‌شناسی مانند استفاده از نهاده‌های کشاورزی، تخلیه پساب‌ها از صنایع و تصفیه‌خانه فاضلاب، شیرابه‌ها و رواناب‌ها از محل تخلیه Dandora به رودخانه و فعالیت‌های معدنی است.

3.2. تجزیه و تحلیل آماری داده های فلزات سنگین

یکی از مزایای RF و دیگر الگوریتم های درخت طبقه بندی و رگرسیون این است که نیازی به نرمال سازی داده های ورودی ندارند. بنابراین، هیچ نمودار جعبه و هیستوگرام برای این مطالعه مورد نیاز نیست.

آمار کلی برای (75%) کالیبراسیون و (25%) اعتبارسنجی به ترتیب در جدول 4 و جدول 5 نشان داده شده است.

جدول 6 همبستگی پیرسون را بین سه فلز سمی خاک نشان می دهد. هیچ ارتباط معنی داری بین هیچ یک از فلزات وجود نداشت، به این معنی که آنها احتمالاً از یک منبع نمی آیند [ 15 ] [ 42 ].

نتایج اعتبارسنجی مدل سازی فضایی برای آلودگی خاک به فلزات سنگین در جدول 7 نشان داده شده است. به طور کلی، مدل کالیبراسیون با توجه به برآوردهای R2 و RMSE به خوبی عمل کرد.

نتایج اعتبارسنجی ما برای سرب و روی ضریب همبستگی بالاتری نسبت به [ 15 ] R2 (0.51 = Zn) و R2 Pb = 0.53) داشت. این بهبود را می‌توان به استفاده از وضوح فضایی بهتر (10 متر) برای پیش‌بینی‌کننده‌های محیطی و تصاویر طیفی در مقایسه با [ 15 ] در 30 متر و [ 16 ] در 1 کیلومتر نسبت داد. علاوه بر این، استفاده از تعداد زیادی از نقاط نمونه توزیع شده به طور مساوی در یک منطقه مطالعه کوچکتر (17 کیلومتر مربع ) نیز به این معنی است که دقت پیش‌بینی در مطالعه ما بهبود یافته است. از سوی دیگر، تفاوت آب و هوایی بین کنیا، قطر [ 15 ] و اروپا [ 16 ] می تواند یک عامل کمک کننده در تفاوت در

نتایج. نایروبی آب و هوای گرم و معتدل دارد. قطر یک بیابان است در حالی که اروپا عموما معتدل است. مواد سنگ مادر خاک و فعالیت های انسانی نیز متفاوت است. به این دلایل، انتخاب متغیرها برای مدل سازی برای مناطق مختلف مورد مطالعه متفاوت بود.

3.3. استفاده از متغیر اهمیت توسط جنگل تصادفی

متغیر اهمیت بر اساس نمونه های خارج از کیسه اندازه گیری می شود. اینها مشاهداتی هستند که در مدل جنگل تصادفی گنجانده نشده اند. همچنین، آنها بر اساس اندازه گیری دقت خطای میانگین مربع هستند. این مقدار در تمام درختان به طور میانگین محاسبه می شود [ 36 ].

از خروجی، مشهود است که مدل از همه متغیرها برای پیش‌بینی استفاده می‌کند، اما بر مهم‌ترین آنها تأکید بیشتری می‌کند.

برای سرب ( شکل 11 )، HMSSI و SAVI در ده متغیر مهم برتر بودند. HMSSI بهترین عملکرد را داشت در حالی که نقشه کاربری و پوشش زمین نیز در پیش‌بینی به خوبی عمل کرد.

برای روی، 3 WDVI، 3 HMSSI و 2 NDVI از بین ده پیش‌بینی‌کننده مهم انتخاب شدند. در عین حال فاصله تا کانون های محیطی در جایگاه هفتم قرار داشت ( شکل 12 ).

ده متغیر مهم برای پیش‌بینی کادمیوم ( شکل 13 ) شامل شاخص‌های طیفی (3 WDVI، 3 HMSSI و 2 NDVI) بود. نقشه کاربری و پوشش اراضی نیز عملکرد قابل توجهی داشته و جایگاه پنجم را به خود اختصاص داده است.

شکل 11 . رتبه بندی پیش بینی کننده ها در سرب از برازش مدل جنگل تصادفی.

شکل 12 . رتبه بندی پیش بینی کننده ها در روی از برازش مدل جنگل تصادفی.

شکل 13 . رتبه بندی پیش بینی کننده ها در کادمیوم از برازش مدل جنگل تصادفی.

در پیش‌بینی، مدل جنگل تصادفی شامل شاخص‌های طیفی پوشش گیاهی (NDVI، SAVI، WDVI، و HMSSI) در ده متغیر مهم برای تمام فلزات سنگین بود. این نشان دهنده اهمیت آنها در پیش بینی توزیع فلزات سنگین است که مطابق با مطالعات قبلی است [ 15 ] [ 16 ].

فاصله تا متغیر کانون‌های محیطی در رتبه‌بندی همه فلزات بالا بود، که نشان می‌دهد فعالیت‌های انسانی به شدت بر غلظت آنها تأثیر می‌گذارد.

نقشه کاربری و پوشش زمین علیرغم اینکه یک متغیر اضافی جدید در تحقیقات قبلی نبود [ 15 ] [ 16 ]، در پیش بینی ها به خوبی عمل کرد.

3.4. شاخص های پوشش گیاهی برای پیش بینی فلزات سمی

به منظور بهبود قابلیت پیش‌بینی فلزات سنگین در خاک، شاخص‌های طیفی برای تمامی تصاویر Sentinel 2 محاسبه شد. چهار شاخص طیفی HMSSI، SAVI، WDVI و NDVI استخراج شد.

چهار متغیر در بین ده متغیر مهم در پیش‌بینی تمام فلزات سنگین حضور داشتند. در پیش‌بینی روی، NDVI شاخص غالب و پس از آن SAVI و HMSSI بود. برای پیش‌بینی سرب، NDVI غالب‌ترین شاخص در بین 10 متغیر مهم بود. از 10 متغیر مهم برتر برای پیش‌بینی کادمیوم، NDVI و HMSSI سه شاخص را شامل می‌شوند که هر کدام در بین متغیرهای مهم برتر و به دنبال آن SAVI و WDVI قرار دارند.

3.5. نقشه های پیش بینی شده برای فلزات سمی در خاک

سه نقشه پیش بینی شده در شکل 14 ، شکل 15 و شکل 16 نشان داده شده است. با یک حائل 300 متری در امتداد ساحل رودخانه ها، ما به راحتی می توانیم بگوییم که سه فلز سنگین مختلف چگونه در مزارع حاشیه شهری توزیع شده اند.

غلظت بالایی از کادمیوم در انتهای شرقی رودخانه وجود دارد. این را می توان به نزدیکی منطقه مورد مطالعه به تصفیه خانه آب نایروبی در Ruai مرتبط کرد. فراوانی آن در تصفیه خانه آب به این دلیل است که علاوه بر سایر منابع کادمیوم، می تواند به عنوان ناخالصی در مواد شوینده نیز وجود داشته باشد [ 41 ]. تصفیه خانه آب به جمعیتی بالغ بر 4397073 نفر خدمات ارائه می دهد که به طور چشمگیری احتمال غلظت بالای کادمیوم در فاضلاب را افزایش می دهد. همچنین این احتمال وجود دارد که فاضلاب تصفیه شده که به رودخانه تخلیه می شود همچنان سمی باشد.

یکی دیگر از منابع احتمالی کادمیوم در خاک، استفاده از کودهای فسفاته و سموم دفع آفات در مزارع حاشیه شهری است. علاوه بر این، دفع زباله های صنعتی در بالادست، با عبور رودخانه از یک منطقه صنعتی، باعث افزایش غلظت کل کادمیوم در خاک می شود.

برخی از مزارع دارای غلظت بالایی از سرب در خاک خود هستند. با این حال، این خاک ها برای تولید کشاورزی ایمن هستند زیرا از حد مجاز WHO/FAO/USEPA تجاوز نکرده اند. علاوه بر این، گیاهان سرب را به سیستم خود جذب نمی کنند مگر اینکه غلظت آن به بالای 300 پی پی ام برسد. علاوه بر این، مطالعه انجام شده توسط [ 41 ] نشان می‌دهد که سرب به آسانی در قسمت‌های باردهی گیاه جمع نمی‌شود.

شکل 14 . نقشه پیش بینی شده با وضوح 10 متر از خاک سطحی (0 تا 30 سانتی متر) روی با استفاده از الگوریتم جنگل تصادفی.

شکل 15 . نقشه پیش بینی شده با وضوح 10 متر از خاک سطحی (0 تا 30 سانتی متر) سرب با استفاده از الگوریتم جنگل تصادفی.

شکل 16 . نقشه پیش بینی شده با وضوح 10 متر از خاک سطحی (0 – 30 سانتی متر) از کادمیوم با استفاده از الگوریتم جنگل تصادفی.

کمتر از حد مجاز 300 میلی گرم بر کیلوگرم، مسمومیت با سرب تنها از طریق بلع مستقیم ذرات خاک آلوده رخ می دهد.

سرب یک جزء مهم در باتری های ذخیره سازی سرب، پوشش کابل ها و سایر تجهیزات الکترونیکی است. در این راستا، منبع احتمالی سرب در آب می‌تواند شیرابه‌ها و رواناب‌های زباله‌دان دندورا باشد.

برخی از مزارع دارای سطوح روی بودند که بالاتر از حد توصیه شده WHO/FAO/USEPA بود. روی به طور طبیعی در خاک ها در غلظت های بین 10 تا 100 میلی گرم بر کیلوگرم وجود دارد. این یک فلز سنگین بسیار سمی در غلظت های بالا برای گیاهان و حیوانات است. فعالیت‌های انسانی مانند رسوب‌گذاری جوی، احتراق زباله، استخراج معادن، پردازش فولاد و کاربرد لجن فاضلاب به غنی‌سازی خاک‌های سطحی با روی ادامه می‌دهد. بنابراین در این مطالعه محتمل ترین منابع روی عبارتند از: محل تخلیه Dandora که در آن احتراق زباله انجام می شود، کارخانه آب و فاضلاب نایروبی که در آن فاضلاب تصفیه شده به رودخانه تخلیه می شود، و منطقه صنعتی نایروبی که در آن برخی از صنایع فرآوری فلزات را انجام می دهند.

4. نتیجه گیری

از رتبه بندی متغیرها مشخص می شود که فعالیت های انسان زایی نقش مهمی در سطوح آلودگی داشته اند. علاوه بر این، نقشه‌های پیش‌بینی نشان می‌دهند که خاک‌ها برای رشد محصولات غذایی بیش از حد آلوده هستند و در نتیجه خطر بزرگی برای ساکنان نایروبی ایجاد می‌کنند. با وجود خطرات بهداشتی، سازمان مدیریت منابع آب (WARMA) به افراد مجوزی برای برداشت آب از رودخانه به دلیل سطوح بالای آلودگی آن نمی دهد.

اجرای قانونی قوانین موجود زمین، بهداشت و محیط زیست باید به فعالیت های انسانی که باعث آلودگی رودخانه می شود پایان دهد. با این حال، در کوتاه مدت، گیاه پالایی خاک ها را می توان برای مدیریت سمیت خاک انجام داد.

مدل جنگل تصادفی نتایج رضایت بخشی در پیش بینی توزیع فلزات سنگین در خاک به دست داد. با این حال، اگر وضوح فضایی متغیرهای مختلف افزایش یابد و از طریق افزودن متغیرهای پیش‌بینی‌کننده بیشتر، مدل را می‌توان بیشتر بهبود بخشید. همچنین جالب است که تعیین کنیم دیگر الگوریتم‌های یادگیری ماشینی مانند PCA، Cubist و SVM چگونه با Random Forest در پیش‌بینی فلزات سنگین خاک مقایسه می‌شوند. در نهایت، تحقیقات بیشتری باید در امتداد رودخانه نایروبی در مورد توزیع سایر فلزات سنگین بالقوه مانند جیوه، آرسنیک، کروم و مس انجام شود.

منابع

[ 1 ] Omari، JN، Mutwiwa، UN و Mailutha، JT (2016) وضعیت فعلی و مدیریت زباله های الکترونیکی در شهرستان نایروبی کنیا. مجله پژوهش های پایدار در مهندسی، 3، 22-28.
[ 2 ] گروه بانک جهانی (2018) زباله جامد شهری.
[ 3 ] Bello, IA, Norshafiq, M. and Kabbashi, NA (2016) مدیریت زباله جامد در آفریقا: مروری. مجله بین المللی منابع زباله، 6، 4-7.
https://doi.org/10.4172/2252-5211.1000216
[ 4 ] Takeuchi, N. (2019) نتایج تمرین جمع آوری داده SDG 11.6.1. نایروبی
[ 5 ] Adekunle, J., Oyekunle, O., Ogunfowokan, AO, Olutona, GO and Durosinmi, M. (2012) هیدرولوژی برای مدیریت بلایا فلزات کل و قابل تعویض در آبهای زیرزمینی Ile-Ife, جنوب غربی نیجریه. انتشارات ویژه انجمن نیجریه علوم هیدرولوژیکی، 208-223.
[ 6 ] Lamine, S., Petropoulos, GP, Brewer, PA, Bachari, NE, Srivastava, PK, Manevski, K., Kalaitzidis, C. and Macklin, MG (2019) تشخیص آلودگی خاک با فلزات سنگین با استفاده از ترکیب ژئوشیمی و میدانی در طیف رادیومتری انگلستان. سنسورها، 19، 762.
https://doi.org/10.3390/s19040762
[ 7 ] Sridhar, BBM, Vincent, RK, Roberts, SJ and Czajkowski, K. (2011) سنجش از دور تنش سویا به عنوان شاخصی از غلظت شیمیایی خاکهای سطحی اصلاح شده بیوسولید. مجله بین المللی مشاهده کاربردی زمین و اطلاعات جغرافیایی، 13، 676-681.
https://doi.org/10.1016/j.jag.2011.04.005
[ 8 ] Ashfaque, F., Sahay, S., Islamia, JM and Iqbal, S. (2016) تأثیر سمیت فلزات سنگین بر رشد گیاه، متابولیسم و ​​کاهش آن توسط گیاه پالایی – یک فناوری امیدوارکننده. مجله بین المللی تحقیقات کشاورزی و اکولوژی، 6، 1-19.
https://doi.org/10.9734/JAERI/2016/23543
[ 9 ] Verrelst، J.، و همکاران. (2011) ارزیابی نوارهای لبه قرمز Sentinel-2 برای تخمین تجربی LAI سبز و محتوای کلروفیل. سنسورها، 11، 7063-7081.
https://doi.org/10.3390/s110707063
[ 10 ] Sampson, PH, Zarcotejada, PJ, Mohammed, GH, Miller, JR and Noland, TL (2002) سنجش از دور فراطیفی وضعیت جنگل: تخمین محتوای کلروفیل در چوبهای سخت متحمل. علوم جنگل، 49، 381-391.
[ 11 ] Liu, M., Liu, X., Zhang, B. and Ding, C. (2016) آلودگی فلزات سنگین منطقه ای در محصولات با ادغام تغییرپذیری عملکرد فیزیولوژیکی با پایداری مکانی-زمانی با استفاده از سنجش از دور حرارتی چند زمانی. مجله بین المللی مشاهده کاربردی زمین و اطلاعات جغرافیایی، 51، 91-102.
https://doi.org/10.1016/j.jag.2016.05.003
[ 12 ] Del, I., Sanches, A., Roberto, C., Filho, S. and Floyd, R. (2014) سنجش از دور طیفی تنش گیاه در سطوح برگ و تاج با استفاده از ویژگی جذب کلروفیل 680 نانومتر با حذف پیوسته. ISPRS مجله فتوگرامتری و سنجش از دور، 97، 111-122.
https://doi.org/10.1016/j.isprsjprs.2014.08.015
[ 13 ] Dockray, DNHHM, Barringerj, AR and Barber, J. (1983) اندازه‌گیری‌های لبه قرمز برای سنجش از دور محتوای آموزشی کلروفیل گیاهی. پیشرفت در تحقیقات فضایی، 3، 273-277.
https://doi.org/10.1016/0273-1177(83)90130-8
[ 14 ] Horler، DNH، Barber، J.، Darch، JP، Ferns، DC و Barringer، AR (1983) رویکردهایی برای تشخیص استرس ژئوشیمیایی در پوشش گیاهی. پیشرفت در تحقیقات فضایی، 3، 175-179.
https://doi.org/10.1016/0273-1177(83)90118-7
[ 15 ] Peng, Y., Kheir, RB, Adhikari, K., Malinowski, R. and Greve, MB (2016) نقشه برداری دیجیتالی فلزات سمی در خاک قطر با استفاده از سنجش از دور و داده های جانبی. سنجش از دور، 8، 1-19.
https://doi.org/10.3390/rs8121003
[ 16 ] لوئیس رودریگز لادو، HIR و Hengl، T. (2008) فلزات سنگین در خاک های اروپایی: تجزیه و تحلیل زمین آماری پایگاه داده ژئوشیمیایی FOREGS. ژئودرما، 148، 189-199.
https://doi.org/10.1016/j.geoderma.2008.09.020
[ 17 ] Lv, J. and Yan, Z. (2014) برآورد غلظت سرب در مناطق باطله معدن بر اساس طیف سنجی میدانی و ماشین بردار پشتیبان. سومین کنفرانس بین المللی آگروژئوانفورماتیک، پکن، 11-14 اوت 2014، 1-5.
https://doi.org/10.1109/Agro-Geoinformatics.2014.6910568
[ 18 ] Grunwald, S., Vasques, GM and Rivero, RG (2014) ادغام خاک و داده های سنجش از دور برای مدل سازی خواص خاک. پیشرفت در زراعت، 131، 1-109.
https://doi.org/10.1016/bs.agron.2014.12.004
[ 19 ] بریمن، ال. (2001) جنگل های تصادفی. یادگیری ماشینی، 45، 5-32.
[ 20 ] Pal, M. (2005) طبقه بندی جنگل تصادفی برای طبقه بندی سنجش از دور. مجله بین المللی سنجش از دور، 26، 37-41.
https://doi.org/10.1080/01431160412331269698
[ 21 ] Xu, B. and Ye, Y. (2012) یک طبقه‌بندی تصادفی جنگلی بهبود یافته برای طبقه‌بندی تصویر. 2012 کنفرانس بین المللی اطلاعات و اتوماسیون، شنیانگ، 6-8 ژوئن 2012، 795-800.
https://doi.org/10.1109/ICInfA.2012.6246927
[ 22 ] Millard, K. and Richardson, M. (2015) در مورد اهمیت انتخاب نمونه داده های آموزشی در طبقه بندی تصاویر تصادفی جنگل: مطالعه موردی در نقشه برداری اکوسیستم Peatland. سنجش از دور، 7، 8489-8515.
https://doi.org/10.3390/rs70708489
[ 23 ] Nguyen, U., Glenn, EP, Duc, T. and Pham, LTH (2019) نقشه برداری از انواع پوشش گیاهی در مناطق ساحلی نیمه خشک با استفاده از روش جنگل تصادفی و تصویر مبتنی بر شی: مطالعه موردی اکوسیستم رودخانه کلرادو، گراند کانیون ، آریزونا انفورماتیک اکولوژیک، 50، 43-50.
https://doi.org/10.1016/j.ecoinf.2018.12.006
[ 24 ] بیلی، BN (2019) نقشه برداری از زیست توده روی زمین از چهار نوع گیاهی معمولی در تالاب های دریاچه پویانگ بر اساس مدل سازی تصادفی جنگل و تصاویر Landsat. مرزها در علوم گیاهی، 10، 1281.
https://doi.org/10.3389/fpls.2019.01281
[ 25 ] Du Kun Tan، Q.، Ma، WB و Wu، FY (2019) تخمین جنگل تصادفی مبتنی بر غلظت فلزات سنگین در خاک‌های کشاورزی با داده‌های حسگر فراطیفی. پایش و ارزیابی محیط زیست، 191، ماده 446.
[ 26 ] ماریانا بلژیو، LD (2016) جنگل تصادفی در سنجش از دور: مروری بر کاربردها و مسیرهای آینده. ISPRS مجله فتوگرامتری و سنجش از دور، 114، 24-31.
https://doi.org/10.1016/j.isprsjprs.2016.01.011
[ 27 ] پولادی، ن.، بیورن، ا.، طباطبایی، اس. و گریو، MH (2019) نقشه برداری محتوای ماده آلی خاک در سطح مزرعه با کوبیست، جنگل تصادفی و کریجینگ. ژئودرما، 342، 85-92.
https://doi.org/10.1016/j.geoderma.2019.02.019
[ 28 ] Wang, H., Yilihamu, Q., Yuan, M., Bai, H., Xu, H. and Wu, J. (2020) مدل های پیش بینی غلظت فلزات سنگین خاک (loid) برای زمین کشاورزی در Dongli: A مقایسه رگرسیون و جنگل تصادفی. شاخص های اکولوژیکی، 119، شناسه مقاله: 106801.
https://doi.org/10.1016/j.ecolind.2020.106801
[ 29 ] کیبت، جی (2017) وضعیت کیفیت آب در رودخانه نایروبی، کنیا.
[ 30 ] دفتر ملی آمار کنیا (2019) سرشماری نفوس و مسکن کنیا جلد اول: جمعیت بر اساس شهرستان و شهرستان، I.
[ 31 ] Theocharopoulos, SP, Wagner, G., Sprengart, J. and Mohr, M. (2001) راهنمای نمونه برداری خاک اروپا برای مطالعات آلودگی خاک. علم کل محیط زیست، 264، 51-62.
https://doi.org/10.1016/S0048-9697(00)00611-2
[ 32 ] امینی، ح.، شیندلر، سی، حسینی، وی و یونسیان، م. (2017) مدل های رگرسیون کاربری اراضی برای آلکیل بنزن ها در یک کلان شهر خاورمیانه: تهران مطالعه پیش بینی مواجهه برای تحقیقات بهداشت محیط (تهران SEPEHR).
https://doi.org/10.1289/isee.2017.2017-936
[ 33 ] Peng, Y., Xiong, X., Adhikari, K., Knadel, M. and Grunwald, S. (2015) مدلسازی کربن آلی خاک در مقیاس منطقه ای با ترکیب تصاویر چند طیفی با طیف های آزمایشگاهی. PLoS ONE, 10, e0142295.
https://doi.org/10.1371/journal.pone.0142295
[ 34 ] Clevers, JGPW (1991) کاربرد WDVI در تخمین LAI در مرحله تولید جو. ISPRS مجله فتوگرامتری و سنجش از دور، 46، 37-47.
https://doi.org/10.1016/0924-2716(91)90005-G
[ 35 ] Zhang, Z., Liu, M., Liu, X. and Zhou, G. (2018) یک شاخص گیاهی جدید بر اساس تصاویر چند زمانی Sentinel-2 برای افتراق سطوح استرس فلزات سنگین در برنج. Sensors, 18, 2172.
https://doi.org/10.3390/s18072172
[ 36 ] Malone، BP، Minasny، B. و McBratney، AB (2017) با استفاده از R برای نقشه برداری دیجیتالی خاک. انتشارات بین المللی اسپرینگر، سیدنی.
https://doi.org/10.1007/978-3-319-44327-0
[ 37 ] Brokamp, ​​C., Jandarov, R., Rao, MB, Lemasters, G. and Ryan, P. (2017) مدل‌های ارزیابی قرار گرفتن در معرض اجزای عنصری ذرات معلق در یک محیط شهری: مقایسه رگرسیون و رویکردهای تصادفی جنگل. محیط جوی، 151، 1-11.
https://doi.org/10.1016/j.atmosenv.2016.11.066
[ 38 ] Liaw, A. and Wiener, M. (2002) طبقه بندی و رگرسیون توسط جنگل تصادفی.
[ 39 ] FAO و WHO (2019) مقاله بحث در مورد توسعه یک آیین نامه عملکرد برای پیشگیری و کاهش آلودگی کادمیوم در کاکائو. کمیته کدکس برنامه استانداردهای غذایی مشترک FAO/WHO در مورد آلاینده‌ها در مواد غذایی سیزدهمین جلسه، شماره پیوست I.
[ 40 ] سازمان حفاظت از محیط زیست ایالات متحده (2007) چارچوب برای ارزیابی ریسک فلزات چارچوب برای ارزیابی ریسک فلزات.
[ 41 ] Wuana، RA و Okieimen، FE (2011) فلزات سنگین در خاک‌های آلوده: مروری بر منابع، شیمی، خطرات و بهترین استراتژی‌های موجود برای اصلاح. اعلامیه های پژوهشی بین المللی، 2011، شناسه مقاله: 402647.
https://doi.org/10.5402/2011/402647
[ 42 ] Xu, X., Zhao, Y., Zhao, X., Wang, Y. and Deng, W. (2014) منابع آلودگی فلزات سنگین در خاکهای کشاورزی یک منطقه به سرعت صنعتی در دلتای یانگ تسه چین. اکوتوکسیکولوژی و ایمنی محیطی، 108، 161-167.
https://doi.org/10.1016/j.ecoenv.2014.07.001

بدون دیدگاه

دیدگاهتان را بنویسید