view in publisher's site

Estimating the amount of cadmium and lead in the polluted soil using artificial intelligence models

Contamination issues especially heavy metals such as cadmium (Cd) and lead (Pb) are currently considered as one of the most important and unsolved issues, which are directly connected with human and environmental health. Hence, its accurate estimation is of vital importance in the agricultural and environmental engineering. In this study, lead and cadmium were estimated from readily measurable soil data namely, clay, organic carbon (O.C.), pH, phosphorus (P), and total nitrogen (T.N.) using the multiple linear regression (MLR), artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS) models. For this purpose, 250 soil samples collected in the Province of Gilan in Iran were used to train and test the above-mentioned models. For the assessment models, the statistical parameters such as the coefficient of determination (R2), mean absolute error (MAE), and root mean square error (RMSE) were used. The results showed that the ANN model with the RMSE of 1.04 and 0.23 outperforms the ANFIS model with the RMSE of 2.56 and 1.27 for the cadmium and lead, respectively. Finally, the results of the sensitivity analyses showed that the organic carbon and phosphorus have the most and least significant effects on the estimation of lead and cadmium parameters, respectively.

برآورد میزان کادمیم و سرب در خاک آلوده با استفاده از مدل‌های هوش مصنوعی

مسائل مربوط به آلودگی به ویژه فلزات سنگین مانند کادمیم (Cd)و سرب (Pb)در حال حاضر به عنوان یکی از مهم‌ترین و حل‌نشده ترین مسائل در نظر گرفته می‌شوند که به طور مستقیم با سلامت انسان و محیط‌زیست در ارتباط هستند. از این رو، برآورد دقیق آن در مهندسی کشاورزی و محیط‌زیست از اهمیت حیاتی برخوردار است. در این مطالعه، سرب و کادمیم از داده‌های خاک به آسانی قابل‌اندازه‌گیری یعنی رس، کربن آلی (O.C.)، pH، فسفر (P)و نیتروژن کل (T N)با استفاده از رگرسیون خطی چندگانه (MLR)، شبکه عصبی مصنوعی (ANN)و مدل‌های سیستم استنباط عصبی - فازی تطبیقی (ANFIS)برآورد شدند. بدین منظور از ۲۵۰ نمونه خاک جمع‌آوری‌شده در استان گیلان در ایران برای آموزش و آزمایش مدل‌های ذکر شده در بالا استفاده شد. برای مدل‌های ارزیابی، پارامترهای آماری مانند ضریب تعیین (R۲)، میانگین مطلق خطا (MAE)و ریشه میانگین مربعات خطا (RMSE)مورد استفاده قرار گرفتند. نتایج نشان داد که مدل ANN با RMSE برابر ۱.۰۴ و ۰.۲۳ نسبت به مدل ANFIS با RMSE برابر ۲.۵۶ و ۱.۲۷ برای کادمیم و سرب بهتر عمل می‌کند. در نهایت، نتایج آنالیز حساسیت نشان داد که کربن آلی و فسفر به ترتیب بیش‌ترین و کم‌ترین تاثیر را در برآورد پارامترهای سرب و کادمیم دارند.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Civil and Structural Engineering
  • ترجمه مقاله Civil and Structural Engineering
  • مقاله مهندسی عمران و طراحی ساختار
  • ترجمه مقاله مهندسی عمران و طراحی ساختار
  • مقاله Environmental Engineering
  • ترجمه مقاله Environmental Engineering
  • مقاله مهندسی محیط‌ زیست
  • ترجمه مقاله مهندسی محیط‌ زیست
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.