Land-use regression model to assess spatial variation of topsoil pollution in Tarko-Sale

Е. M. Baglaeva; Баглаева Е. М.; A. G. Buevich; Буевич А. Г.; A. V. Shichkin; Шичкин А. В.; A. P. Sergeev; Сергеев А. П.; A. S. Butorova; Буторова А. С.

doi:10.31857/S0869780925010097

Гибридное моделирование на основе LUR подхода вариаций распределения тяжелых металлов в верхнем слое почвы на примере г. Тарко-Сале

Авторы: Баглаева Е.М.¹, Буевич А.Г.¹, Шичкин А.В.¹, Сергеев А.П.¹, Буторова А.С.¹
Учреждения:
1. Институт промышленной экологии Уральского отделения Российской академии наук (ИПЭ УрО РАН)
Выпуск: № 1 (2025)
Страницы: 87-96
Раздел: МЕТОДОЛОГИЯ И МЕТОДИКА ИССЛЕДОВАНИЙ
URL: https://journals.eco-vector.com/0869-7809/article/view/684729
DOI: https://doi.org/10.31857/S0869780925010097
EDN: https://elibrary.ru/DOFNYZ
ID: 684729

Цитировать

Полный текст

Открытый доступ
Доступ закрыт

Доступ предоставлен
Доступ закрыт

Доступ платный или только для подписчиков

Аннотация
Полный текст
Об авторах
Список литературы
Дополнительные файлы
Статистика

Аннотация

Для оценки вариаций пространственного загрязнения тяжелыми металлами верхнего слоя городской почвы использована гибридная модель Land Use Regression (LUR) и регрессионный кригинг (RK). Модель построена на основе данных мониторинга содержания никеля и марганца в верхнем слое почвы арктического г. Тарко-Сале. Предложенный LUR и RK метод моделирования загрязнения автотранспортом верхнего слоя почвы может быть использован для любой территории. Применение RK улучшает точность LUR модели: корреляция тестового и предсказанного наборов увеличилась на 7% для никеля и на 17% для марганца, а относительная среднеквадратическая ошибка RRMSE уменьшалась на 10% для обоих элементов. Результаты гибридного моделирования LUR с регрессионным кригингом позволили определить, что распределение марганца и никеля в верхнем слое почвы города не зависит от автотранспорта. Это свидетельствует о природном происхождении марганца и никеля в городской почве в отсутствие других источников загрязнения. Последовательное включение различных источников загрязнения в модель LUR является способом оценки вклада каждого из выбранных источников в загрязнение выбранным элементом.

Ключевые слова

тяжелые металлы, верхний слой почвы, LUR (land use regression), пространственное распределение, гибридное моделирование

Полный текст

Список литературы

Антропов К.М., Вараксин А.Н. Оценка загрязнения атмосферного воздуха г. Екатеринбурга диоксидом азота методом Land Use Regression // Экологические системы и приборы. 2011. №8. C. 47–54.
Буевич А.Г., Сафина А.М., Сергеев А.П. и др. Анализ статистических зависимостей распределения загрязняющих веществ в поверхностном слое почвы урбанизированных территорий с применением математических моделей (LUR метод) // Геоэкология. 2015. №3. С. 268–279.
Медведев А.Н., Медведев М.А. О применении подхода Land Use Regression для моделирования площадного загрязнения снега при малом количестве точек наблюдения // XI Междунар. конф. «Российские регионы в фокусе перемен». Екатеринбург, 17–19 ноября 2016 г.: сб. докладов. Екатеринбург: Издательство УМЦ УПИ, 2016. Ч. 1. С. 487–494.
Сергеев А.П., Баглаева Е.М., Субботина И.Е. Загрязнение почв города Тарко-Сале тяжелыми металлами // Геоэкология. 2014. №1. С. 28–36.
Aguilera I., Sunyer J., Fernandez-Patier R., Hoek G. et al. Estimation of outdoor NOx, NO2 and BTEX exposure in a cohort of pregnant women using land use regression modeling // Environ. Sci. Technol. 2008. V. 42. P. 815–821.
Brauer M., Hoek G., van Vliet P., Meliefste K. et al. Estimating long-term average particulate air pollution concentrations: application of traffic indicators and geographic information systems // Epidemiology. 2003. V. 14. P. 228–239.
Briggs D.J., de Hoogh C., Gulliver J., Wills J. et al. A regression-based method for mapping trafficrelated air pollution: application and testing in four contrasting urban environments // Sci. Total. Environ. 2000. V. 253(1–3). P. 151–167.
Carr D., von Ehrenstein O., Weiland S., Wagner C. et al. Modeling annual benzene, toluene, NO2, and soot concentrations on the basis of road traffic characteristics // Environ. Res. 2002. V. 90. P. 111–118.
Hoek G., Beelen R., de Hoogh K., Vienneaue D. et al. A review of land-use regression models to assess spatial variation of outdoor air pollution // Atmos. Environ. 2008. V. 36. P. 4077–4088.
Kashima S., Yorifuji T., Tsuda T., Doi H. Application of land use regression to regulatory air quality data in Japan // Sci Total Environ. 2009. V. 407(8). P. 3055–3062.
Liu Y., Song S., Bi C., Zhao J., Xi, D., Su Z. Occurrence, Distribution and Risk Assessment of Mercury in Multimedia of Soil-Dust-Plants in Shanghai, China // Int. J. Environ. Res. Public Health. 2019. V. 16. 3028. https://doi.org/10.3390/ijerph16173028
Moore D.K., Jerrett M., Mack W.J., Kunzli N. A land use regression model for predicting ambient fine particulate matter across Los Angeles, CA // J. Environ. Monitor. 2007. V. 9. P. 246–252.
Ross Z., English P.B., Scalf R., Gunier R. et al. Nitrogen dioxide prediction in Southern California using land use regression modeling: potential for environmental health analyses // J. Expo. Sci. Environ. Epidemiol. 2006. V. 16. P. 106–114.
Smith L., Mukerjee S., Gonzales M., Stallings C. et al. Use of GIS and ancillary variables to predict volatile organic compound and nitrogen dioxide levels at unmonitored locations // Atmos. Environ. 2006. V. 40. P. 3773–3787.
Stedman J., Vincent K., Campbell G., Goodwin J., Downing C. New high resolution maps of estimated background ambient NOx and NO2 concentrations in the U.K. // Atmos. Environ. 1997. V. 31. P. 3591–3602.
Taylor K. Summarizing multiple aspects of model performance in a single diagram // J. Geophys. Res. 2001. V. 106. P. 7183–7192. https://doi.org/10.1029/2000JD900719