用于评估土壤和地下水污染场地关闭时间框架的机器学习算法
机器学习
2024-11-20 v2 数值分析
数值分析
摘要
监测自然衰减（MNA）因其成本效益高且对环境干扰最小，正成为管理土壤和地下水污染的有效方法。尽管有益处，MNA 仍需要大量地下水监测以确保污染物水平下降至符合安全标准。本研究通过引入新算法扩展了 PyLEnM（一个用于长期环境监测的 Python 包）的能力，以增强其预测和分析功能。我们引入了使用线性回归估算 Sr-90 和 I-129 等污染物达到法规安全标准所需时间框架的方法，并利用双向长短期记忆（Bi-LSTM）网络预测未来污染物水平。此外，采用随机森林回归识别影响达到安全标准时间的因素。我们利用萨凡纳河场地（SRS）F 区的数据演示了这些方法，初步发现显示污染物水平呈显著下降趋势，其变异性与初始浓度和地下水流动力学有关。Bi-LSTM 模型有效预测了未来四年的污染物浓度，展示了先进时间序列分析改进 MNA 策略并减少对人工地下水采样依赖的潜力。代码及其使用说明、验证和要求可在以下网址获取：https://github.com/csplevuanh/pylenm_extension。
引用
@article{arxiv.2411.10214,
title = {Machine Learning Algorithms to Assess Site Closure Time Frames for Soil and Groundwater Contamination},
author = {Vu-Anh Le and Haruko Murakami Wainwright and Hansell Gonzalez-Raymat and Carol Eddy-Dilek},
journal= {arXiv preprint arXiv:2411.10214},
year = {2024}
}
备注
The paper will be withdrawn to fix some work issues with the sections on Bi-LSTM models