Построение прогноза накопления ¹³⁷Cs древесными растениями и сельскохозяйственными культурами с использованием метода решающих деревьев

Изучены закономерности накопления ¹³⁷Cs в стволовой древесине сосновых насаждений и в урожае сельскохозяйственных культур с использованием метода градиентного бустинга на решающих деревьях и SHAP-анализа. Для сосновых насаждений в зоне отчуждения Чернобыльской АЭС выявлена нелинейная связь коэффициента перехода с высотой над уровнем моря, а также с вегетационными индексами, указывающими на общее состояние насаждений, их биологическую продуктивность и обеспеченность калием. В агроэкосистемах на территории Гомельской и Могилевской областей подтверждено влияние на коэффициент перехода вида растения и концентрации K⁺ в почвенном растворе. Использование интерпретируемого метода машинного обучения позволило определить характер влияния дефицита почвенной влаги на накопление ¹³⁷Cs сельскохозяйственными растениями, а также показать сохранение вклада трансфолиарного поступления радионуклида при низких уровнях загрязнения почвы на этапе отдаленных последствий радиоактивных выпадений. Применение метода градиентного бустинга на решающих деревьях и интерпретация модели с помощью SHAP-анализа обеспечили более глубокое понимание сложных взаимосвязей факторов, влияющих на поступление ¹³⁷Cs в растения, что открывает перспективы для повышения точности прогноза загрязнения растительных ресурсов радионуклидами.

1. Debeljak, M. Decision trees in ecological modelling / M. Debeljak, S. Džeroski // Modelling complex ecological dynamics: An introduction into ecological modelling for students, teachers & scientists / ed.: F. Jopp [et al.]. – Heidelberg, 2011. – P. 197–209.

2. Zhang, B. Modelling the productivity of naturalised pasture in the North Island, New Zealand: a decision tree approach / B. Zhang, I. Valentine, P. Kemp // Ecol. Modelling. – 2005. – Vol. 186, N 3. – P. 299–311. https://doi.org/10.1016/j.ecolmodel.2004.12.016

3. Prediction of phytoplankton biomass and identification of key influencing factors using interpretable machine learning models / Y. Xu [et al.] // Ecolog. Indicators. – 2024. – Vol. 158. – Art. 111320. https://doi.org/10.1016/j.ecolind.2023.111320

4. Prediction and analysis of net ecosystem carbon exchange based on gradient boosting regression and random forest / J. Cai [et al.] // Appl. Energy. – 2020. – Vol. 262. – Art. 114566. https://doi.org/10.1016/j.apenergy.2020.114566

5. Predictive models for the effect of environmental factors on the abundance of vibrio parahaemolyticus in oyster farms in taiwan using extreme gradient boosting / N. Ndraha [et al.] // Food Control. – 2021. – Vol. 130. – Art. 108353. https://doi.org/10.1016/j.foodcont.2021.108353

6. Golden, C. E. Comparison between random forest and gradient boosting machine methods for predicting Listeria spp. prevalence in the environment of pastured poultry farms / C. E. Golden, M. J. Rothrock, A. Mishra // Food Res. Int. – 2019. – Vol. 122. – P. 47–55. https://doi.org/10.1016/j.foodres.2019.03.062

7. Techniques to improve ecological interpretability of black-box machine learning models / T. Welchowski [et al.] // J. Ag., Biol. Envir. St. – 2021. – Vol. 27, N 1. – P. 175–197. https://doi.org/10.1007/s13253-021-00479-7

8. Konoplev, A. Mobility and bioavailability of the Chernobyl-derived radionuclides in soil-water environment: Review / A. Konoplev // Behavior of radionuclides in the environment II: Chernobyl / ed. by A. Konoplev, K. Kato, S. N. Kalmykov. – Singapore, 2020. – P. 157–193. https://doi.org/10.1007/978-981-15-3568-0_3

9. Мирошников, В. Справочник таксатора / В. Мирошников, О. Труль, В. Ермаков. ‒ Минск: Ураджай, 1980. – 359 с.

10. Радиационный контроль. Обследование лесосек. Порядок проведения: ТКП 239.2010 (02080). Введ. 01.06.2010 / М-во лесн. хоз-ва Респ. Беларусь. – Минск: М-во лесн. хоз-ва Респ. Беларусь, 2010. – 22 с.

11. Практикум по агрохимии: учеб. пособие / О. А. Амельянчик [и др.]; под ред. В. Минеева. ‒ 2-е изд., перераб. и доп. – М.: Изд-во МГУ, 2001. – 689 с.

12. Gilmore, G. R. Practical gamma-ray spectrometry / G. R. Gilmore. ‒ 2nd ed. – John Wiley & Sons, 2008. – 387 p.

13. Tarsitano, D. Evaluating and reducing a model of radiocaesium soil-plant uptake / D. Tarsitano, S. Young, N. Crout // J. Environ. Radioactiv. – 2011. – Vol. 102, N 3. – P. 262–269. https://doi.org/10.1016/j.jenvrad.2010.11.017

14. Deriving probabilistic soil distribution coefficients (Kd). Part 2: Reducing caesium Kd uncertainty by accounting for experimental approach and soil properties / Ramírez-Guinart O. [et al.] // J. Environ. Radioactiv. – 2020. – Vol. 223–224. – Art. 106407. https://doi.org/10.1016/j.jenvrad.2020.106407

15. Sheppard, S. C. Robust prediction of Kd from soil properties for environmental assessment / S. C. Sheppard // Hum. Ecol. Risk Assess. – 2011. – Vol. 17, N 1. – P. 263–279. https://doi.org/10.1016/j.jenvrad.2020.106407

16. Sentinel-2: ESA’s optical high-resolution mission for GMES operational services / M. Drusch [et al.] // Remote Sensing Environ. – 2012. – Vol. 120. – P. 25–36. https://doi.org/10.1016/j.rse.2011.11.026

17. ALOS World 3D 30-meter DEM. V3.2 [Electronic resource] / JAEA 2021. – Mode of access: https://doi.org/10.5069/G94M92HB. – Date of access: 17.11.2021.

18. Version 4 of the SMAP level‐4 soil moisture algorithm and data product / R. H. Reichle [et al.] // J. Adv. Model. Earth Syst. – 2019. – Vol. 11, N 10. – P. 3106–3130. https://doi.org/10.1029/2019MS001729

19. Lightgbm: A highly efficient gradient boosting decision tree [Electronic resource] / G. Ke [et al.] // Advances in Neural Information Processing Systems 30 (NIPS 2017) / ed. by I. Guyon [et al.]. – Mode of access: https://proceedings.neurips.cc/paper_files/paper/2017/file/6449f44a102fde848669bdd9eb6b76fa-Paper.pdf. – Date of access: 31.05.2024.

20. Snoek, J. Practical bayesian optimization of machine learning algorithms [Electronic resource] / J. Snoek, H. Larochelle, R. P. Adams // Proceedings of the 25th International conference on neural information processing systems: in 2 vol. – Lake Tahoe, Nevada: Curran Associates Inc., 2012. – Vol. 2. – P. 2951–2959. Mode of access: https://dl.acm.org/doi/10.5555/2999325.2999464. – Date of access: 31.05.2024.

21. Explainable machine-learning predictions for the prevention of hypoxaemia during surgery / S. M. Lundberg [et al.] // Nat. Biomed. Engin. – 2018. – Vol. 2, N 10. – P. 749–760. https://doi.org/10.1038/s41551-018-0304-0

22. From local explanations to global understanding with explainable AI for trees / S. M. Lundberg [et al.] // Nat. Machine Intel. – 2020. – Vol. 2, N 1. – P. 56–67. https://doi.org/10.1038/s42256-019-0138-9

23. Анализ возможности использования спутниковых данных для прогноза параметров перехода радиоактивных изотопов цезия из почвы в древесные растения / А. Н. Никитин А. [и др.] // Восьмой белорусский космический конгресс: материалы, 25‒27 окт. 2022 г., г. Минск: в 2 т. / науч. ред.: С. В. Кругликов, И. В. Филипченко. – Минск, 2022. – Т. 1. – С. 245–249.

24. The high affinity K+ transporter AtHAK5 plays a physiological role in planta at very low K+ concentrations and provides a caesium uptake pathway in arabidopsis / Z. Qi [et al.] // J. Exp. Bot. – 2008. – Vol. 59, N 3. – P. 595–607. https://doi.org/10.1093/jxb/erm330

25. Экспериментальная оценка влияния режима увлажнения почвы на накопление 137Cs побегами яровой пшеницы / А. Н. Никитин [и др.] // Вес. Нац. акад. навук Беларусі. Сер. біял. навук. – 2020. – Т. 65, № 2. – P. 229–238.

26. Nikitin, A. N. Impact of soil moisture on cesium uptake by plants: Model assessment / A. N. Nikitin // J. Environ. Radioactiv. – 2021. – Vol. 240. – Art. 106754. https://doi.org/10.1016/j.jenvrad.2021.106754

27. Smolders, E. Concentrations of 137Cs and K in soil solution predict the plant availability of 137Cs in soils / E. Smolders, K. Van den Brande, R. Merckx // Environ. Sci. Technol. – 1997. – Vol. 31, N 12. – P. 3432–3438. https://doi.org/10.1021/es970113r