侯光宇,鞠 然
(1.江苏新思维检测科技有限公司,江苏 徐州 221300;2.中林(贵州黎平)林业投资开发有限公司,贵州 黔东南苗族侗族自治州 557300)
在人工智能技术的加持下,我国的土壤污染治理工作呈现出明显的智能化、现代化发展趋势。相较于传统的土壤污染监测治理技术,人工智能技术在数据的搜集速度以及精准性方面都有着明显的优势,并且使得污染治理决策变得更加精准。随着现代人工智能技术的持续发展,在土壤污染和治理工作的多个领域中都得到了广泛的应用,使得相关部门能够在准确分析土壤污染具体原因的前提下,就土壤污染的发展趋势进行预测,并使用各种智能化设备进行处理,使得土壤污染监测治理工作能够达成既定的目标,有助于实现土壤环境保护目标。基于此,就土壤污染监测治理工作中人工智能技术的应用进行研究,为土壤污染监测治理工作的智能化发展提供参考。
现阶段,重金属污染已经成为我国土壤污染的主要类型,铅酸电池作为目前较为常见的一种能源,其中包含的铅、铬等重金属元素也会引发较为常见的土壤污染现象。这种污染物无法在自然环境中有效降解,自然流动性相对较差,并且这类重金属元素具有明显的毒性,会随着生物链持续在人体内堆积,从而危害到人们的身体健康。通常看来,重金属元素一般来自工业生产的废水以及污水,这类无机物质无法利用生物以及化学方法进行全方位处理,通常都会使用物理方法、生物吸收降解法、化学技术等多种方法对土壤中的重金属元素进行消解[1]。
在自然界中存在的各种病毒不仅会诱发人们的疾病,而且尚未经过处理的生物肥料、医院废水以及生物实验室泄漏这类问题,都很容易带来土壤的生物污染现象,这类污染物在传染性和致病性方面有着十分明显的优势。因为这些致病细菌以及病毒会长时间地在人畜活动空间内生存,分布较为广泛,无法全面消灭,目前通常是通过外来生物入侵预防以及检疫等多项工作进行处理。
土壤始终是我国农业生产发展不可或缺的基础元素,但在我国农业发展过程中,农药以及化肥的过量使用却带来了较为严重的土壤污染问题。我国作为世界上知名的农业大国,农药的年均使用数量能够达到50~60万吨,并且其中80%~90%的农药成分最终都会进入到土壤生态圈中,从而产生较大面积的土壤污染现象。此外,一些降解难度相对较大的洗涤剂或者是多环芳烃这类有机物,处理难度明显增加,通常来自农药喷洒以及化学品的生产和使用。
以人们最为熟知的切尔诺贝利事件为例,在核电站泄漏之后,各种放射性因素同样会进入到土壤中。日本核电站将核废水排向大海,在57天内将会污染半个太平洋,10年后将蔓延到全球海域,这些放射性元素必须通过自然衰变成为稳定元素之后才能够消除,但这些放射性元素的衰变周期明显较长,在通过雨水进入土壤之后,不仅会持续危害人们的身体健康,甚至会通过生物链诱发各种疾病。
以现阶段土壤污染治理监测工作的实际经验来看,诱发土壤污染的物质类型以及数量变得更加多样,这也代表土壤污染监测以及治理工作需要在第一时间内发现诱发土壤污染的主要污染物,并分析具体的成因,以此为基础形成针对性的解决措施[2]。人工智能技术的应用意味着相关部门可以引入现代化智能设备,并在固定的区域内合理布局,确保24小时针对土壤的相关数据进行全方位监测,并与已有的土壤环境数据进行对比,以此帮助相关人员第一时间发现土壤污染现象,从而作出正确的决策,拥有明显的及时性优势。
目前重金属、农药化肥、生物以及放射性物质都是诱发土壤污染的主要因素,因为这些污染物在性质方面存在明显的差异,意味着需要使用的处理方法也存在明显的不同。在当下土壤污染现象十分常见,并且污染物种类逐渐增加的背景下,土壤污染治理监测工作的成本明显增加,在各级政府地方财政资金有限的状况下,无法针对土壤污染现象及时进行处理。人工智能技术的应用,可以利用较少的人力,在引入各种信息技术以及智能化设备的前提下及时进行监测,根据后台的相关数据以及信息制定针对性的解决方案,避免出现人力、物力、财力的大量浪费,有着明显的经济性优势。
土壤污染并非是一种静态事件,而是随着经济社会的发展以及土壤污染治理工作的进展而动态变化的。人工智能技术在土壤污染监测中的应用意味着相关部门能够就土壤污染的实际状况全方位进行分析,以便在掌握现有污染物种类以及实际污染状况的前提下形成针对性的解决对策。同时,在土壤污染治理措施实施之后,相关部门也可以就土壤污染的变化状况进行研究,结合土壤环境恢复的实际状况,针对土壤环境污染治理工作进行调整,使得土壤污染监测治理工作有着明显的发展性优势。
土壤污染监测治理工作的最终目标是帮助相关部门对土壤污染源进行有效控制,并阻断土壤污染持续扩张的途径,而这便要求相关部门对于土壤污染的源头进行准确追溯,这也是我国土壤污染防治工作的核心内容。现如今,人工智能技术在土壤污染监测中的应用,使得相关专家学者能够借此对诱发土壤污染现象的实际原因进行深入分析。决策树和随机森林作为人工智能技术体系中较为常见的一类算法,可以就变量对于结果预测的重要程度进行全方位评估,通常能够针对不同污染因素带来的污染影响进行探讨,以此为基础帮助相关人员就土壤污染的主要来源进行分析。以现阶段我国人工智能技术的发展来看,部分专家学者是以条件推断数分割变量优先次序为基础针对土壤重金属含量的相关影响因素进行分析,并且最终得出土壤中的Cd、Zn、Cu这类重金属污染元素会受到人为因素的主要影响,而As和Ni这类金属则明显受到自然因素影响。此外,在土壤污染成因分析的过程中,也可以选择分类回归数这一基础算法建立相应的模型,以此就土壤污染来源进行全方位研究和分析。在机器学习算法深入发展的背景下,之前单一的决策树方法因为存在较为明显的过拟合现象,加之泛化性能较差,使得应用频率逐渐下降,随机森林这类集成算法已经成为目前土壤污染治理工作中,土壤污染成因分析所使用的主要人工智能技术。此外,机器学习算法也能在土壤污染监测治理工作中针对不同污染物之间的关联以及聚类关系进行全方位分析,确保相关人员能够推断土壤污染的主要贡献源头。
在自然界中,土壤是不可或缺的碳储库,相较于生物质以及大气中的碳储量,土壤的碳储量超过二者4倍。随着全球范围内对于碳循环的关注度不断提高,土壤有机碳的空间分布也成为当下土壤污染监测治理工作的重点内容。在人工智能早期的发展阶段中,因为受制于当时机器学习算法、数据量以及硬件算力等多种因素的限制,用于土壤有机碳预测的算法整体较为简便,通常以决策树、浅层神经网络、遗传算法和神经网络组合为主。神经网络、随机森林和其他算法的组合因为其操作十分简便,能够满足绝大部分状况下的预测需求,已经在当下的土壤有机碳预测工作中广泛应用。随着数据量的持续增加,硬件设备也在不断更新,算法逐渐发展,在土壤有机碳预测过程中,深度学习的应用变得越发普遍。人工智能技术中的卷积神经网络因为能够对邻域空间要素的相关关系进行全方位提取,相较于传统的机器学习方法,在有机碳的空间分布预测方面有着明显的优势。除了土壤中的有机碳预测之外,有关土壤中的氮含量、pH值和微生物指标同样也会使用人工智能技术进行分析,目前可以利用随机森林就土壤胞外酶的活性进行预测,并且结合不同用地类型的土壤水含量、总氮、总磷这类要素进行分析以及预测,最终得出的结果与传统的多元线性回归方法相比有着明显的提升。
在早期粗放型工业发展模式的影响下,土壤污染现象变得越发严重,即便我国政府部门更加关注土壤的污染监测治理以及工业的转型发展,但土壤重金属污染问题依旧存在,对人们的健康生活以及经济社会的发展均产生了明显的影响。在最初的土壤污染监测治理工作中,有关重金属方面的预测是以多元线性回归、地统计插值这类方法为主,但因为重金属元素的空间分布存在明显的非线性特征,意味着传统方法无法全面发挥其预测能力。人工智能技术始终是以机器学习作为核心,能够就不同变量之间的关联关系进行全方位提取以及分析,正因如此,在重金属元素总量分布较大、影响因素较为复杂的状况下,相较于传统的理论模型,人工智能的预测效果变得更加明显。以当下种类繁多的机器学习模型发展来看,神经网络和随机森林在原理清晰、操作便捷以及模型实现可行性等方面都有着明显的优势,得以在土壤重金属元素污染预测中广泛应用。除了人工神经网络以及随机森林之外,目前人工智能技术中的决策树和贝叶斯算法同样也在土壤的重金属预测中广泛应用,与之相对应的算法模型也在不断扩张,并且预测的土壤污染物类型变得更加多样。
在相关部门利用人工智能技术对土壤污染的成因及污染发展程度进行全方位预估和分析后,需要及时进行处置。随着现代科学技术的持续发展,用于土壤污染的设备在人工智能技术的加持下也变得更加多样。土壤稳定化修复设备能够针对存在重金属污染现象的土壤进行自动上料、精准检测,并结合最终的检测结果添加针对性的药剂,确保污染土壤能够和药剂全面混合,在降低相关人员工作压力的同时,确保受到污染的土壤能够通过一次性操作进行修复。这种基于人工智能技术形成的土壤稳定化修复设备,配备了自动控制液压抓斗上料机,能够根据土壤污染的处理需求,真正做到实时进料,并且能够利用压实后等密这类方法针对土壤和药液的体积进行测量,在分析土壤自身密度的前提下,就需要处理的土壤质量进行全方位分析。这种设备同样配备了自动传送投料机,其中的称重模块能够有效验证和确认等待修复的土壤,并且在人工智能技术的加持下,能够针对污染土壤第一时间进行取样以及精准分析,以此为基础形成相应的大数据库终端,为后续药剂添加提供必要的数据支持,使得药剂的利用率以及土壤修复的质量明显提高,并且能够避免出现药剂浪费的现象,规避因此带来的二次环境污染问题。
现如今,在土壤污染监测治理工作中,人工智能技术与大数据等现代技术成果的联合使用为污染治理工作提供了全新的思路以及技术方法。但总体来看,始终面临着如下几方面的问题:一是数据孤岛问题。与土壤重金属污染监测治理相关的数据涉及范围较为广泛,通常会保存在不同的组织以及部门中,发达国家因为已经建立了与数据共享相关的平台以及制度,数据互通程度较高。但我国各部门之间尚未形成完善的数据共享通道,对数据的时效性产生明显的影响,数据获取的成本明显增加,不利于土壤污染监测治理工作的有效实施。二是模型的黑箱问题。就目前土壤污染监测治理工作的发展来看,在数据挖掘方面依旧是以数据驱动的算法为主,单纯关注相关关系的分析,并未就因果关系进行全方位解释,以深度学习为代表的现代化技术算法多为黑箱,无法将最终形成的数据挖掘成果提炼成相应的理论知识,并且这些黑箱属性的存在意味着预测结果的可靠性无法得到保障。
针对目前土壤污染监测治理工作中,人工智能技术应用面临的数据孤岛以及模型黑箱问题需要从如下两个方面入手解决:一是建立统一的感知设备以及模型。在目前土壤污染监测治理工作中,平台的相关数据都来源于不同的感知设备或者是传感器。在平台建立的初期阶段,需要相关部门以污染防治计划为基础形成相应的平台模型,获取不同地区的土壤污染数据,确保相关数据能够在有效满足智能平台数据处理分析需求的前提下,由相关部门进行综合分析以及研究,在实现数据高效互通、互享的同时,确保各项土壤数据能够有效利用,为土壤污染监测治理工作提供必要的数据支持。二是人工智能土壤污染治理算法的研究。目前诱发土壤污染现象的物质有着明显的多元化发展趋势,在当下各种单一算法优劣势较为明显的状况下,相关部门需要促进各种智能化算法的有效开发。比如,西方发达国家已经选择利用蛋白结构AI预测算法就100万个物种的一亿种蛋白质结构进行预测,基本已经包括了目前地球已知的蛋白质。我国可以以此为借鉴开发人工智能预测算法,对有机物质、无机物质以及微生物在土壤污染方面的治理前景进行全方位预测,通过模拟试验进一步提高土壤污染治理效率。
总而言之,在土壤污染监测治理工作中,人工智能技术的应用使得相关设备能够具备人类的思维能力,针对土壤污染现象全方位进行监测,在收集对应数据的前提下为相关部门做出正确的决策提供数据支持。此外,人工智能算法也可以通过深度学习就目前人类尚未掌握的各种土壤污染规律进行深入探索。故此,我国相关部门需要在持续深化土壤污染算法研发力度的同时,建立统一的数据平台,实现各部门之间的数据共享,第一时间掌握土壤污染现象的发展状况,根据数据变化制定出相应的治理对策,以此提高我国的土壤环境质量。