Contaminación ambiental
Volumen 314,
1 diciembre 2022
, 120227
Los enlaces de autor abren el panel de superposición, ,
Abstracto
La exposición a partículas suspendidas (PM), que se encuentran en el aire, es uno de los problemas ambientales más agudos que afectan la salud de la sociedad moderna. Entre los diferentes contaminantes atmosféricos, los metales pesados (HM) cobran especial relevancia debido a que se bioacumulan perjudicando las funciones de los seres vivos. Este estudio tuvo como objetivo establecer un método para predecir las concentraciones de metales pesados en las hojas y el polvo de las carreteras, a través de la medición de sus propiedades magnéticas. Para este propósito, el aprendizaje automático, la regresión lineal automática (MLR) ymáquinas de vectores soporte(SVM) se utilizaron para establecer modelos para la predicción de metales pesados en el aire basados en las propiedades magnéticas de las hojas y el polvo de la carretera. Muestras de polvo de carretera y hojas de dos especies comunes de hoja perenne (Cupressus lusitanica/Casuarina equisetifolia) fueron muestreados simultáneamente durante dos años diferentes en la Gran Área Metropolitana (GMA) de Costa Rica. Se usaron algoritmos MLR y SVM para establecer la relación entre las concentraciones de metales pesados en el aire con base en las propiedades magnéticas de una sola hoja (χlf) y múltiples (χlf y χdf) y el polvo de la carretera. Los resultados mostraron que las concentraciones de Fe, Cu, Cr, V y Zn fueron bien simuladas por modelos de predicción SVM, con R ajustado2valores≥0,7 tanto en la etapa de entrenamiento como en la de prueba. Por el contrario, las concentraciones de Pb y Ni no estaban bien simuladas, con R ajustado2valores <0,7 tanto en la etapa de entrenamiento como en la de prueba. Modelos de predicción de metales pesados usando propiedades magnéticas de hojas deCasuarina equisetifolia,como coleccionistas,arrojaron mejores resultados de predicción que los basados en las hojas deciprés portuguésy polvo de la carretera, mostrando un R ajustado relativamente más alto2valores y menores errores (MAE y RMSE) tanto en las etapas de entrenamiento como de prueba. SVM demostró ser el mejor modelo de predicción con variaciones entre propiedades magnéticas simples (χlf) y múltiples (χlf y χdf) dependiendo del elemento estudiado.
Introducción
Uno de los problemas ambientales más graves que enfrenta la sociedad moderna es la contaminación del aire urbano debido al rápido crecimiento económico y demográfico (Goldizen et al., 2016; Lee et al., 2019; Li et al., 2020). Los efectos en la salud asociados con la contaminación del aire están relacionados con problemas respiratorios, principalmente correlacionados con la exposición temporal a partículas (PM), especialmente las partículas más finas de menos de 2,5 μm (PM2.5), que provocan lesiones cardiopulmonares y difusión sistémica (Weinmayr et al., 2015; Kulhánová et al., 2018; Losacco & Perillo, 2018; Polezer et al., 2018; Yap et al., 2019). Entre los constituyentes de PM, los metales pesados (HM) son particularmente relevantes porque no se pueden degradar ni destruir de forma natural; sin embargo, pueden ser diluidos por agentes fisicoquímicos y por lo tanto ser lixiviados, por lo que luego pueden formar complejos solubles, transportarse y distribuirse en los ecosistemas, y finalmente incorporarse a las cadenas tróficas donde pueden bioacumularse, perjudicando las funciones de los seres vivos (Nagajyoti et al. ., 2010; Wu et al., 2016 Leng et al., 2018; Ahmad Bhat et al., 2019; Briffa et al., 2020; Xiao et al., 2021).
Debido a los efectos negativos de los contaminantes del aire sobre la salud, su seguimiento es importante. Los métodos tradicionales de análisis requieren el uso de estaciones de monitoreo que miden los diferentes contaminantes. Sin embargo, su aplicación en áreas urbanas se ve reducida debido a los altos costos de inversión y mantenimiento de los equipos necesarios, y el análisis químico es lento y costoso (Wilson et al., 2005; Xiang Leng et al., 2018).
El biomonitoreo ha demostrado ser un método alternativo para estudiar los impactos de los contaminantes del aire y un método confiable para discriminar entre áreas contaminadas y no contaminadas (Sawidis et al., 2012; Serbula et al., 2013; Parmar et al., 2016; Nakazato et al., 2018). El biomonitoreo tiene varias ventajas, como un menor costo, menos perturbaciones ecológicas y la producción de datos confiables relacionados con el contenido de contaminantes atmosféricos e información sobre sus efectos en los sistemas vivos (Markert et al., 2003; Burger, 2006; Hamza-Chaffai , 2014; Trishala K. Parmar et al., 2016; Leng et al., 2018). Del mismo modo, basado en la relación entre el contenido elemental y las propiedades magnéticas, el enfoque magnético se ha sugerido como una herramienta simple y rentable para evaluar la contaminación por metales pesados, capturada por biomonitores, el polvo de las carreteras y el suelo (Cejudo et al., 2015; Kawasaki). et al., 2017; Li et al., 2017; Xiangzi Leng et al., 2017; Kardel et al., 2018; Gillooly et al., 2019).
Las MP suspendidas en el aire generalmente quedan atrapadas en PM suspendidas y estas partículas suspendidas generalmente se depositan en las superficies de las hojas y quedan atrapadas en las ceras de las hojas (Dzierzanowski et al., 2011). Las características morfológicas de la planta, como los tricomas y los surcos, pueden mejorar la captura y absorción de PM. El grado de absorción foliar de las partículas en el aire por parte de la planta depende de la estructura foliar, el tamaño de las partículas, la carga y la composición, además de las características morfológicas de la planta; por lo tanto, cada biomonitor exhibirá un comportamiento y una eficiencia diferentes en la captura de partículas y HM en el aire (Dzierzanowski et al., 2011; Bussotti et al., 2014; Sharma et al., 2020). Es difícil distinguir entre la cantidad de HM captadas del suelo de las capturadas del aire; sin embargo, en ausencia de actividades industriales o agrícolas, las partículas en el aire y los HM son el resultado de la combustión de vehículos que finalmente caen al suelo (Miri et al., 2016; Sharma et al., 2020).
Recientemente, se ha estudiado el desarrollo de modelos predictivos de contaminación del aire utilizando enfoques de aprendizaje automático para expandir y aumentar la efectividad de los programas de monitoreo de la contaminación del aire (Li et al., 2017; Leng et al., 2018; Li et al., 2020; Dai et al., 2020). El aprendizaje automático se refiere a cualquier tipo de programa informático que puede "aprender" por sí mismo sin tener que ser programado explícitamente por un ser humano. Se puede utilizar en el aprendizaje automático no supervisado, donde los algoritmos generan respuestas a partir de datos desconocidos y sin etiquetar para descubrir patrones en nuevos conjuntos de datos. Los algoritmos de agrupamiento, como K-means, a menudo se usan en el aprendizaje automático no supervisado y, en el aprendizaje supervisado, el usuario entrena el programa para generar una respuesta basada en un conjunto de datos conocido y etiquetado. Algunos ejemplos son los algoritmos de clasificación y regresión, incluidos los bosques aleatorios, los árboles de decisión y las máquinas de vectores de soporte, la última utilizada en este estudio (Zhao et al., 2006; Wehle, 2017; Goodarzi et al., 2012).
Por lo tanto, con base en la necesidad de metodologías alternativas para expandir, a escala espacial y temporal, el monitoreo de la contaminación por HM, este estudio tuvo como objetivo establecer un método para predecir las concentraciones de metales pesados con base en las propiedades magnéticas medidas en las hojas y el polvo de las carreteras. Para este propósito, se utilizaron enfoques de aprendizaje automático, regresión lineal automática (MLR) y máquina de vectores de soporte (SVM).
Fragmentos de sección
Sitios y plantas de muestreo
La Gran Área Metropolitana (GMA) es un área geográfica muy importante porque, si bien cubre solo el 3,8% del territorio nacional, contiene el 70% del parque automotor, el 62% de la población, el 65% del parque empresarial formal y 82% de las ventas (Programa Estado Nación, 2019). Dado que la mayor parte de la población, la industria y el comercio se concentran en sitios específicos de esta zona, las personas viajan de un sitio a otro, a través del transporte público y privado, elevando los contaminantes en el aire.
Evaluación de monitores
Las concentraciones relacionadas con la masa de metales pesados y las propiedades magnéticas de hojas simples (χlf)/múltiples (χlf y χdf) y el polvo de la carretera se simularon utilizando modelos MLR y SVM, Tabla 3, Tabla 4, Tabla 5.Casuarina equisetifoliapresentado R ajustado2valores >0.9 para Fe, >0.8 para Cr, y V, ≥ 0.7 Cu, y Zn, y >0.4 y 0.3 para Pb y Ni respectivamente. Para el mismo biomonitor, los valores de prueba ajustaron R2fueron mayores, con resultados >0,9 para Fe, Cu, Cr y V, >0,7 para Zn, y >0,6 y 0,5 para Ni, y Pb,
Conclusiones
La R mejor ajustada2valores en las etapas de entrenamiento y prueba del modelo predictivo paraCasuarina equisetifolia, Cupressus lusitanica, y polvo de carretera se obtuvieron con el modelo Support Vector Machine (SVM), con variaciones entre propiedades magnéticas simples (χlf) y múltiples (χlf y χdf) dependiendo del elemento estudiado.
La R mejor ajustada2resultados y los RMSE y MAE más bajos para la mayoría de los elementos estudiados se obtuvieron para elCasuarina equisetifolia, convirtiéndolo en el primero entre los monitores
Declaración de crédito del autor
Teresa Salazar-Rojas:Conceptualización, Metodología, Investigación, Validación, Análisis formal, Visualización, Redacción- Elaboración del borrador original, Revisión y Edición.Fredy Rubén Cejudo-RuizConceptualización, Metodología, Investigación, Análisis formal, Supervisión, Revisión y Edición.Guillermo Calvo-Brenes:Conceptualización, Metodología, Investigación, Supervisión, Revisión y Edición.
Declaración de competencia de intereses
Los autores declaran que no tienen intereses financieros en competencia ni relaciones personales conocidas que pudieran haber influido en el trabajo informado en este documento.
Agradecimientos
Los autores agradecen al Instituto Tecnológico de Costa Rica (ITCR) y eluniversidad nacional autonoma de mexico(UNAM), por su apoyo financiero y administrativo. además, elCentro de Investigación en Protección Ambiental(CIPA),Centro de Investigación y Servicios Químicos y Microbiológicos(CEQIATEC), yInstituto de Geofísica(Morelia) por su apoyo al proyecto.
Referencias(59)
- jInstruccioneset al.
Contaminación por metales pesados en el medio ambiente y sus efectos toxicológicos en los humanos
Gamberro
(2020)
- METRO.Goodarziet al.
Modelado QSRR para diversas drogas utilizando diferentes métodos de selección de características junto con regresiones lineales y no lineales
J. Chromatogr., B: Anal. Tecnología biomedicina Ciencias de la vida
(2012)
- jHofmannet al.
Monitoreo biomagnético como herramienta de validación para modelos locales de calidad del aire: un estudio de caso para un cañón callejero urbano
Reinar. En t.
(2014)
- D.Sotaventoet al.
Estimación del impacto en la salud de la contaminación del aire en Escocia y los beneficios resultantes de la reducción de las concentraciones en los centros de las ciudades
Epidemiol espacial espacio temporal
(2019)
- Xianglargoet al.
Propiedades magnéticas de la hoja como método para predecir concentraciones de metales pesados en PM2.5 utilizando una máquina de vectores de soporte: un estudio de caso en Nanjing, China
Reinar. contaminar
(2018)
- LICENCIADO EN LETRAS.Marcadoet al.
Capítulo 1 Definiciones, estrategias y principios para la bioindicación/biomonitoreo del medio ambiente
Trazas de metales y otros contaminantes en el medio ambiente
(2003)
- rMitchellet al.
Evaluación y aplicación de la monitorización biomagnética de la contaminación por partículas derivadas del tráfico
atmósfera Reinar.
(2009)
- GRAMO.polezeret al.
Evaluación del impacto de PM2.5 en enfermedades respiratorias utilizando redes neuronales artificiales
Reinar. contaminar
(2018)
- ArmínSchmidt
Susceptibilidad magnética como proxy de la contaminación por metales pesados: un estudio de sitio
J. Geoquímica. Explorar
(2005)
- PAG.Sharmaet al.
Captura de metales pesados de la materia particulada suspendida por Morus alba y evidencia de absorción foliar y translocación de zinc asociado a PM utilizando radiotrazador (65Zn)
quimiosfera
(2020)
Aplicación de la máquina de vectores de soporte (SVM) para predecir la actividad tóxica de diferentes conjuntos de datos
Toxicología
(2006)
Regresión aplicada usando R
Las hojas de Ficus benjamina como indicador de contaminación atmosférica: un estudio de reconocimiento
Estudios Geofísicos. geod.
(2012)
Toxicidad de metales pesados y sus efectos nocivos en los organismos vivos: una revisión
En t. J.Med. ciencia Diagnóstico Res.
(2019)
El potencial del magnetismo como medio para la clasificación de suelos: una revisión
Boletin de La Sociedad Geologica Mexicana
(2014)
Bioindicadores: tipos, desarrollo y uso en evaluación e investigación ecológica
Reinar. bioíndica.
(2006)
Ecofisiología del arbolado urbano en una perspectiva de cambio climático
Agroquímica
(2014)
Informe de Calidad del Aire 2013-2015
(2015)
Correlación entre elementos potencialmente tóxicos y propiedades magnéticas en suelos de la Ciudad de México para la identificación de sitios contaminados: definición de umbrales magnéticos
Rev. Mex. Ciencias Geol.
(2015)
Un modelo difuso de intervalo para el biomonitoreo magnético utilizando la especie Tillandsia recurvata L
Ecol. Indicado.
(2015)
Monitoreo biomagnético combinado con máquina de vectores de soporte: una nueva oportunidad para predecir metales pesados unidos a partículas
ciencia Reps.
(2020)
Uso del sistema MS2 de Bartington
(1999)
Deposición de material particulado de diferentes fracciones de tamaño en superficies foliares y en ceras de especies forestales urbanas
En t. J. Fitorremediación
(2011)
Evaluación de hojas de árboles de hoja caduca como biomonitores de la contaminación ambiental por material particulado en Pittsburgh, Pensilvania, EE. UU.
Reinar. Monitorear Evaluar.
(2019)
Efectos respiratorios de la contaminación del aire en los niños
John Wiley and Sons Inc.
(2016)
Utilidad de Bioindicadores y Biomarcadores en el Biomonitoreo de la Contaminación
En t. J. Biotecnología. Bienestar Ind.
(2014)
Biomonitoreo de la contaminación por partículas atmosféricas a través de la composición química y las propiedades magnéticas de las hojas de los árboles al borde de la carretera
Reinar. ciencia contaminar serie de control
(2018)
Biomonitoreo magnético de la contaminación vial en el área restringida
Reinar. ciencia contaminar serie de control
(2017)
Monitoreo biomagnético de la contaminación atmosférica por metales pesados utilizando agujas de pino: el estudio de caso de Isfahan, Irán
Reinar. ciencia contaminar serie de control
(2020)
Citado por (0)
Artículos recomendados (6)
Artículo de investigación
Efecto del comportamiento hidrogeoquímico en los recursos de agua subterránea en los acuíferos del Holoceno del moribundo delta del Ganges, India: Infusión de algoritmos basados en datos
Contaminación Ambiental, Tomo 314, 2022, Artículo 120203
Se ha reconocido que uno de los objetivos fundamentales del desarrollo sostenible es tener acceso a agua limpia para beber. En la era del Antropoceno, la rápida urbanización ejerció una mayor presión sobre los recursos hídricos y la contaminación de las aguas subterráneas asociada se expandió hasta convertirse en un importante problema ambiental global. El arsénico natural y la contaminación del agua relacionada ya han causado un problema de carga en la vulnerabilidad de las aguas subterráneas y el correspondiente peligro para la salud en el delta del Ganges y sus alrededores. Se llevó a cabo un análisis hidrogeoquímico de campo en las áreas elevadas propensas al arsénico del moribundo delta del Ganges, Bengala Occidental, una parte del delta occidental del Ganges-Brahmaputra (GBD). Los nuevos algoritmos heurísticos basados en datos rara vez se utilizan en los estudios de vulnerabilidad de las aguas subterráneas, específicamente aún no se utilizan en las áreas elevadas propensas al arsénico del delta del Ganges, India. Por lo tanto, en el estudio actual, se ha hecho hincapié en la integración de algoritmos heurísticos y bosques aleatorios (RF), es decir, "optimización de enjambre de partículas de RF (PSO)", "optimizador de lobo gris de RF (GWO)" y "saltamontes de RF". algoritmo de optimización (GOA)”, para identificar zonas vulnerables de aguas subterráneas sobre la base de parámetros hidrogeoquímicos basados en el campo. Además, se evaluó el peligro correspondiente a la salud de esta área a través del índice de peligro para la salud humana. La distribución espacial de la vulnerabilidad de las aguas subterráneas reveló que las partes del medio este y noroeste del área de estudio están cubiertas por zonas de vulnerabilidad muy alta y alta, mientras que las partes central, occidental y suroeste están cubiertas por zonas de vulnerabilidad muy baja y baja en los resultados de todas las modelos aplicados. El resultado de la evaluación indica que el modelo RF-GOA (AUC = 0,911) se desempeñó mejor considerando el conjunto de datos de prueba y, posteriormente, RF-GWO, RF-PSO y RF con valor AUC es 0,901, 0,892 y 0,812 respectivamente. Los hallazgos también revelaron que el agua subterránea en esta región de estudio es bastante desfavorable para beber y regar. Los modelos sugeridos demuestran su utilidad para predecir la gestión sostenible de los recursos de aguas subterráneas en varias regiones deltaicas del mundo mediante la adopción de medidas apropiadas por parte de los responsables de la formulación de políticas.
Artículo de investigación
Distribución e identificación de origen de naftalenos policlorados en abejas, polen de abeja y cera de China
Contaminación Ambiental, Tomo 314, 2022, Artículo 120225
Los naftalenos policlorados (PCN) son contaminantes orgánicos persistentes y altamente tóxicos que pueden causar efectos adversos en el medio ambiente y en la salud humana. Se han detectado PCN en áreas remotas debido a su transporte de largo alcance. Las abejas y los productos de las abejas se utilizan comúnmente como biomonitores de varios contaminantes en el medio ambiente. Sin embargo, la información sobre los PCN en los colmenares es escasa. El objetivo de este estudio fue evaluar la ocurrencia de PCN en abejas y productos apícolas de colmenares ubicados en diferentes regiones geográficas de China, e identificar posibles fuentes de contaminación y evaluar los riesgos de exposición para los humanos. Nuestros resultados mostraron que el promedio de Σ75Las concentraciones de PCN en abejas, polen y cera fueron de 74,1, 96,3 y 141 pg/g de peso seco, respectivamente. Los perfiles de homólogos y congéneres de PCN en abejas, polen y cera fueron similares, y los naftalenos diclorados y triclorados (>60 %) fueron los homólogos predominantes. Las concentraciones y distribuciones de PCN en las abejas, el polen y la cera variaron entre las diferentes regiones geográficas, pero sus ocurrencias se correlacionaron con las fuentes metalúrgicas de PCN en China. Se evaluaron los riesgos para la salud de los PCN en el polen, y los riesgos cancerígenos y no cancerígenos de la exposición humana a los PCN a través de la dieta fueron bajos.
Artículo de investigación
La relación entre la intensificación de las olas de calor y el deterioro de la contaminación por ozono durante el verano en la región de Beijing-Tianjin-Hebei, China, durante 2013-2017
Contaminación Ambiental, Tomo 314, 2022, Artículo 120256
Ozono de verano (O3) la contaminación se ha producido con frecuencia en el Beijing–Tianjín–región de Hebei (BTH), China, desde 2013, lo que tiene como resultado impactos perjudiciales en la salud humana y los ecosistemas. La contribución de los cambios climáticos a O3la variabilidad de la concentración debida al cambio climático sigue siendo esquiva. Al combinar simulaciones de modelos regionales de química del aire con observaciones cercanas a la superficie, encontramos que los cambios en las emisiones antropogénicas contribuyeron a aproximadamente el 23 % del aumento en el promedio diario máximo de O de 8 horas.3concentraciones en la región BTH en junio–Julio–Agosto (JJA) 2017 (comparado con el de 2013). Con respecto a la influencia del cambio climático, las frecuencias, duraciones y magnitudes de O3superación fueron consistentes con las de los eventos de olas de calor en la región BTH durante JJA en 2013–2017. Las olas de calor intensificadas son un factor importante para el empeoramiento de O3contaminación. En particular, la duración prolongada de las olas de calor crea condiciones climáticas adversas consecutivas que causan O3acumulación y O severo3contaminación. Nuestros resultados sugieren que la variabilidad en el calor extremo del verano está estrechamente relacionada con la ocurrencia de altos niveles de O3concentraciones, que es un importante impulsor del deterioro de O3contaminación.
Artículo de investigación
¿Dónde y cómo? Una revisión sistemática de la contaminación por microplásticos en las playas de América Latina y el Caribe (ALC)
Contaminación Ambiental, Tomo 314, 2022, Artículo 120231
La dispersión de microplásticos (MP) en ambientes costeros y marinos y sus posibles efectos nocivos sobre los organismos y ecosistemas hace que la contaminación por MP sea un problema emergente que ha ganado cada vez más atención por parte de la comunidad científica. A pesar del aumento reciente en el número de estudios sobre la presencia de MP en diferentes ambientes marinos, las investigaciones en América Latina y el Caribe (ALC) aún son relativamente limitadas. Esta revisión presenta la distribución espacial (dónde) y los métodos aplicados (cómo) para evaluar la contaminación por MP en las playas arenosas de ALC, identificando los desafíos que se deben enfrentar para avanzar en la comprensión de este contaminante emergente. La mayoría de los 39 trabajos revisados se publicaron entre 2020 y 2021 (51%) y se realizaron en playas brasileñas (43%). Las investigaciones de LAC aplican muestreo puntual (69%) en tramos de costa entre 10 y 1000 km (59%). Estos trabajos utilizaron métodos de muestreo inconsistentes, técnicas incomparables para la extracción de MP de los sedimentos y diferentes unidades de medida para reportar sus datos. La presencia de MP en las playas de ALC no es despreciable, ya que varía significativamente en su distribución y concentración (0–2457 MP/dw kg y 0–5458 MP/m2). Su mayor acumulación se encuentra en las playas de islas oceánicas; sin embargo, aún existen grandes extensiones de costa (Cuba, Venezuela, Argentina) sin datos sobre la presencia de MP y un pequeño número de estudios que exploran la variabilidad temporal de estos contaminantes. La falta de estandarización en las metodologías de los estudios, particularmente en sus unidades de medida, dificulta su comparación cuantitativa y nuestra capacidad para establecer valores de referencia con respecto a la abundancia de MP en las playas de ALC. En este sentido, los trabajos futuros deben orientar los esfuerzos hacia la expansión espacial y temporal de sus muestreos, así como la estandarización de protocolos para facilitar la comparabilidad de los resultados de MP en las playas arenosas de ALC.
Artículo de investigación
La exposición a microplásticos de neumáticos en el suelo induce cambios en el perfil de expresión de genes relacionados con el sistema inmunitario en el crustáceo terrestre Porcellio scaber
Contaminación Ambiental, Tomo 314, 2022, Artículo 120233
Las partículas de los neumáticos representan una amenaza potencial para los organismos terrestres porque se depositan en grandes cantidades en el suelo por la abrasión del desgaste de los neumáticos y, además, su complejidad química plantea un riesgo adicional. Los microplásticos pueden afectar varios procesos fisiológicos en los organismos, incluidos los relacionados con la inmunidad. Por lo tanto, investigamos el perfil de expresión de genes relacionados con el sistema inmunitario seleccionados (MnSod, manganeso superóxido dismutasa;gato, catalasa; CypG, ciclofilina G; Nos, óxido nítrico sintasa; Ppae2a, enzima activadora de profenoloxidasa 2a; Dscam, molécula de adhesión celular del síndrome de Down; Myd88, factor de diferenciación mieloide 88; Toll4, receptor tipo Toll 4; Proteína similar a Masquerade) en hemocitos y en la glándula digestiva hepatopáncreas de crustáceos terrestresPorcellio scaberdespués de dos tiempos diferentes de exposición (4 y 14 días) a partículas de neumáticos en el suelo. Nuestros resultados revelan por primera vez la respuesta deP. scaberdespués de la exposición a microplásticos a nivel del transcriptoma. Observamos cambios dependientes del tiempo y del tejido en la expresión de los genes analizados, con alteraciones más pronunciadas en los hemocitos después de 14 días de exposición. También se observaron algunos cambios menores en el hepatopáncreas después de 4 días. Los cambios en el perfil de expresión de los genes analizados son una indicación directa de un estado inmunitario modulado del organismo de prueba que, sin embargo, no representa un efecto adverso sobre el organismo de prueba en las condiciones dadas. Sin embargo, queda la pregunta de si el cambio observado en el estado inmunológico afecta la inmunocompetencia del organismo de prueba.
Artículo de investigación
Información sobre el efecto subyacente de los defectos de vacancia de Fe en la afinidad de adsorción de la goethita por la inmovilización del arsénico
Contaminación Ambiental, Tomo 314, 2022, Artículo 120268
La goethita es un (hidr)óxido de hierro que se encuentra comúnmente en suelos y sedimentos y se ha demostrado que posee abundantes defectos en las estructuras. Sin embargo, el impacto subyacente de estos defectos en la goethita sobre la inmovilización del arsénico sigue sin estar claro. En este estudio, se sintetizaron muestras de goethita con defectos abundantes, moderados y escasos para evaluar su capacidad de adsorción de arsénico. Las características de los defectos en la goethita se investigaron mediante estructura fina de absorción de rayos X extendida (EXAFS), mapeo de espectro de dispersión de energía de microscopía electrónica de transmisión de barrido de campo oscuro anular de ángulo alto (HAADF-STEM-EDS), magnetometría de muestra vibrante (VSM ) y resonancia de espín de electrones (ESR). El análisis de caracterización reveló que los defectos en la goethita sintetizada existían principalmente en forma de vacantes de Fe. Los experimentos por lotes demostraron que las capacidades de adsorción de la goethita rica en defectos para la eliminación de As(V) y As(III) eran 10,2 y 22,1 veces mayores que las de la goethita pobre en defectos, respectivamente. El origen del impacto de los defectos de Fe en la inmovilización del arsénico se elucidó teóricamente utilizando cálculos de la teoría funcional de la densidad (DFT). La adsorción mejorada de la goethita se atribuyó a la mejora de la afinidad por el arsénico debido al defecto de vacante de Fe, lo que promovió considerablemente la inmovilización del arsénico. Los hallazgos de este estudio brindan información importante sobre la migración y el destino del arsénico en los (hidr)óxidos de hierro naturales.
- ☆
Este documento ha sido recomendado para su aceptación por el Prof. Pavlos Kassomenos.
© 2022 Elsevier Ltd. Todos los derechos reservados.
FAQs
¿Qué hace SVM para la regresión? ›
R. La regresión SVM o Regresión de vector de soporte (SVR) es un algoritmo de aprendizaje automático que se utiliza para el análisis de regresión. Es diferente de los métodos de regresión lineal tradicionales, ya que encuentra un hiperplano que se ajusta mejor a los puntos de datos en un espacio continuo, en lugar de ajustar una línea a los puntos de datos .
¿Cómo funciona el SVM? ›SVM funciona correlacionando datos a un espacio de características de grandes dimensiones de forma que los puntos de datos se puedan categorizar, incluso si los datos no se puedan separar linealmente de otro modo.
¿Qué y cuáles tipos de kernels tiene una SVM? ›Generaremos modelos basados en SVM con tres tipos de kernel: lineal, polinómico y radial, que predigan qué tipo de bebida (Purchase) compra el consumidor, en función del conjunto de predictores.
¿Qué es Epsilon en SVM? ›Epsilon en el modelo epsilon-SVR. Especifica el tubo épsilon dentro del cual no se asocia ninguna penalización en la función de pérdida de entrenamiento con puntos predichos dentro de una distancia épsilon del valor real .
¿Cuál es la diferencia entre clasificación y regresión cuando se usa SVM? ›La principal diferencia entre los algoritmos de regresión y clasificación es que los algoritmos de regresión se usan para predecir valores continuos como precio, salario, edad, etc. y los algoritmos de clasificación se usan para predecir/clasificar valores discretos como hombre o mujer, verdadero o falso, Spam o no spam, etc.
¿Podemos usar SVM en regresión lineal? ›Support Vector Machine (SVM) es un algoritmo de aprendizaje automático muy popular que se utiliza tanto en regresión como en clasificación. La regresión de vectores de soporte es similar a la regresión lineal en que la ecuación de la línea es y= wx+b. En SVR, esta línea recta se denomina hiperplano.
¿Por qué es mejor SVM? ›Ventajas del clasificador SVM:
SVM funciona relativamente bien cuando hay un claro margen de separación entre clases . SVM es más efectivo en espacios de alta dimensión y es relativamente eficiente en memoria. SVM es eficaz en los casos en que las dimensiones son mayores que el número de muestras.
El objetivo de SVM es dividir los conjuntos de datos en clases para encontrar un hiperplano marginal máximo (MMH) . Vectores de soporte: los puntos de datos que están más cerca del hiperplano se denominan vectores de soporte. La línea de separación se definirá con la ayuda de estos puntos de datos.
¿Qué tipo de modelo es SVM? ›Este modelo de SVM es un modelo de aprendizaje supervisado que requiere datos etiquetados. En el proceso de entrenamiento, el algoritmo analiza los datos de entrada y reconoce patrones en un espacio de características multidimensionales denominado hiperplano.
¿Qué kernel es mejor para SVM? ›RBF es la opción de kernel de máquina de vector de soporte más popular , y la predeterminada utilizada en sklearn. RBF es la abreviatura de "función de base radial", un tipo de función que se utiliza para aproximar otras funciones en la literatura.
¿Cuántos vectores de soporte hay en SVM? ›
El número mínimo de vectores de soporte es dos para su escenario. No necesitas más de dos aquí. Todos los vectores de soporte se encuentran exactamente en el margen. Independientemente de la cantidad de dimensiones o el tamaño del conjunto de datos, la cantidad de vectores de soporte podría ser tan pequeña como 2.
¿Cuál de las siguientes es una característica de las máquinas de vectores de soporte SVMS en el aprendizaje automático? ›SVM implementa el control de capacidad ampliando el margen del límite de decisión . El usuario debe proporcionar varios parámetros, incluido el tipo de función de kernel que se utilizará y la función de costo C para ofrecer cada variable de holgura.
¿Qué es la abreviación SVM? ›¿Alguna vez has escuchado mencionar la sigla SVM? Esta corresponde a support vector machines o, en español, maquinas de vectores de soporte.
¿Cómo se lee épsilon? ›Épsilon (en mayúscula Ε, en minúscula ε [variante ϵ]; llamada en griego antiguo εἶ eî /êː/, en griego moderno έψιλον épsilon /ˈe. psi. lon/, lit. 'e simple') es la quinta letra del alfabeto griego.
¿Qué es el kernel en SVR? ›Funciones del núcleo SVM
La función del kernel es tomar datos como entrada y transformarlos en la forma requerida . Diferentes algoritmos SVM usan diferentes tipos de funciones del núcleo. Estas funciones pueden ser de diferentes tipos. Por ejemplo, lineal, no lineal, polinomial, función de base radial (RBF) y sigmoide.
Mientras que los modelos de regresión lineal minimizan el error entre los valores reales y predichos a través de la línea de mejor ajuste, SVR logra ajustar la mejor línea dentro de un umbral de valores , también llamado tubo insensible a épsilon.
¿Son iguales la regresión de vectores de soporte y la máquina de vectores de soporte? ›Support Vector Regression es un algoritmo de aprendizaje supervisado que se utiliza para predecir valores discretos. Support Vector Regression utiliza el mismo principio que las SVM . La idea básica detrás de SVR es encontrar la mejor línea de ajuste. En SVR, la línea de mejor ajuste es el hiperplano que tiene el número máximo de puntos.
¿La SVM lineal es lo mismo que la regresión logística? ›A diferencia de la regresión logística, las SVM están diseñadas para generar límites de decisión más complejos . Una LS-SVM con una función kernel lineal simple corresponde a un límite de decisión lineal. En lugar de un kernel lineal, se pueden elegir funciones de kernel más complejas, como el kernel RBF de uso común.
¿Cuál es la diferencia entre la regresión logística y SVM sin kernel? ›Diferencia entre SVM y regresión logística
SVM se basa en las propiedades geométricas de los datos, mientras que la regresión logística se basa en enfoques estadísticos . El riesgo de sobreajuste es menor en SVM, mientras que la regresión logística es vulnerable al sobreajuste.
¿Por qué es importante la regresión lineal? Los modelos de regresión lineal son relativamente simples y proporcionan una fórmula matemática fácil de interpretar para generar predicciones. La regresión lineal es una técnica estadística establecida y se aplica fácilmente al software y a la computación.
¿Por qué LSTM es mejor que SVM? ›
En general, LSTM funciona mejor que SVM en todos los escenarios. Esto se debe a su capacidad para recordar u olvidar los datos de manera más eficiente que SVM . Con promedios móviles, los modelos SVM y LSTM funcionan significativamente mejor en el conjunto de datos combinado que en el conjunto de datos base estándar.
¿Cuándo no se debe utilizar SVM? ›El algoritmo SVM no es adecuado para grandes conjuntos de datos . SVM no funciona muy bien cuando el conjunto de datos tiene más ruido, es decir, las clases objetivo se superponen. En los casos en que la cantidad de características para cada punto de datos exceda la cantidad de muestras de datos de entrenamiento, el SVM tendrá un rendimiento inferior.
¿Cuál es la diferencia entre SVM y redes neuronales? ›Una SVM posee una serie de parámetros que aumentan linealmente con el aumento lineal en el tamaño de la entrada. Un NN, por otro lado, no lo hace . Aunque aquí nos enfocamos especialmente en las redes de una sola capa, una red neuronal puede tener tantas capas como queramos.
¿Por qué SVM tarda tanto? ›La explicación más probable es que está utilizando demasiados ejemplos de capacitación para su implementación de SVM . Las SVM se basan en una función del kernel. La mayoría de las implementaciones almacenan esto explícitamente como una matriz NxN de distancias entre los puntos de entrenamiento para evitar computar entradas una y otra vez.
¿Cuáles son los factores que determinan la eficacia de SVM? ›La efectividad de SVM depende de la selección del kernel, los parámetros del kernel y el parámetro de margen suave C . . Cada par de parámetros se comprueba mediante validación cruzada y se seleccionan los parámetros con la mejor precisión de validación cruzada.
¿Cómo se puede utilizar la máquina de vectores de soporte para la clasificación de datos linealmente separables? ›Tipos de MVS
SVM lineal: SVM lineal se usa para datos separables linealmente, lo que significa que si un conjunto de datos se puede clasificar en dos clases usando una sola línea recta , dichos datos se denominan datos separables linealmente, y el clasificador se usa como clasificador SVM lineal.
La restricción que debe cumplirse para que una instancia de entrenamiento se convierta en un vector de soporte. La solución a nuestro problema, es decir, el hiperplano óptimo (de margen máximo) permanece sin cambios si eliminamos todas las instancias de entrenamiento excepto los vectores de soporte . Por eso se les da el nombre de 'vectores de soporte'.
¿Se puede usar SVM para la predicción? ›Los resultados muestran que, además de los esquemas individuales, el SVM se puede utilizar para predecir los datos después de entrenar las muestras de aprendizaje , y es necesario utilizar el algoritmo de optimización de enjambre de partículas para optimizar los parámetros de la máquina de vectores de soporte.
¿Que permite hacer la técnica de regresión? ›El análisis de regresión es una técnica de análisis que calcula la relación estimada entre una variable dependiente y una o varias variables explicativas. Con el análisis de regresión, es posible modelar la relación entre las variables elegidas, así como predecir valores basándose en el modelo.
¿Qué algoritmo se utiliza para resolver problemas de regresión? ›Algoritmos Bayesianos
Son algoritmos que utilizan explícitamente el Teorema de Bayes de probabilidad para problemas de Clasificación y Regresión.
¿Qué es la regresión en el aprendizaje supervisado? ›
La regresión lineal es un algoritmo de aprendizaje supervisado que se utiliza en Machine Learning y en estadística. En su versión más sencilla, lo que haremos es “dibujar una recta” que nos indicará la tendencia de un conjunto de datos continuos (si fueran discretos, utilizaríamos Regresión Logística).
¿Qué tipo de aprendizaje es SVM? ›Support vector machine (SVM) es un algoritmo de aprendizaje supervisado que se utiliza en muchos problemas de clasificación y regresión, incluidas aplicaciones médicas de procesamiento de señales, procesamiento del lenguaje natural y reconocimiento de imágenes y voz.
¿Qué problemas enfrenta SVM cuando se usa con conjuntos de datos reales? ›El algoritmo SVM no es adecuado para grandes conjuntos de datos. SVM no funciona muy bien cuando el conjunto de datos tiene más ruido, es decir, las clases objetivo se superponen . En los casos en que la cantidad de características para cada punto de datos exceda la cantidad de muestras de datos de entrenamiento, el SVM tendrá un rendimiento inferior.
¿Cuál es la utilidad de la regresión lineal? ›El análisis de la regresión lineal se utiliza para predecir el valor de una variable según el valor de otra. La variable que desea predecir se denomina variable dependiente. La variable que está utilizando para predecir el valor de la otra variable se denomina variable independiente.
¿Dónde se aplica la regresión lineal? ›La regresión lineal es un modelo matemático que describe la relación entre varias variables. Los modelos de regresión lineal son un procedimiento estadístico que ayuda a predecir el futuro. Se utiliza en los campos científicos y en los negocios, y en las últimas décadas se ha utilizado en el aprendizaje automático.
¿Cómo funciona la regresión lineal? ›La regresión lineal es un método de aprendizaje automático supervisado que utiliza la herramienta Entrenar con AutoML y encuentra una ecuación lineal que describe mejor la correlación de las variables explicativas con la variable dependiente . Esto se logra ajustando una línea a los datos usando mínimos cuadrados.
¿Qué modelo de regresión es el mejor? ›La regresión lineal , también conocida como mínimos cuadrados ordinarios (OLS) y mínimos cuadrados lineales, es el verdadero caballo de batalla del mundo de la regresión. Utilice la regresión lineal para comprender el cambio medio en una variable dependiente dado un cambio de una unidad en cada variable independiente.
¿Qué tipo de método utiliza la regresión lineal? ›La regresión lineal se ajusta a una línea recta o superficie que minimiza las discrepancias entre los valores de salida previstos y reales. Existen calculadoras de regresión lineal simples que utilizan un método de " mínimos cuadrados " para descubrir la línea que mejor se ajusta a un conjunto de datos emparejados.
¿Cuántos métodos hay para la regresión lineal? ›Hay dos tipos de regresión lineal : regresión lineal simple y regresión lineal múltiple. El método de regresión lineal simple trata de encontrar la relación entre una sola variable independiente y una variable dependiente correspondiente.
¿Por qué usamos la regresión lineal en el aprendizaje automático? ›El análisis de regresión lineal en aprendizaje automático es importante para evaluar datos y establecer una relación definitiva entre dos o más variables . La regresión cuantifica cómo cambia la variable dependiente a medida que la propia variable independiente toma valores diferentes.
¿Qué característica tiene el proceso de aprendizaje de la regresión lineal? ›
La regresión lineal intenta establecer una relación lineal entre una o más variables independientes y un resultado numérico o la variable dependiente. Use este componente para definir un método de regresión lineal y luego entrenar un modelo con un conjunto de datos etiquetado.
¿Cuál es la diferencia entre el aprendizaje supervisado y el aprendizaje no supervisado? ›La principal diferencia entre el aprendizaje supervisado y no supervisado: Datos etiquetados. La principal distinción entre los dos enfoques es el uso de conjuntos de datos etiquetados. En pocas palabras, el aprendizaje supervisado utiliza datos de entrada y salida etiquetados, mientras que un algoritmo de aprendizaje no supervisado no lo hace .