Дослідження математичних методів і моделей, що використовуються для визначення деградації пестицидів та прогнозу їх залишків
Ключові слова:
залишки пестицидів, деградація пестицидів, математичні моделі
Анотація
Пестициди широко застосовуються в сільському господарстві для підвищення врожаю та якості сільськогосподарських культур. Внаслідок масового використання пестицидів, забруднення ними стало серйозною проблемою для екології та охорони здоров’я населення у світі. Тому необхідно застосовувати пестициди з урахуванням їх деградації у навколишньому середовищі. Незважаючи на те, що розраховані різноманітні динамічні моделі, що описують процес деградації залишків різних пестицидів, вони не відповідають вимозі універсальності. Тому важливим залишається практичне значення вивчення закономірності деградації пестицидів та вибору відповідної математичної моделі для опису динамічного процесу деградації залишків пестицидів.
У роботі розглянуто чотири види класичних математичних моделей для прогнозування залишків пестицидів.
- Експоненціальна модель деградації. Згідно з нею швидкість деградації пестицидів пропорційна їх концентрації. Ця модель є найпростішою. Експоненціальна модель деградації має такі переваги: простий розрахунок, безпосередній перегляд та розуміння, що має суттєвий вплив на прогнозування деградації пестицидів. Але ця модель застосовується у відносно ідеальній ситуації, ігноруючи природні фактори навколишнього середовища. Також результати прогнозування описують ситуацію, згідно з якою швидкість деградації є лінійно зменшуваною функцією з часом, яка не може змінюватися внаслідок різних факторів. Вона обмежена у практичному використанні внаслідок ідеалізації та спрощення.
- Біваріативна модель функціонування залишків пестицидів. Враховує вплив факторів навколишнього середовища, пов'язана з часом, а також використовує декілька змінних функцій, а саме – початок обробки, середньодобові температури, тривалість світлового дня та середньоденну кількість опадів.
- Динамічна модель Релея. Порівняно з експоненціальною деградаційною моделлю, динамічна модель Релея має більше переваг, таких як точність, простота у використанні та висока точність пристосування, що дозволяє уникнути складних обчислень та діапазону незалежних змінних у поліномах. Динамічна модель Релея дає ефективні результати.
- Модель Грея. Модель GM має високу точність в моделюванні та прогнозуванні, а також практичну цінність застосування. Однак рішення параметрів моделі GM передбачає формування матриць, їх множення та інверсію, що є занадто складним і непростим у застосуванні, має характеристики хаосу.
- Інші новітні моделі. У 2016 році Zuo та ін. вивчали прогнозування залишків пестицидів на основі нечіткої системи. Математична нечітка система була створена за допомогою значень MRL (максимальні межі залишків усіх видів пестицидів у їжі) MatlabFuzzy. У 2018 році Li та ін. запропонували модель мути-секцій на основі аналізу основних компонентів (PCA) та нейронної мережі. Вони вирішують проблему зміни даних моделювання. Експериментальні результати показують, що моделі мутисекцій, побудовані за допомогою мережі BackPropagation (BP)/RadialBasisFunction (RBF), можуть значно зменшити помилку прогнозування порівняно з окремими моделями. Похибка зменшується до 0,8% і 0,4% для встановлення мутисекційних моделей BP та RBF відповідно.
З розвитком комп'ютерних технологій, цифрового моделювання та молекулярних біотехнологічних технологій дослідження деградації залишків пестицидів будуть продовжуватись.
Посилання
1. RishiKesh, K. T., Shikha, S., Ravi, S. P., & Bechan, S. (2016). Enzymes of Earthworm as Indicators of Pesticide Pollution in Soil. Advances in Enzyme Research, 4, 113‒124.
2. Merete, G., Yan L., Hua, Z., Anne, O. S., Jun, H., Gan, Z., & Thorjorn, L. (2015). Pesticide levels and environmental risk in aquatic environments in China ‒ A review. Environment International, 81, 87‒97.
3. Sandrine, P., Nicolas, M., Vincent, B., & Bockstaller, C. (2015). Ecological intensification through pesticide reduction: weed control, weed biodiversity and sustainability in arable farming. Environmental Management, 56, 1078‒1090.
4. Xu, M. L., Yu, G., & Xiao, X. X. (2017). Detection of Pesticide Residues in Food Using Surface-Enhanced Raman pectroscopy: A Review. Journal of Agricultural and Food Chemistry, 7, 1‒38.
5. Liu, M., Khan, A., Wang, Z. F., Liu, Y., Yang, G. J., Deng, Y., & He, N. Y. (2019). Aptasensors for pesticide detection. Biosensors and Bioelectronics, 130, 174-184.
6. Jin, X. T., Yu, X. Y., & Zhu, G. Y. (2016). Conditions Optimizing and Application of Laccase-mediator System (LMS) for the Laccase-catalyzed Pesticide Degradation. Scientific Reports, 10, 1‒7.
7. Appendix, D. (2011). Guidelines on comparability, extrapolation, group tolerances and data requirements for setting MRLs. European Commission, 6. 7525.
8. Robert, Go. (1996). Organic pesticides in the environment Washing to n D. C: American Chem. Soc. Pub, 122‒131.
9. Lourdes, S., Aranzazu, P., & Francisco, S. (2003). Methidathion degradation in soil amended with biosolids and a cationic surfactant: use of different kinetic models. Biology and fertility of soils, 37(5), 319‒323.
10. Song, P., Hong, W., & Wu, C. Z. (2015). Modification of the kinetic model for degradation of pesticides. Chinese Journal of Eco-Agriculture, 13(2), 68-70.
11. Wang, Z. H., An, X. Z., & Li, C. H. (1992). Study on the mathematical method of pesticide residue law. Agricultural environmental protection, 11(6), 283‒285.
12. Wang, Z.H., Fu, L., & Zhang, D. K. (1994) Research on the mathematical approach to the quantitative prediction of pesticide degradation, 9(3),177‒180.
13. Fang, Y. P., & Zhang, Q. G. (1995). The Application of Rayleigh Model on Study of Chemical Remains. Journal of Anhui Agricultural University, 22(4), 461‒463.
14. Zhu, C. L. (2008). Parameter Estimation of the Degradation Model of pesticide residue. Journal of Anhui Agri, 36(17), 7053‒7056.
15. Wu, C. G., Guan, L., & Zhou, J. (2015). Mathematical model for prediction of pesticide residues. Journal of Agricultural University of Hebei, 38(2), 135‒139.
16. Yang, H. J., Ye, Z. X., & Xu, C. H. (2007). The GM (1.1) Prediction Model of Pesticide Degradation Optimized by IEA. Journal of Agro-Enviroment Science, 4, 1469‒1472.
17. Zuo, S., Sun, J. J., & Yu, X. R. (2016). Study on Prediction of Pesticide Residues based on Fuzzy System. Agricultural Science&Technology, 17(7), 1928‒1732.
18. Li, W., Li, Z. M., & Sun, M. (2018). Study on Prediction Model of Pesticide Residue Content Based on PCA and Artificial Neural Network. Measurement and control technology, 37(12), 34‒37.
19. Fewell, Jr., & Lawrence, E. (2019). Natural pesticide structure and methods of fabrication there of United States Patent, 5, 1‒14.
20. Holger, V., Bircher, S., Rapp, I., & Kerlin, N. (2015). Degradation of Chlorotriazine Pesticides by Sulfate Radicals and the Influence of Organic Matter. American Chemical Society, 49(3), 1673‒1680.
21. Augustune, C., Chaudhuri, M., & Wong, C. C. (ICCEE 2018) Artificial Neural Network (ANN) Modeling for Prediction of Pesticide Wastewater Degradation by FeGAC/H2O2 Process. International Conference on Civil and Environmental Engineering, 65.
22. Li, Y., Hou, J., Chang-jun, Le, Jin-can, Bo, Deng, Huang Jing & Yang, Mei (2016). Detection of Organophosphorus Pesticides with Colorimetry and Computer Image Analysis. Analytical Sciences, 32(7), 719‒724.
2. Merete, G., Yan L., Hua, Z., Anne, O. S., Jun, H., Gan, Z., & Thorjorn, L. (2015). Pesticide levels and environmental risk in aquatic environments in China ‒ A review. Environment International, 81, 87‒97.
3. Sandrine, P., Nicolas, M., Vincent, B., & Bockstaller, C. (2015). Ecological intensification through pesticide reduction: weed control, weed biodiversity and sustainability in arable farming. Environmental Management, 56, 1078‒1090.
4. Xu, M. L., Yu, G., & Xiao, X. X. (2017). Detection of Pesticide Residues in Food Using Surface-Enhanced Raman pectroscopy: A Review. Journal of Agricultural and Food Chemistry, 7, 1‒38.
5. Liu, M., Khan, A., Wang, Z. F., Liu, Y., Yang, G. J., Deng, Y., & He, N. Y. (2019). Aptasensors for pesticide detection. Biosensors and Bioelectronics, 130, 174-184.
6. Jin, X. T., Yu, X. Y., & Zhu, G. Y. (2016). Conditions Optimizing and Application of Laccase-mediator System (LMS) for the Laccase-catalyzed Pesticide Degradation. Scientific Reports, 10, 1‒7.
7. Appendix, D. (2011). Guidelines on comparability, extrapolation, group tolerances and data requirements for setting MRLs. European Commission, 6. 7525.
8. Robert, Go. (1996). Organic pesticides in the environment Washing to n D. C: American Chem. Soc. Pub, 122‒131.
9. Lourdes, S., Aranzazu, P., & Francisco, S. (2003). Methidathion degradation in soil amended with biosolids and a cationic surfactant: use of different kinetic models. Biology and fertility of soils, 37(5), 319‒323.
10. Song, P., Hong, W., & Wu, C. Z. (2015). Modification of the kinetic model for degradation of pesticides. Chinese Journal of Eco-Agriculture, 13(2), 68-70.
11. Wang, Z. H., An, X. Z., & Li, C. H. (1992). Study on the mathematical method of pesticide residue law. Agricultural environmental protection, 11(6), 283‒285.
12. Wang, Z.H., Fu, L., & Zhang, D. K. (1994) Research on the mathematical approach to the quantitative prediction of pesticide degradation, 9(3),177‒180.
13. Fang, Y. P., & Zhang, Q. G. (1995). The Application of Rayleigh Model on Study of Chemical Remains. Journal of Anhui Agricultural University, 22(4), 461‒463.
14. Zhu, C. L. (2008). Parameter Estimation of the Degradation Model of pesticide residue. Journal of Anhui Agri, 36(17), 7053‒7056.
15. Wu, C. G., Guan, L., & Zhou, J. (2015). Mathematical model for prediction of pesticide residues. Journal of Agricultural University of Hebei, 38(2), 135‒139.
16. Yang, H. J., Ye, Z. X., & Xu, C. H. (2007). The GM (1.1) Prediction Model of Pesticide Degradation Optimized by IEA. Journal of Agro-Enviroment Science, 4, 1469‒1472.
17. Zuo, S., Sun, J. J., & Yu, X. R. (2016). Study on Prediction of Pesticide Residues based on Fuzzy System. Agricultural Science&Technology, 17(7), 1928‒1732.
18. Li, W., Li, Z. M., & Sun, M. (2018). Study on Prediction Model of Pesticide Residue Content Based on PCA and Artificial Neural Network. Measurement and control technology, 37(12), 34‒37.
19. Fewell, Jr., & Lawrence, E. (2019). Natural pesticide structure and methods of fabrication there of United States Patent, 5, 1‒14.
20. Holger, V., Bircher, S., Rapp, I., & Kerlin, N. (2015). Degradation of Chlorotriazine Pesticides by Sulfate Radicals and the Influence of Organic Matter. American Chemical Society, 49(3), 1673‒1680.
21. Augustune, C., Chaudhuri, M., & Wong, C. C. (ICCEE 2018) Artificial Neural Network (ANN) Modeling for Prediction of Pesticide Wastewater Degradation by FeGAC/H2O2 Process. International Conference on Civil and Environmental Engineering, 65.
22. Li, Y., Hou, J., Chang-jun, Le, Jin-can, Bo, Deng, Huang Jing & Yang, Mei (2016). Detection of Organophosphorus Pesticides with Colorimetry and Computer Image Analysis. Analytical Sciences, 32(7), 719‒724.
Опубліковано
2019-07-30
Як цитувати
Лі, Ф., Дубовик, В., & Ліу, Р. (2019). Дослідження математичних методів і моделей, що використовуються для визначення деградації пестицидів та прогнозу їх залишків. Вісник Сумського національного аграрного університету. Серія: Агрономія і біологія, (1-2(35-36), 67-71. https://doi.org/10.32845/agrobio.2019.1-2.10
ISSN 
ISSN 
