使用机器学习模型估计双A在温带湖泊中的时间和空间分布和威胁

科学领域:

• 环境科学 环境科学
• 生态毒理学 生态毒理学
• 数据科学数据科学数据科学

背景情况:

• 双A (BPA) 在水生生态系统中积聚,特别是缓慢移动的湖泊,危及水生生物.
• 目前对BPA度和毒性的研究有限,这阻碍了全面的风险评估.
• 了解BPA的时空分布对于评估人类影响的流域中的生态威胁至关重要.

研究的目的:

• 开发和验证机器学习模型,用于预测温带湖中的双A (BPA) 分布.
• 估计BPA在太湖和迪安奇湖的时空分布和生态风险.
• 为监测具有内分泌干扰作用的非传统微量污染物提供一种新的方法.

主要方法:

• 从太湖湖收集了164个测量的BPA数据点.
• 开发并比较机器学习模型:随机森林 (RF),支持向量机 (SVM) 和最小平方回归 (LSR).
• 每月生成预测地图以可视化BPA分布,并将最佳模型 (RF) 应用于Dianchi湖数据.

主要成果:

• 随机森林模型在预测BPA度方面表现优异 (R2=0.927培训,R2=0.607验证).
• 预测地图显示,受人类活动影响的地区BPA污染较高,雨天气候可能会增加水生BPA迁移.
• 对迪安基湖的模型预测显示,大多数数据在测量值的10倍之内,尽管精度下降.

结论:

• 机器学习,特别是射频,提供了一个强大的方法来建模和预测水生生态系统中BPA的时空分布.
• 确定了需要专注注意BPA污染管理的高风险地区.
• 这项研究为评估内分泌干扰污染物在流域中的生态风险提供了有价值的框架.