基于微生物群落的机器学习建模,用于预测地下水中的自然衰减
Xiaodong Zhang1,2, Tao Long1, Shaopo Deng1
1State Environmental Protection Key Laboratory of Soil Environmental Management and Pollution Control, Nanjing Institute of Environmental Sciences, Ministry of Ecology and Environment of China, Nanjing 210042, Jiangsu, China.
Environmental science & technology
|December 8, 2023
概括
机器学习准确地预测了BTEX和CAHs等污染物的自然减弱可行性. 使用随机森林分类和人工神经网络的综合方法可以提高修复策略的预测准确性.
科学领域:
- 环境科学 环境科学
- 微生物学 微生物学
- 数据科学数据科学数据科学
背景情况:
- 自然减弱是污染地下水的关键整治策略.
- 评估减弱潜力对于在设定的时间表内实现修复目标至关重要.
- 历史性的农药制造工厂往往会面临复杂的污染挑战.
研究的目的:
- 开发和评估用于预测污染物的自然减弱的机器学习方法.
- 利用微生物学数据和污染物减弱率用于预测建模.
- 为了比较不同机器学习模型在预测自然减弱可行性和速度方面的表现.
主要方法:
- 在农药制造工厂对微生物群落和污染物 (BTEX,CAHs) 的长期监测.
- 使用随机森林分类 (RFC),然后随机森林回归 (RFR) 或人工神经网络 (ANN) 开发机器学习模型.
- 模型培训和交叉验证使用微生物学数据和污染物减弱率.
主要成果:
- RFC准确地预测了BTEX和CAH的自然减弱可行性,并确定了关键的微生物种类.
- 对于BTEX来说,RFR足够,但对于CAH减弱率预测来说不可靠.
- 在预测BTEX和CAH的衰减率方面,ANN表现出卓越的表现.
- 一个复合的RFC和ANN模型减少了平均绝对百分比错误.
结论:
- 机器学习,特别是RFC和ANN的综合方法,显示了预测自然衰减的巨大潜力.
- 将现场微生物数据与机器学习相结合,可以提高自然衰减预测的准确性.
- 这种方法为评估和管理受污染的地下水位提供了一个有希望的工具.
