多任务深度学习 实现和甲缓解的协同作用,在米土壤中进行生物炭修改

科学领域:

• 环境科学 环境科学
• 土壤科学 土壤科学
• 人工智能的人工智能

背景情况:

• 生物炭显示有潜力减轻大米土壤中的重金属污染和甲排放.
• 生物炭对同时降低Cd和CH4的协同效应是复杂的,受到生物炭和土壤特性的影响.

研究的目的:

• 开发一种可解释的多任务深度学习 (MTDL) 模型,用于利用生物炭在米土壤中协同降低Cd和CH4.
• 了解生物炭特性对其减轻Cd和CH4的性能的影响.

主要方法:

• 开发了一个可解释的MTDL模型,使用张量跟踪范式进行参数共享.
• 分析了生物炭特性对Cd和CH4缓解的贡献和相对重要性.

主要成果:

• 在MTDL模型中,通过对生物炭的修改,实现了Cd和CH4缓解之间的协同作用.
• 生物炭特征显示,Cd (67.9%) 和CH4 (62.5%) 缓解的权重相似,但其重要性不同.
• 在为米土壤定制生物炭方面,MTDL模型优于传统的机器学习模型.

结论:

• MTDL模型为定制生物炭提供了一种新的方法,以实现协同作用的环境修复目标.
• 这些发现有助于更好地了解生物炭对土中的Cd和CH4的相互作用作用.
• 该研究强调了人工智能在可持续环境管理中的潜力,以应对多目标挑战.