使用可解释的机器学习模型,预测微生物活动和数量在废水占主导地位的接收河流的低区

科学领域:

• 环境科学 环境科学
• 微生物学 微生物学
• 生态生态学 生态生态学

背景情况:

• 低温区 (HZ) 对水质和生态安全至关重要,它连接地表水和地下水.
• 废水排放对干旱/半干旱地区的河流底流产生重大影响.
• 废水接收河流的高温区中的微生物动力学研究不足.

研究的目的:

• 调查环境因素和微生物活动/丰富性在废水占主导地位的河流的HZ之间的关系.
• 利用机器学习模型预测微生物对不同深度环境驱动因素的反应.
• 确定影响受影响热带微生物功能和多样性的关键环境因素.

主要方法:

• 在中国西安的两个废水占主导地位的河流中进行的时空实地研究.
• 收集的土地使用数据和地表/地下水质量参数.
• 采用机器学习模型来分析微生物呼吸电子传输系统活动 (ETSA) 和微生物多样性指数 (Chao1,Shannon) 的总和脱细菌.

主要成果:

• 机器学习模型准确预测了微生物多样性 (R2: 0.754-0.839).
• 溶解有机 (DON) 是微生物功能的主要驱动因素,值为~2 mg/L.
• 溶性反应 (SRP) 和Fe (II) 是细菌脱的关键因素,而总对ETSA很重要.

结论:

• 环境因素,特别是DON和SRP,在污水影响的HZ中显著影响微生物活动和多样性.
• 机器学习有效预测微生物反应,帮助监测受影响的河流系统中的生态健康.
• 这些发现为在接收废水废水的低温区域中管理微生物过程提供了新的见解.