使用机器学习方法揭示河流中的微生物代谢.
Yuying Jia1, Xiangang Hu1, Weilu Kang1
1Key Laboratory of Pollution Processes and Environmental Criteria (Ministry of Education), Tianjin Key Laboratory of Environmental Remediation and Pollution Control, College of Environmental Science and Engineering, Nankai University, Tianjin 300350, China.
Environmental science & technology
|April 3, 2024
概括
这项研究使用先进的机器学习确定了河流中微生物代谢的关键驱动因素. 结果揭示了控制污染和改善河流健康的关键值和度范围.
科学领域:
- 环境微生物学环境微生物学
- 河流生态学 河流生态学
- 生物地质化学循环是什么
背景情况:
- 微生物的代谢极大地影响了河流污染和温室气体排放.
- 在河流中微生物代谢的交互驱动因素仍然不太了解.
- 现有的模型往往无法捕捉环境因素和微生物过程之间的复杂关系.
研究的目的:
- 在中国河流中识别和分析微生物代谢的互动驱动因素.
- 应用可解释的因果机器学习 (ICML) 框架,以更深入地了解这些驱动因素.
- 提出微生物代谢的精确调节策略,重点关注临界点和度窗口.
主要方法:
- 在中国的105条河流中分析微生物代谢模式.
- 使用可解释的因果机器学习 (ICML) 框架来建模复杂的关系.
- 将26个环境和社会经济因素纳入分析.
- 确定主要物质的临界点和度窗口,如溶解有机碳 (DOC) 和酸 (NO3−-N).
主要成果:
- 与传统线性回归相比,ICML模型在识别复杂关系方面表现优越.
- 对溶解有机碳 (DOC) 确定了影响细菌脱 (6.2 mg/L) 和化 (4.2 mg/L) 的特定临界点.
- 确定NO3−-N (15.9-18.0 mg/L) 和DOC (9.1-10.8 mg/L) 的最佳度窗口,以最大限度地提高无化细菌的数量.
结论:
- 这项研究成功地阐明了河流中微生物代谢的主要驱动因素.
- 这些发现支持通过确定的临界点和度窗口精确调节污染.
- 集成ICML和现场数据为有效的河流生态管理提供了一个强大的框架.


