在堆肥过程中Cu和Zn的生物可用性的预测模型:对机器学习的洞察力
Bing Bai1, Lixia Wang2, Fachun Guan3
1State Key Laboratory of Black Soils Conservation and Utilization, Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences, Changchun 130102, China; University of Chinese Academy of Sciences, Beijing 101408, China.
Journal of hazardous materials
|April 26, 2024
概括
机器学习模型准确地预测了堆肥中的生物可用重金属. 随机森林模型表现出色,为评估堆肥安全性和环境风险的传统方法提供了更快的替代方案.
科学领域:
- 环境科学 环境科学
- 土壤科学 土壤科学
- 分析化学 分析化学
背景情况:
- 评估堆肥中的重金属生物可用性对于环境风险评估至关重要.
- 目前的实验方法效率低且耗时.
- 机器学习 (ML) 显示出预测重金属分数的前景.
研究的目的:
- 开发和比较ML模型,用于预测堆肥过程中可生物利用的铜 (Cu) 和 (Zn) 分数.
- 确定影响这些动态变化的关键因素.
- 提供一个快速评估方法来评估堆肥的安全性.
主要方法:
- 分析了260个堆肥样本的物理化学特性.
- 使用了反向传播神经网络,梯度增强回归和随机森林 (RF) 模型.
- 模型预测了可生物利用的Cu和Zn分量的动态变化.
主要成果:
- 这三种ML模型都有效地预测了生物可用和的变化趋势.
- 与其他模型和先前的研究相比,射频模型表现出优异的预测性能.
- 有机物质 (OM),电导率 (EC) 和总 (TP) 被确定为关键预测因素.
结论:
- 简单而高效的ML模型,特别是RF,可以在堆肥过程中准确预测可生物利用的Cu和Zn分数.
- 这种方法提供了一种快速可靠的方法来评估堆肥产品的安全应用.
- ML为堆肥中的环境风险评估提供了一个有价值的工具.
更多相关视频
12:03Two-Dimensional Visualization and Quantification of Labile, Inorganic Plant Nutrients and Contaminants in Soil
Published on: September 1, 2020
6.1K
04:54Assessing Mineral Availability in Fish Feeds using Complementary Methods Demonstrated with the Example of Zinc in Atlantic Salmon
Published on: October 29, 2021
3.1K
