一种由图形表示学习驱动的新型预测方法,用于重金属度
Huijuan Hao1, Panpan Li2, Ke Li3
1Research Center for Eco-Environmental Sciences, Chinese Academy of Sciences, Beijing 100085, PR China.
The Science of the total environment
|July 12, 2024
概括
本研究引入了一种新的重金属图表表示学习 (GraRL-HM) 方法,通过考虑环境因素相关性,准确预测土壤-大米系统中的重金属度. 该方法显著提高了预测准确性,并为污染控制提供了洞察力.
科学领域:
- 环境科学 环境科学
- 计算化学计算化学
- 农业科学 农业科学
背景情况:
- 土壤-大米系统中的重金属 (HM) 污染对公众健康构成重大风险.
- 目前的预测模型缺乏可解释性,因为不充分考虑因素间相关性.
- 早期预测对于缓解HM积累至关重要.
研究的目的:
- 开发一种准确和可解释的方法,用于预测土壤-大米系统中的HM度.
- 为了利用图形表示学习 (Graph Representation Learning, GraRL) 来建模复杂的环境因素关系.
- 提高HM积累预测模型的效率和准确性.
主要方法:
- 开发了GraRL-HM方法,包括两个模块:PeTPG和GCN-HM.
- PeTPG模块:使用图形表示和社区化生成图形结构,以确定环境因素的相关性和传输路径.
- GCN-HM模块:使用图形卷积神经网络 (GCN) 来根据精细的图形结构预测HM度.
主要成果:
- PeTPG模型将图形尺度减少了53.5%,将396个相关性路径简化为184个,通过删除无效的路径.
- 精细的图形结构提高了学习效率和表示精度.
- GCN-HM模型的表现优于四个基准模型,预测准确度 (R2) 提高了36.1%.
结论:
- 格拉RL-HM方法为预测土壤-大米系统中HM积累提供了一种新,准确和可解释的方法.
- 该研究为智能监管和重金属污染管理的指导提供了宝贵的见解.
- 这种方法提高了精准农业和环境风险评估的潜力.
