使用各种机器学习 (ML) 模型预测沉积物中潜在有毒元素 (PTEs) 的生物可用性:在马哈巴德水和伊朗河的一项案例研究

科学领域:

• 环境科学 环境科学
• 地质化学 地质化学
• 计算科学 计算科学

背景情况:

• 潜在有毒元素 (PTEs) 对生态系统和人类健康构成重大风险.
• 了解沉积物中的PTE污染和流动性对于风险评估至关重要.
• 准确预测PTE生物可用性需要有效的机器学习 (ML) 算法.

研究的目的:

• 调查四种PTE (Zn,Cu,Mo,Pb) 在马哈巴德水和河流沉积物中的污染水平和流动性.
• 为了比较四个ML模型 (DTR,RFR,MLPR,SVR) 在预测PTE生物可用性方面的性能.
• 确定影响PTE生物可用性的关键物理化学和化学物种化因素.

主要方法:

• 对四种PTE (Zn,Cu,Mo,Pb) 和相关的物理化学性质 (总度,pH,EC,OM) 分析了100个沉积物样本.
• 使用顺序提取来确定五种PTE的化学形式 (F1-F5).
• 使用并比较了四种ML模型:决策树回归 (DTR),随机森林回归 (RFR),多层感知子回归 (MLPR) 和支持矢量回归 (SVR).

主要成果:

• 污染水平按照Zn > Cu > Pb > Mo的顺序下降;移动性跟随Zn > Cu > Mo > Pb.
• DTR和RFR模型在预测PTE生物可用性方面表现优异 (roc_auc > 0.9,R2 > 0.8).
• 对于 Zn,Cu 和 Mo 的生物可用性来说,pH 是最关键的因素,而 EC 则决定了 Pb. 化学分数F1和F2显示直接相关性,而F5显示逆相关性.

结论:

• ML模型,特别是DTR和RFR,是预测沉积物中PTE生物可用性的有效工具.
• 物理化学特性 (pH,EC) 和化学特异性显著控制了PTE的可用性.
• 这项研究表明了ML在水生环境中对PTE风险控制和预警系统的潜力.