集成自动机器学习和代谢重编程来识别土壤中的微塑料:关于大豆的案例研究

科学领域:

• 环境科学 环境科学
• 农业科学 农业科学
• 数据科学数据科学数据科学

背景情况:

• 聚乙烯微塑料 (PE-MP) 在土壤中的积累对植物健康,作物产量和食物链完整性构成风险.
• 对PE-MP和除草剂等共污染物的有效检测方法对于环境安全至关重要.

研究的目的:

• 开发和评估机器学习 (ML) 框架,特别是传统的ML和H2O自动化机器学习 (H2O AutoML),用于检测PE-MP和在土壤中促进SAFEN共同污染.
• 分析PE-MP和共污染对大豆植物代谢的影响.

主要方法:

• 利用传统的ML和H2OAutoML算法分析具有不同度PE-MPs (0.1%,1%,2%) 和共同污染的土壤样本.
• 采用VIP和SHAP分析来解释ML模型并了解对大豆植物的代谢影响.

主要成果:

• 与传统的ML相比,H2O AutoML在区分干净和受污染的土壤方面表现出更高的准确性.
• H2O AutoML 在检测0.1%的PE-MP时实现了100%的准确性,在检测PE-MP和fomesafen共同污染时达到90%的准确性.
• 分析显示PE-MPs的显著干扰以及与大豆抗氧化系统和能量调节的共同污染.

结论:

• H2O AutoML为检测土壤微塑料和除草剂污染提供了一个强大而准确的框架.
• 该研究强调了PE-MPs和共同污染对植物代谢过程的有害影响,强调了环境监测和可持续实践的必要性.