通过可解释的机器学习模型,阐明和多醇基物质 (PFAS) 的土壤-水分区分行为
Jiaxing Xie1, Shun Liu1, Lihao Su1
1Key Laboratory of Industrial Ecology and Environmental Engineering (MOE), School of Environmental Science and Technology, Dalian University of Technology, Dalian 116024, China.
机器学习使用11个特征准确地预测了和多基物质 (PFAS) 的土壤-水分区分. 高有机碳,CEC和低pH增加PFAS吸附,而高pH和低有机碳增加环境迁移.
科学领域:
- 环境化学环境化学
- 土壤科学 土壤科学
- 计算化学的计算化学
背景情况:
- 和多基基物质 (PFAS) 是持久的环境污染物.
- 了解PFAS的土壤水分区对于评估它们的环境命运和迁移至关重要.
- 预测模型可以增强对复杂土壤环境中的PFAS行为的理解.
研究的目的:
- 开发和优化一种机器学习模型,用于预测PFAS的土壤-水分区系数 (Kd).
- 确定影响土壤水分区分的关键土壤属性和PFAS特征.
- 根据预测的分区,评估PFAS的环境迁移潜力.
主要方法:
- 开发了一个优化的随机森林 (RF) 模型来预测Kd值.
- 该模型利用了11个易于获得的特征,包括分子量和土壤pH值.
- 进行了三维相互作用分析,以确定特定的分区条件.
主要成果:
- 射频模型实现了高预测性能 (R2 = 0.93,RMSE = 0.86).
- 较高的有机碳 (OC),阴离子交换能力 (CEC) 和低的土壤pH与较高的Kd值 (更强的吸附) 相相关.
- 在高pH,低OC和低CEC土壤中观察到具有较轻分子量PFAS的低Kd值,表明吸附能力较弱和迁移潜力较高.
结论:
- 机器学习模型,如RF,是理解PFAS分区行为的强大工具.
- 土壤特性 (OC,CEC,pH) 和PFAS分子量是土壤与水分区分的关键决定因素.
- 该研究为预测PFAS环境分布和迁移提供了宝贵的见解.
更多相关视频
09:04Identifying Per- and Polyfluorinated Chemical Species with a Combined Targeted and Non-Targeted-Screening High-Resolution Mass Spectrometry Workflow
Published on: April 18, 2019
13:16A Whole Cell Bioreporter Approach to Assess Transport and Bioavailability of Organic Contaminants in Water Unsaturated Systems
Published on: December 24, 2014
相关概念视频
Multicompartment Models: Overview
These models offer a more comprehensive representation of drug behavior in the body than one-compartment models. They accommodate the complexity of drug distribution,...
Mechanistic Models: Overview of Compartment Models
Clearance Models: Compartment Models
Three-Compartment Open Model
Physiological Pharmacokinetic Models: Assumption with Protein Binding
Physiological Pharmacokinetic Models: Incorporating Hepatic Transporter-Mediated Clearance
A recent model describes pravastatin's hepatobiliary excretion,...
