基于机器学习的识别关键因素的积在米粒中的积累

科学领域:

• 环境科学 环境科学
• 农业科学 农业科学
• 计算科学 计算科学

背景情况:

• 在大米中积累的 (Cd) 对人类健康构成重大风险.
• 土壤-大米系统的复杂性需要确定驱动Cd聚合的关键因素.
• 了解这些因素对于确保大米安全和减轻健康问题至关重要.

研究的目的:

• 开发机器学习 (ML) 模型,用于预测米粒中的Cd度.
• 确定影响大米中的聚合的关键因素.
• 突出水资源管理对大米吸收的作用.

主要方法:

• 分析了来自474个数据点的数据,这些数据来自77个已出版的著作.
• 开发和评估了八个ML模型,包括极端随机树木 (ERT) 和随机森林.
• 使用土壤总Cd度 (TS Cd) 和可提取的Cd度 (Ex-Cd) 作为输入变量来预测大米Cd度 (Cd_大米).

主要成果:

• 该ERT模型在预测Cd_rice方面表现出卓越的表现 (R² = 0.825对于TS Cd,R² = 0.792对于Ex-Cd).
• 特性重要性分析确定了阴离子交换能力 (CEC),TS Cd,水资源管理模型 (WMM) 和pH作为关键因素.
• 在使用可提取Cd作为输入时,CEC,Ex-Cd,pH和WMM被确定为重要因素.

结论:

• 机器学习模型,特别是ERT,是预测在米粒中的积累的有效工具.
• 土壤特性 (CEC,pH) 和水资源管理实践显著影响大米中的含量.
• 这项研究强调了水资源管理在土壤-大米系统中的聚中的以前被低估的重要性.