通过使用可解释的机器学习和网络分析,评估河流中微污染物污染的环境决定因素
Min Jeong Ban1, Dong Hoon Lee1, Byung-Tae Lee2
1Department of Civil and Environmental Engineering, Dongguk University-Seoul, Seoul, 04620, South Korea.
Chemosphere
|December 29, 2024
概括
这项研究使用可解释的机器学习来确定流域中的微污染物来源. 它将温度,降雨量和土地利用确定为影响农药和制药污染水平的关键因素.
科学领域:
- 环境科学 环境科学
- 水的质量 水的质量
- 数据科学数据科学数据科学
背景情况:
- 水生系统中的农药和药品等微污染物构成生态风险.
- 现有的机器学习 (ML) 方法难以处理复杂的环境数据和理解变量相互作用.
- 需要先进的分析工具来识别微污染物来源和驱动因素.
研究的目的:
- 整合可解释的ML和网络分析,用于识别大型流域中的微污染物来源.
- 确定影响微污染物度的关键因素.
- 了解不同环境条件下的污染途径.
主要方法:
- 应用并比较了四种ML算法:支持向量机,随机森林,极端梯度增强 (XGB) 和自动编码器-XGB.
- 使用Shapley添加式解释 (SHAP) 来实现模型的可解释性.
- 采用网络分析来揭示污染途径和特定事件的特征.
- 使用合成少数人过量采样技术来处理数据不平衡.
主要成果:
- XGB模型在预测微污染物水平,特别是高度方面取得了很高的准确性 (87%-99%).
- SHAP分析发现温度和降雨是影响微污染物水平的重要因素.
- 农业活动与农药污染有关,而城市活动与制药污染有关.
- 网络分析显示,在干燥和湿期间有不同的排放路径.
结论:
- 可解释的ML和网络分析有效地识别了混合用地流域中的微污染源和影响因素.
- 了解污染途径有助于制定有针对性的控制措施和明智的水质政策.
- 这种综合方法提高了面临微污染物威胁的水生生态系统的管理.
相关概念视频
01:23Mechanistic Models: Compartment Models in Individual and Population Analysis
27
Mechanistic models are utilized in individual analysis using single-source data, but imperfections arise due to data collection errors, preventing perfect prediction of observed data. The mathematical equation involves known values (Xi), observed concentrations (Ci), measurement errors (εi), model parameters (ϕj), and the related function (ƒi) for i number of values. Different least-squares metrics quantify differences between predicted and observed values. The ordinary least...
27
01:30Environmental Applications of Microorganisms
1
Microorganisms play a pivotal role in maintaining ecosystem balance by recycling essential elements such as carbon, nitrogen, and phosphorus, as well as supporting processes like bioremediation, wastewater treatment, and biofuel production.Microbes in Elemental CyclesIn the carbon cycle, microorganisms decompose organic matter, releasing carbon dioxide via aerobic respiration. This carbon dioxide is subsequently used by photosynthetic organisms to synthesize organic compounds, closing the...
1