使用机器学习量化因素对土壤中可生物利用的Cd和Pb的贡献
Lingchen Mao1, Kai Kang1, Hui Kong2
1School of Environment and Architecture, University of Shanghai for Science and Technology, Shanghai 200093, China.
Journal of hazardous materials
|January 9, 2025
概括
预测土壤中和的生物可访问性对于健康风险评估至关重要. 机器学习模型,考虑到土壤特性和实验条件,提高了对这些有毒重金属的预测准确度.
科学领域:
- 环境化学环境化学
- 毒理学 毒理学 毒理学
- 土壤科学 土壤科学
背景情况:
- (Cd) 和 (Pb) 的生物可访问性对于污染土壤对人类健康的风险评估至关重要.
- 实验室分析条件和土壤特性在预测重金属生物可访问性方面带来了变化和不确定性.
研究的目的:
- 用三种体外方法测量Cd和Pb的生物可访问性,跨胃和胃肠各个阶段.
- 评估12个机器学习模型的性能,以预测重金属的生物可访问性.
- 确定影响Cd和Pb生物可访问性的关键实验条件和土壤特性.
主要方法:
- 采用了三种体外方法,在化一年后在土壤样本中评估Cd和Pb的生物可访问性.
- 应用了12个机器学习模型,选择随机森林因为其高预测准确度 (R2 0.74-0.82).
- 分析了实验因素 (例如,Cl−度,pH) 和土壤特性 (例如,颗粒大小,pH,MnO2含量) 对生物可访问性的影响.
主要成果:
- 随机森林模型在预测Cd和Pb生物可访问性方面表现强.
- 提取pH和Cl-度被确定为关键的实验因素.
- 土壤的特性,如细颗粒百分比 (<1微米) 和pH,显著影响了生物可访问性,MnO2含量影响了Pb.
- 老化时间提高了预测准确度,这表明随着土壤接触时间的延长,其重要性越来越大.
结论:
- 准确预测重金属的生物可访问性需要仔细考虑实验条件和土壤特征.
- 机器学习,特别是随机森林,提供了一个强大的方法来建模复杂的生物可访问性变异.
- 了解影响Cd和Pb生物可访问性的因素的相互作用对于可靠的污染土壤健康风险评估至关重要.
