整合生物测试和机器学习数据用于对Ulva australis的除草剂使用的生态风险评估

科学领域:

• 环境毒理学环境毒理学
• 生态毒理学 生态毒理学
• 水生生态学 水生生态学

背景情况:

• 水生生态系统的除草剂污染对生物多样性构成重大威胁.
• 传统的监测方法存在局限性,需要创新的生态风险评估方法.
• Ulva australis被提议作为一种理想的模型生物来评估除草剂的毒性.

研究的目的:

• 为了评估六种常见的除草剂 (阿特拉辛,氨酸,氨酸,六氨酸,六氨酸,西马辛和甲) 对澳大利亚的毒性.
• 将实验生物测试与机器学习相结合,以加强生态风险评估.
• 确定特定除草剂的危险度值 (HC5) 和预测无效度 (PNEC).

主要方法:

• 使用Ulva australis测量繁殖,相对生长率和光合作用效率的实验生物测试.
• 用物种灵敏度分布建模来得出HC5和PNEC值.
• 机器学习模型的应用 (梯度增强和随机森林) 用于毒性预测和分析.

主要成果:

• 对氨酸的衍生PNEC与欧洲化学品署的基准标准非常相匹配.
• 赫萨津的衍生HC5低于澳大利亚/新西兰指南.
• 梯度增强机器学习模型表现出高预测准确度 (R2 = 0.933) 和稳定性.

结论:

• 综合实验和计算方法为生态风险评估提供了一个可扩展的框架.
• 这些发现支持在除草剂毒性评估中使用Ulva australis和机器学习.
• 这种方法可以为减轻除草剂对水生生态系统影响的适应性策略提供信息.