空气中的细菌度的预测和污染废物设施中的关键因素的识别:洞察可解释的机器学习模型

科学领域:

• 环境科学 环境科学
• 微生物学 微生物学
• 数据科学数据科学数据科学

背景情况:

• 废物设施中的空气传播细菌度构成卫生风险.
• 传统的线性模型无法捕捉复杂的微生物动态.
• 准确的预测对于环境卫生管理至关重要.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于预测空气中的细菌度.
• 确定影响空气中的细菌的关键环境和微生物因素.
• 为控制废物设施中的空气污染提供建议.

主要方法:

• 使用组合数据集开发了四种机器学习模型.
• 输入特征包括环境因素,气态污染物和微生物数据.
• 一个随机森林 (RF) 模型因其性能和可解释性而被选择.

主要成果:

• 最好的ML模型实现了0.7369.2的测试R2.
• 垃圾容器表面的细菌种群是最有影响力的因素.
• 确定了最佳的环境条件 (温度,湿度,氨,PM2.5).

结论:

• 机器学习模型有效预测废物设施中的空气中的细菌度.
• 确定关键因素有助于制定有针对性的风险管理策略.
• 提供了对环境控制和消毒的建议.