通过无监督和监督的机器学习来区分河口溶解有机物组成.

科学领域:

• 环境化学环境化学
• 生物地质化学生物地质化学
• 分析水质 分析水质

背景情况:

• 在河口中区分溶解有机物 (DOM) 组成对于理解生物地化学过程和热量循环至关重要.
• 追踪河口DOM的时空变化是复杂的,因为有多个来源和转换过程.
• 工业化和城市化的人类影响进一步复杂化了河口DOM动态.

研究的目的:

• 通过分析其光学特性来研究河口DOM的动态.
• 使用机器学习和可解释的人工智能捕捉DOM变异性.
• 为了区分DOM组成,并阐明人类影响的河口中涉及的过程.

主要方法:

• 在不同的水文条件下从塞纳河口收集了249个地下水样本.
• 使用紫外线可见吸收和激发发射矩阵 (EEM) 光光谱学分析了DOM的光学特性.
• 应用无监督 (K-means集群) 和监督 (轻梯度增强机器) 机器学习,使用夏普利添加式扩展 (SHAP) 进行分析.

主要成果:

• 无监督机器学习基于DOM光学参数的空间变化确定了三个不同的河口区域.
• 监督机器学习验证了定义的区分,SHAP分析揭示了区域特定的DOM特征.
• 区域I (上游河口) 显示高分子量和本土DOM;区域II (中游河口) 显示本土,芳香和降解产品;区域III (下游河口) 显示芳香,低分子量和降解产品.

结论:

• 介绍了一种工作流程,用于区分DOM组成并追踪其沿着陆海连续体的变化.
• 该研究成功阐明了塞纳河口的DOM动态和涉及的过程.
• 开发的方法对环境管理有重大影响,可以适应其他河口系统.