多因素交互视角:基于机器学习的分析,对Ni2+吸附到土壤上的分析.

科学领域:

• 环境科学 环境科学
• 土壤科学 土壤科学
• 计算化学计算化学

背景情况:

• 来自工业和农业的 (Ni2+) 污染对生态和健康构成风险.
• 了解土壤中的吸附对于环境管理至关重要.
• 之前的研究缺乏对吸附的非线性和相互作用效应的全面分析.

研究的目的:

• 研究各种因素对土壤中Ni2+吸附的非线性关系和相互作用影响.
• 利用机器学习和SHAP对这些复杂相互作用进行定量分析.
• 确定关键因素及其对土壤中固定的协同或对抗作用.

主要方法:

• 使用机器学习模型 (CatBoost和XGBoost) 分析了662个实验数据集.
• 应用夏普利添加式扩展 (SHAP) 来解释模型预测和发现特征相互作用.
• 使用测试R²值评估模型性能.

主要成果:

• CatBoost 模型的表现优于 XGBoost (测试 R² = 0.85 与 0.83 相比).
• 最初的Ni2+度 (C0) 是最重要的因素,其次是离子强度 (IS),固体-液体比率 (SL),粘土含量和阴离子交换能力 (CEC).
• 观察到SL的非线性效应,在低比率下最大吸附.
• C0与CEC和粘土含量产生协同作用,增强Ni2+的固定性.
• 升高的IS降低了C₀与土壤属性的协同作用.

结论:

• 机器学习和SHAP为剖析土壤科学中复杂的多因素过程提供了强大的工具.
• 初始度,土壤特性 (CEC,粘土含量) 和离子强度是吸附的关键决定因素.
• 了解这些相互作用对于准确的环境风险评估和制定有效的重金属污染土壤修复策略至关重要.