预测的生物可访问性:全球数据驱动的机器学习方法及其对减少碳排放的影响
Haonan Zhang1, Dan Han1, Maosheng Zhong1
1National Engineering Research Centre of Urban Environmental Pollution Control, Beijing Key Laboratory for Risk Modeling and Remediation of Contaminated Sites, Beijing Municipal Research Institute of Eco-Environmental Protection, Beijing 100037, China.
Journal of hazardous materials
|July 29, 2025
概括
机器学习模型准确地预测土壤中的生物可访问性,改善健康风险评估. 这种方法支持可持续的修复,减少土壤清理量和排放.
科学领域:
- 环境科学 环境科学
- 地质化学 地质化学
- 毒理学 毒理学 毒理学
背景情况:
- (As) 生物可访问性数据对于准确的健康风险评估至关重要,但直接测量是昂贵和耗时的.
- 现有的预测模型往往缺乏普遍性,因为它们依赖于有限的或人工准备的样本.
- 基于平均值的当前修复目标,与自然背景水平相比,可能不切实际地低.
研究的目的:
- 开发和验证一个强大的机器学习模型,用于预测田间老化土壤中的生物可访问性.
- 通过使用全面的全球数据集,评估各种机器学习算法的性能.
- 评估基于ML的方法对现场修复策略和环境结果的影响.
主要方法:
- 编制了一个全球数据集,记录了1458个在田间老化的土壤中的生物可访问性记录.
- 评估了八种机器学习模型,包括随机森林 (RF).
- 分析了总 (As-T) 和土壤特性 (Fe,Mn,有机碳,pH) 对生物可访问性的影响.
主要成果:
- 随机森林模型显示出优异的性能 (R2 = 0.86,RMSE = 0.58).
- 总解释了胃生物可访问性变异的73.2%.
- 在的生物可访问性和土壤特性 (如Fe,Mn,有机碳和pH) 之间发现了显著的关系.
结论:
- 机器学习,特别是射频模型,显著提高了生物可访问性预测的准确性.
- 基于ML的概率风险评估导致了更实用的修复目标,并大幅减少了修复量和碳排放.
- 这项研究表明了ML的潜力,可以更准确地评估环境风险和可持续地修复现场.
