基于机器学习的识别关键的生物和非生物驱动器的矿物气候变化的速度在一个复杂的增强的气候变化实验
Iris Janssens1, Thomas Servotte2, Tullia Calogiuri3
1Department of Computer Science, University of Antwerp - imec - IDLab, Antwerp, Belgium.
Open research Europe
|August 12, 2025
概括
增强的矿物气候对二氧化碳的去除是复杂的. 钢添加和岩石颗粒大小是关键因素,虫和微生物也对结果产生了重大影响.
科学领域:
- 生物地质化学生物地质化学
- 环境科学 环境科学
- 碳封存是一种碳封存技术.
背景情况:
- 增强的矿物气候变化是一种有前途的二氧化碳去除 (CDR) 技术.
- 了解非生物和生物驱动因素对于优化这一过程至关重要.
- 许多因素可以影响矿物质化速率和相互作用.
研究的目的:
- 为了同时调查30个潜在的矿物气候变化的驱动因素.
- 为了量化二氧化碳去除指标.
- 为了确定影响矿物气候变化的主要因素.
主要方法:
- 一个为期8周的专实验,涉及各种岩石类型,修订和生物群.
- 测量溶解,固体和总无机碳 (∆TIC) 和总度.
- 机器学习模型 (LASSO,随机森林,XGB) 和SHAP用于驾驶员分析的应用.
主要成果:
- CDR指标的关键驱动因素各不相同,但非生物因素始终占主导地位.
- 钢渣添加和混合岩石粒度是∆TIC的主要驱动因素.
- 虫和微生物也对二氧化碳去除指标做出了重大贡献.
结论:
- 无生物和生物因素之间的复杂相互作用决定了矿物气候变化.
- 机器学习,特别是SHAP,可以阐明这些复杂的生物地化学关系.
- 结果为优化策略提供信息,以提高矿物气候变化作为CDR技术.
