使用ANN-XGBoost模型组合,以微生物指纹为动力,在表面水中确定耕地流水源的可信度驱动

科学领域:

• 环境微生物学 环境微生物学
• 水质管理水质管理
• 计算生物学 计算生物学

背景情况:

• 高污染负载的农田冲水在全球范围内降低了地表水质.
• 传统的污染识别方法仅限于特定的污染物.
• 需要采取更广泛的方法来检测农业来源的非目标污染物.

研究的目的:

• 开发和验证一种结合机器学习的微生物指纹技术,用于识别耕地流水.
• 建立可靠的污染源追踪方法,适用于各种污染物.
• 通过克服传统污染物特定分析的局限性,加强水质监测.

主要方法:

• 386个环境样本的高通量测序 (水产养殖废水,家用污水,耕地和果园下水).
• 选五个有义务的无氧种群作为潜在的微生物指纹,用于农田的下水.
• 机器学习模型优化 (人工神经网络,极端梯度增强) 使用模拟数据集.
• 开发ANN-XGBoost模型组合,以提高准确性和不确定性评估.

主要成果:

• 确定了五种特定的厌氧种群作为可靠的微生物指纹,用于农田的下水.
• 该ANN和XGBoost模型实现了高预测准确度 (分别为0.8133 ± 0.0006和0.8261 ± 0.0029).
• ANN-XGBoost组合模型表现出卓越的性能 (精度为0.8400 ± 0.0292),超过了现有方法.
• 为预测不确定性建立了一个五层的可信度系统.

结论:

• 微生物指纹与机器学习相结合,提供了一种强大而通用的方法来识别耕地下水污染.
• 这种方法不受特定污染物的限制,比传统技术具有更广泛的适用性.
• 开发的方法显著提高了水污染源追踪的可靠性和准确性.