一个基于物理的生成机器学习模型,用于土壤微塑料积累动态.

科学领域:

• 环境科学 环境科学
• 土壤科学 土壤科学
• 数据科学数据科学数据科学

背景情况:

• 微塑料污染给环境带来了重大挑战.
• 传统研究土壤中微塑料运输的方法受到异质性和复杂相互作用的限制.
• 开发强大的土壤微塑料动态模型对于了解环境命运至关重要.

研究的目的:

• 开发一种集成的,机械学知情的方法来建模土壤微塑料的动态.
• 将实验数据与先进的机器学习和统计方法结合起来.
• 确定影响微塑料在土壤中的运输的关键参数.

主要方法:

• 利用机器学习框架 (TabNet) 与第一原则的PDEs集成,用于预测建模.
• 采用了先进的统计依赖分析,包括斯皮尔曼的rho,肯德尔的tau,距离相关性,HSIC,基于的建模和格兰杰因果关系.
• 使用SHAP,部分依赖图,象征性元建模,双ML和TCAV的增强模型解释性.

主要成果:

• 密度解决方案成为最有影响力的参数,作为一个综合变量,集成多个输入相互作用.
• 其次影响因素包括土地使用 (≈0.9-0.93),尺寸范围 (≈0.77-0.86),采样深度 (≈0.73-0.81),以及土壤有机物 (SOM) 操作 (≈0.64-0.72).
• 统计分析揭示了显著的非线性相互作用和密度解决方案,土地利用和尺寸范围的时间/因果关系重要性.

结论:

• 综合方法为理解和预测土壤微塑料动态提供了一个强大的框架.
• 密度溶液是微塑料运输的关键,主导因素,简化了复杂的相互作用.
• 土地使用,尺寸范围和采样深度是影响微塑料在土壤中的移动的重要上下文依赖因素.