相关实验视频
Updated: Jan 8, 2026

Watershed Planning within a Quantitative Scenario Analysis Framework
Published on: July 24, 2016
使用机器学习在河流中制药生态风险的全球绘制:驱动者,热点和复合的水压力
Jian Chen1, Li Zhao2, Lin Zhu1
1Department of Chemistry, Hong Kong Baptist University, Hong Kong SAR 999077, China.
制药污染构成了全球生态威胁. 这项研究使用了一种新的机器学习方法 (SHAP-SEM) 来绘制和确定全球河流中制药生态风险的关键驱动因素.
科学领域:
- 环境化学环境化学
- 生态毒理学 生态毒理学
- 机器学习应用 机器学习应用
背景情况:
- 药品是必不可少的,但也是普遍存在的环境污染物.
- 在全球水域监测制药风险是具有挑战性的,因为规模,创造知识差距.
- 现有的模型往往缺乏解释性,阻碍了有效的风险评估.
研究的目的:
- 开发一种可解释的机器学习框架,用于量化制药生态风险.
- 确定影响制药污染的关键驱动因素及其相互作用.
- 创建制药生态风险的高分辨率全球地图.
主要方法:
- 将夏普利添加式扩展 (SHAP) 与结构方程建模 (SEM) 的集成.
- 开发一种机器学习框架,用于可解释的风险评估.
- 创建一个2公里分辨率的全球河流网络风险地图.
主要成果:
- 在美国中部,中国南部,印度北部,中欧/西欧和巴西南部确定了制药污染热点.
- 水文地质因素 (26.3%) 是主要的驱动因素,社会经济和气候因素产生间接影响.
- 制药风险,水质不佳和水资源短缺的同时发生地图,突出显示黄河,苏特勒河和尼罗河等河流是高度关注的地区.
结论:
- 可解释的SHAP-SEM框架有效量化了制药生态风险及其驱动因素.
- 该研究为有针对性的监测和制药污染减缓提供了空间明确的基础.
- 可适应的框架可以扩展到评估其他新出现的污染物.
更多相关视频
16:02Demonstration of the Sequence Alignment to Predict Across Species Susceptibility Tool for Rapid Assessment of Protein Conservation
Published on: February 10, 2023
05:46Identification of Pharmaceuticals in The Aquatic Environment Using HPLC-ESI-Q-TOF-MS and Elimination of Erythromycin Through Photo-Induced Degradation
Published on: August 1, 2018
相关概念视频
Design Example: Analyzing Capacity Contours for Flood Risk Assessment
Applications of GIS: Disaster Management and Emergency Response
Steps in Outbreak Investigation