在南极的PAH暴露的机器学习分类Nacella concinna concinna
Han Huang1, Yi Liu2, Tianlei Feng1
1School of Environmental Science and Engineering, Tongji University, Shanghai, 200092, China.
Marine pollution bulletin
|January 8, 2026
概括
机器学习模型有效地识别了南极 (Nacella concinna) 中的多环芳 (PAH) 污染. 这种方法提供了一种快速可靠的方法,用于监测敏感的极地海洋生态系统中的石油污染.
科学领域:
- 环境科学 环境科学
- 海洋生物学 海洋生物学
- 生态毒理学 生态毒理学
背景情况:
- 石油碳化合物污染对南极海洋生态系统构成威胁.
- 生物监测对于评估南极洲等偏远地区的环境健康至关重要.
研究的目的:
- 开发和评估机器学习模型,用于对南极鱼Nacella concinna的多环芳 (PAH) 污染进行分类.
- 确定有效的机器学习算法,用于对石油污染的生物监测.
主要方法:
- 收集了来自菲尔德斯半岛,乔治王岛的165个纳塞拉concinna个体.
- 在软组织中测量了16种优先PAH的度.
- 开发了使用K-近邻 (KNN) 的二进制分类器,支持向量机 (SVM),决策树 (DT),极端梯度增强 (XGB) 和随机森林 (RF) 的优化超参数.
- 为了模型的可解释性,利用了夏普利添加式解释 (SHAP).
主要成果:
- 随机森林 (RF) 和极端梯度增强 (XGB) 模型表现出高性能,曲线下面积 (AUC) 值超过0.95.
- 使用网格搜索进行超参数优化,在所有测试模型中显著提高了分类器性能.
- 纳夫他林被确定为PAH污染的关键指标,通过SHAP分析.
结论:
- 将双生物指标与基于树的整体机器学习模型相结合,为快速选石油碳化合物污染提供了强大的框架.
- 这种方法可以有效地对南极海岸环境进行生物监测,从而有助于环境保护工作.
