基于机器学习的土壤金属生态毒性的多维分析和区域生态风险预测
Mengjia Li1, Xuedong Wang1, Yibing Ma2
1College of Resource Environment and Tourism, Capital Normal University, Beijing 100048, China.
Journal of hazardous materials
|February 21, 2026
概括
一个新的机器学习模型通过整合金属,土壤和物种数据来预测土壤金属毒性值. 该框架有助于大规模的风险评估,并确定高风险区域,以改善环境管理.
科学领域:
- 环境科学 环境科学
- 生态毒理学 生态毒理学
- 计算化学的计算化学
背景情况:
- 土壤金属污染对生态系统和人类健康构成重大风险.
- 目前的风险管理受到缺乏确定的毒性值和模型的限制,这些模型未能捕捉复杂的金属-土壤-物种相互作用.
研究的目的:
- 开发一种机器学习框架,用于预测土壤金属毒性值.
- 整合金属的物理化学性质,土壤环境因素和特定物种的反应,以准确预测毒性.
主要方法:
- 从文献和实验来源编制了1231个多维数据记录.
- 开发并比较了两个编码策略 (毒性实证值和一热编码).
- 使用随机森林模型,实现R2 = 0.82与98%的预测在1.5倍的误差.
主要成果:
- 土壤特性 (粘土,阴离子交换能力) 是毒性预测的主要贡献者 (42.7%).
- 金属属性 (32.8%) 和物种敏感性 (24.5%) 也显著影响了预测.
- 确定非线性相互作用 (例如,pH-粘土) 作为金属生物可用性的关键调节者.
结论:
- 开发的机器学习模型准确地预测了土壤金属毒性值 (EC10值).
- 该模型应用于独立的数据集,确定了欧洲和中国的各种金属,包括新兴元素的高风险区域.
- 为大规模的多维土壤金属风险评估和管理提供关键支持.
