东北地理所在利用机器学习预测堆肥中重金属生物有效形态研究方面取得重要进展
本研究基于课题组15年的数据累积及外部数据的收集,共取得260组数据。以堆肥过程中常见的物质变化指标(堆肥时间、温度、pH、EC、OM、TP、TN和重金属总量)为输入因子,借助反向传播神经网络(BPNN)、梯度增强回归模型(GBR)、随机森林模型(RF),建立了堆肥过程中重金属形态快速预测模型,从而对重金属有效性进行评估。研究结果表明:BPNN、GBR和RF模型均能预测堆肥过程中Cu和Zn的形态分布(图1),其中RF的预测性能最好,R2值为0.93-0.97.同时,输入因子的特征性分析表明(图2),除堆肥时间外,OM和TP分别是预测Cu和Zn有效形态的最重要特征,降低OM或增加TP有助于提升堆肥中Cu和Zn的钝化能力。本研究识别了Cu和Zn生物有效形态之间转化的主要影响因子,为评估堆肥生产中重金属生物有效性评估及调控提供了一种快速的决策工具;同时拓展了人工智能方法在有机固废资源化领域的适用性,对于构建生态安全的种养结合、农牧循环新格局具有重要推动意义。
图1 堆肥样品中Exc-Cu、Red-Cu、Exc-Zn和Red-Zn实测值与预测值的对比
图2 主要变量对不同形态重金属贡献率
研究成果近期发表在国际期刊《Journal of Hazardous Materials》(IF 13.6)上,博士研究生白冰为论文的第一作者,王莉霞研究员为通讯作者。研究由中国科学院战略性先导科技专项(XDA28080400.XDA23070502)资助。
论文信息及链接如下:
Bing Bai,Lixia Wang*,Fachun Guan,Yanru Cui,Meiwen Bao,Shuxin Gong. 2024. Prediction models for bioavailability of Cu and Zn during composting: Insights into machine learning,J. Hazard. Mater. 471.134392. https://doi.org/10.1016/j.jhazmat.
附件下载: