清华王笑楠ES&T: 机器学习预测生物炭对土壤重金属的固定效率

生物炭的应用是修复受污染土壤的一种有前途的策略，同时确保可持续的废物管理。重金属（HM）污染土壤的生物炭修复主要取决于土壤、生物炭和HM的性质，在生物炭改良土壤中固定HM的最佳条件因地点/研究而异。因此，需要一种通用的方法来预测生物炭改良土壤中HM的固定效率。

为此，清华大学王笑楠副教授、高丽大学Yong Sik Ok等人开发了机器学习（ML）模型来预测HM在生物炭改良土壤中的固定效率。一般统计方法只能实现单个因素与目标之间的样本线性或二次相关，而ML方法可以同时考虑最大可能的相关因素并识别与目标的复杂相关性。

作者收集了162个数据点并用于ML 探索，考虑了20个输入变量来评估其对生物炭处理土壤中HM固定化的作用和影响，包括热解温度、生物炭性质（pH和表面积）、生物炭组成（C、H、N、O和灰分含量）、原子比（H/C、O/C 和[O + N]/C）、实施条件（生物炭添加率、实施持续时间和有效HM浓度）和土壤特性（pH和电导率）。此外，HM固定被定义为输出变量。归一化后的数据集被随机分为两部分：85% 用于ML模型训练，其余15%用于最终模型评估。

图1. ML框架策略的流程图

为确保整个数据集的一致性并获得缺失的数据点，作者开发了3种ML算法（随机森林-RF、支持向量回归-SVR、神经网络-NN）以使用热解温度、pH、成分和原子比推导出缺失的表面积（SA）数据作为输入。作者发现H/C原子比是SA预测的最重要特征，这是一个未报道过的新发现。第二个最重要的特征是pH，其次是生物炭热解温度。

此外，具有最佳调整超参数的RF模型是预测HM固定效率的最佳算法，其测试R²和RMSE分别为0.91、10.54%。因果分析表明，影响HM固定效率特征重要性排序为生物炭性质>实施条件>土壤性质>HM性质。因此，本研究针对生物炭/土壤性质对HM固定化的影响提出了新的见解，可帮助确定生物炭改良土壤中增强HM固定的最佳条件。

图2. 三种ML模型的预测性能

Prediction of Soil Heavy Metal Immobilization by Biochar Using Machine Learning, Environmental Science & Technology 2022. DOI: 10.1021/acs.est.1c08302

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/10/75392fd990/

清华王笑楠ES&T: 机器学习预测生物炭对土壤重金属的固定效率

相关推荐

发表回复