中国环境科学

作者：刘冰, 时凯歌, 陈燕敏, 卢鑫, 韩帅军, 古励

单位：1. 郑州师范学院化学化工学院, 河南 郑州 450044;2. 重庆大学环境与生态学院, 重庆 400044

关键词：溶解性有机物,可解释,机器学习,光化学,预测

基金：国家自然科学基金资助项目(51208448);河南省高等学校重点科研项目(24B610016);河南省科技厅科技攻关项目(222102910508)

以DOM光化学产物三重激发态DOM (3DOM*)、单线态氧(1O2)、羟基自由基(•OH)作为研究目标,分别使用3种回归算法构建机器学习(ML)模型,评估环境因素、紫外-可见光参数和荧光参数作为特征的重要性.结果表明,分类梯度提升算法ML模型在测试集中对预测目标的表现更好,R2分别为0.9344、0.8091和0.7775.温度、DOC和pH值分别是预测3DOM*、1O2和•OH的最重要特征.应用分类梯度提升算法链式ML模型时,对1O2和•OH预测性能有所优化,1O2在测试集的R2由0.8091增加至0.8233,RMSE由1.322降至0.418;•OH在测试集的R2由0.7775上升至0.8094,RMSE由2.982降至0.312.另外,ML模型对3DOM*、1O2和•OH的预测表现均优于偏最小二乘法回归模型,表明ML模型对非线性关系具有较强的处理能力.基于ML的特征重要性分析识别出DOM光化学反应中的关键特征,可为众多影响因素的集约化处理提供直接证据.

来源：2025年第7期

《中国环境科学》期刊编辑部

查看中国环境科学杂志2025年第7期