摘要：单位：1.土壤与农业可持续发展国家重点实验室，中国科学院南京土壤研究所；2.中国科学院大学
来源：《农业环境科学学报》2024年11期
作者：钱一凡1,2，裴晨浩1,21，王玉军1,2*单位：1.土壤与农业可持续发展国家重点实验室，中国科学院南京土壤研究所；2.中国科学院大学
摘 要
为实现植物根系对全氟与多氟化合物（Per- and polyfluoroalkyl substances，PFAS）的吸收和积累的精准预测，本研究基于涵盖了19种PFAS的水培或土培体系文献数据，共计668条数据点，利用分子描述符、实验条件以及作物属性等作为特征变量，构建4种机器学习模型分别预测了水培体系和土壤体系的根系富集因子（RCF），效果最佳的均是极端梯度提升树（XGB）模型，测试集决定系数（R2）分别为0.69和0.83，均方根误差（RMSE）分别为0.51和0.28。水培体系中PFAS的吸收、积累更容易研究，因此搭建了从水培体系到土壤体系的迁移学习模型，通过知识共享来提升RCF 预测的准确度。最优的迁移模型的测试集R2达到了0.86，RMSE为0.25，准确性有显著提升。Shapley加性解释（SHAP）特征重要性分析结果显示，暴露时间、土壤pH和PFAS浓度是影响土壤根系吸收积累最主要的3个因素。本研究通过构建机器学习和迁移学习模型来预测土壤中植物根系PFAS的吸收积累，实现了简单水-植物根表体系向土-水-植物多个界面复杂体系的迁移，为评估土壤PFAS生态环境风险提供了新的视角。结 论：（1）相较于水培体系，土培体系lg RCF 中位数小且分布集中，这与PFAS在土-水界面上的吸附作用相关，两者数据融合可以支撑PFAS多相界面过程的机制模型。
（2）XGB模型在水培和土培数据集上显著优于RF、MPL、SVR模型。通过水培知识迁移，XGB模型在土壤数据集预测中的稳定性和预测精度得到增强，为研究PFAS在复杂环境中的植物吸收和富集机制提供了新的思路。
（3）通过特征重要性分析发现，迁移学习后PFAS分子结构和电子分布在土培条件下对PFAS吸收行为具有重要影响，而根脂质含量的重要性降低。
编辑：张丹丹
校对 | 审核：潘淑君 王农
来源：汤姆聊科学
免责声明：本站系转载，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与本站联系，我们将在第一时间删除内容!
