基于紫外-可见光谱和机器学习方法的溶解性有机质吸附预测模型研究

摘要：

有机化合物在溶解性有机质(Dissolved Organic Matter,DOM)上的吸附行为显著影响其环境归趋和生物有效性.以标化的DOM紫外-可见光谱和有机化合物的正辛醇-水分配系数为特征,运用随机森林算法,建立有机碳标化分配系数(KOC)的预测模型.结果显示,随机森林模型在全部来源DOM上的预测精度显著高于目前普遍使用的线性自由能模型,但略低于两相体系模型.随机森林模型对土壤和泥炭来源的DOM吸附预测精度显著优于其他模型,说明随机森林模型具有很好的适用性.根据随机森林模型输出的特征重要性,发现模型学习到了表征DOM分子量大小、腐殖化程度以及苯环上取代基类型的光谱特征.通过特征选择,发现模型使用少数重要性较高的特征可以达到使用全谱的效果,即使在只选取两个波长时,预测精度依然显著优于线性自由能模型.由于DOM的紫外-可见光谱可原位实时分析,基于紫外-可见光谱和机器学习方法的预测模型未来可进行原位及高通量KOC时空规律解析,从而实现更准确更精细的风险评估与管理.

关键词：溶解性有机质;有机碳标化分配系数;预测模型;紫外-可见光谱;机器学习

所属期刊栏目：57

分类号：X5(环境污染及其防治)

资助基金：国家自然科学基金;"场地土壤污染成因与治理技术"重点专项

在线出版日期：2021-08-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：356-363