基于XGBoost模型的土壤中阿特拉津降解预测

利用自动机器学习方法建立预测土壤中除草剂阿特拉津降解效率的最佳模型，可评估土壤中阿特拉津的残存风险。本研究收集了49篇已发表文献中的494对数据，选择土壤pH、有机质含量、饱和导水率、土壤湿度、阿特拉津初始浓度、培养时间和接菌量7个因素作为输入特征，以阿特拉津在土壤中的一级反应速率常数作为输出特征，建立了6种预测土壤中阿特拉津降解效率的模型。通过线性回归和相关评价指标对模型性能进行综合分析。结果表明：XGBoost模型在预测一级反应速率常数(k)方面性能表现最佳。基于预测模型获得各因素的特征重要性排名，依次为土壤湿度>培养时间>pH>有机质>阿特拉津初始浓度>饱和导水率>接菌量；应用SHAP解释各特征与土壤中阿特拉津降解能力间的潜在联系以及各特征贡献度发现，时间对k有负贡献，而饱和导水率则对k有正贡献。土壤湿度、阿特拉津初始浓度、pH、接菌量和有机质含量的高值普遍分布在SHAP=0两侧，说明它们对土壤中阿特拉津降解存在复杂贡献。XGBoost模型结合SHAP方法在预测k性能和可解释性方面具有较高的准确性。通过机器学习方法，充分挖掘历史试验数据的价值，...