农作物累积是农业污染物从土壤进入人类食物链的重要途径。近日,从中国农科院植物保护研究所获悉,科研人员首次利用机器学习模型直接预测植物根部从土壤中吸收累积农药等有机污染物的量,为农产品在产地环境化学污染的预测提供了新的工具和手段。 机器学习模型预测植物吸收累积农业污染物的示意流程图。中国农科院供图据介绍,准确预测植物吸收和累积农业污染物对保障食品安全、产地修复和人类健康暴露评估具有重要的意义。然而
農(nóng)作物累積是農(nóng)業(yè)污染物從土壤進入人類食物鏈的重要途徑。近日,從中國農(nóng)科院植物保護研究所獲悉,科研人員首次利用機器學習模型直接預測植物根部從土壤中吸收累積農(nóng)藥等有機污染物的量,為農(nóng)產(chǎn)品在產(chǎn)地環(huán)境化學污染的預測提供了新的工具和手段。
機器學習模型預測植物吸收累積農(nóng)業(yè)污染物的示意流程圖。中國農(nóng)科院供圖據(jù)介紹,準確預測植物吸收和累積農(nóng)業(yè)污染物對保障食品安全、產(chǎn)地修復和人類健康暴露評估具有重要的意義。然而,由于污染物-土壤-植物根系之間復雜的相互作用,建立穩(wěn)健可靠的預測模型仍然具有很大挑戰(zhàn)性。傳統(tǒng)的線性預測模型難以預測污染物-土壤-植物間的非線性關系,導致預測值與實際值差異較大。在此次研究中,科研人員對比了四種不同的機器學習算法,通過對341個數(shù)據(jù)點、72個化合物的數(shù)據(jù)集進行訓練,預測植物根系富集值,證明了新構建的GBRT-ECFP模型為最優(yōu)預測模型,并通過5倍交叉驗證評估了預測性能,其中R2值為0.77,平均絕對誤差(MAE)為0.22。此外,本研究解析了化學分子、土壤與植物特性之間的非線性關系。研究成功利用機器學習作為新興手段預測農(nóng)田作物對農(nóng)藥等污染物的吸收累積,展現(xiàn)了預測工具的先進性和通用性,為未來新農(nóng)藥植物吸收潛能評估和農(nóng)田農(nóng)藥污染安全評價提供新的可靠工具。