基于可解释机器学习的地表水体中溶解性有机物（DOM）光化学性质预测研究

作     者：刘冰 时凯歌 陈燕敏 卢鑫 韩帅军 古励 

作者机构：郑州师范学院化学化工学院 重庆大学环境与生态学院 

出 版 物：《中国环境科学》 (China Environmental Science)

年 卷 期：2025年

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 081501[工学-水文学及水资源] 0815[工学-水利工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(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) 

主　　题：溶解性有机物 可解释 机器学习 光化学 预测 

摘      要：地表水中DOM是碳循环中重要组成部分，在天然水体的生物地球化学循环中起着重要作用。本研究以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，分别使用三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特征重要性。研究结果表明，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值分别为0.9344、0.8091和0.7775。温度、DOC和pH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值由0.8091增加到0.8233，RMSE值由1.322降到0.418；·OH在测试集的R2值由0.7775上升到0.8094，RMSE值由2.982降到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。最后，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，也为大范围预测水体中DOM光化学特性的时空特征研究提供新的思路。