编辑推荐：
土壤重金属（HMs）污染威胁环境与健康，生物炭因特性成为修复利器，但其去除效率受多因素影响难稳定。研究构建深度森林（DF）模型，结合数据插补、增强及可靠性分析，DF 模型 R2 达 0.88，还开发了 web 应用，为修复提供新工具。
土壤中的重金属污染如同隐藏的 “生态杀手”，锌、镉、砷等重金属凭借其难以降解的特性和生物富集能力，不仅破坏生态平衡，还通过食物链严重威胁人类健康。传统的热处理、土壤淋洗等修复技术，要么成本高昂，要么存在环境风险，而生物炭作为一种经济环保的碳质材料，虽因高孔隙率、大表面积和丰富官能团等特性在重金属固定中展现出潜力，但其效果受自身性质、土壤条件等复杂因素影响，难以稳定预测，且过往研究依赖有限异质数据集，存在数据缺失、噪声等问题，模型泛化能力不足，同时缺乏便捷的实际应用工具，这些都限制了生物炭在土壤修复中的广泛有效应用。
为突破这些瓶颈，国外研究人员开展了一项具有创新性的研究，相关成果发表在《Ecotoxicology and Environmental Safety》。
研究人员构建了一种先进的机器学习框架，核心是利用深度森林（DF）算法预测和优化生物炭对土壤重金属的去除效率。该研究整合了数据插补（处理缺失数据）、数据增强（解决小数据集限制）和可靠性分析（评估预测不确定性）等关键技术。数据来源于现有文献，经 k - 近邻（kNN）算法插补缺失值、隔离森林（IF）算法去除异常值后，得到 681 条可用数据，再通过条件生成对抗网络（CGAN）生成与原始训练集数量相等的合成数据，形成包含 1090 个数据点的增强训练集。以 DF 算法为核心模型，与线性回归、随机森林（RF）等多种传统机器学习模型对比，并运用五折交叉验证、引导法（bootstrap）等评估模型性能，同时借助 SHAP 值、部分依赖图（PDP）解析模型，利用蒙特卡洛方法进行可靠性分析，还开发了网页应用程序。
3.1 数据增强的影响
通过对比使用初始训练集和增强训练集时 DF 模型的性能发现，增强训练集使模型在训练阶段的均方误差（MSE）从 0.023 降至 0.012，决定系数（R2）从 0.92 提升至 0.96；测试阶段 MSE 从 0.048 降至 0.029，R2 从 0.80 提升至 0.88，表明数据增强有效减少误差，提升模型性能。
3.2 与以往 ML 模型的对比分析
在与多种传统 ML 模型的对比中，DF 模型表现卓越。训练阶段，其 R2 达 0.96，MSE 和平均绝对误差（MAE）分别为 0.012 和 0.075；测试阶段 R2 为 0.88，均优于线性回归（R2=0.40）、随机森林（R2=0.81）等模型，说明 DF 模型能更好捕捉数据复杂关系，泛化能力强。
3.3 DF 模型解释
SHAP 分析显示，生物炭剂量是影响重金属去除效率的最关键因素，剂量增加可通过提供更多吸附位点提升去除效率，但超过一定范围后边际效益递减。土壤有机碳（OC）、砂含量、灰分含量（Ash）和土壤中有效重金属（AHMs）等也有重要影响。部分依赖图进一步揭示，生物炭剂量在 2-10% 范围内与去除效率呈正相关，土壤 pH 在 4-5.5 时利于去除，而 AHMs 浓度升高会降低去除效率。
3.4 概率评估和可靠性分析
引导法评估模型稳健性表明，DF 模型的 MSE、MAE 最低，R2 最高，可靠性强。超越概率曲线显示，当去除效率（RE）低于 25% 时，概率超 80%；RE 为 40% 时概率约 40%；RE 超 70% 时概率低于 5%，反映出实现高去除效率的难度。
3.5 网页应用
3.6 局限性和未来工作
研究存在一定局限性，如网页应用未经过高并发测试，模型缺乏与实际田间数据的对比验证。未来需开展高负载场景测试，通过田间试验验证模型，还可纳入更多生物炭性质参数，探索与其他修复技术的联合应用。
这项研究通过机器学习与可靠性分析的创新融合，显著提升了生物炭修复土壤重金属污染的预测能力和应用便捷性。DF 模型的优异表现为复杂环境下的修复效果预测提供了新范式，概率分析为实际应用中的风险评估提供了科学依据，而网页应用则降低了技术门槛，推动了数据驱动的环境修复决策。研究成果不仅深化了对生物炭作用机制的理解，更为全球土壤修复提供了可扩展的实用框架，有望在可持续环境治理中发挥重要作用。
