融合元启发式优化的机器学习模型预测生物炭修复铅污染土壤冻结温度

《Scientific Reports》：Machine-learning prediction of freezing temperature in Pb-contaminated soils remediated with biochar

　　

摘要

在铅污染土壤修复过程中，生物炭可能会改变土壤结构，这对土壤冻结有重要影响。本研究利用机器学习技术，如Light Gradient Boosting (LGB)、Extreme Gradient Boosting (XGB)、Extra Tree Regression (ETR) 和 Random Forest Regression (RFR)，检查了生物炭修复铅污染土壤过程中冻结温度 (ToF) 的变化。本研究使用的数据来源于先前进行的试验。超参数对系统的可靠性有重大影响，必须使用元启发式优化方法来选择合适的超参数。为此，使用了多种算法，包括Catch Fish Optimization (CFO)。包含360个ToF数据点的信息来自已提交发表的研究。在研究每个元素后，研究组决定将数据集的80% (288) 用于训练和模型构建，而其余20% (72) 的数据集用于模型验证。对数据集使用的预处理方法包括随机化、归一化、交叉验证、缩放和特征重要性评估。使用指标评估了ETR(CFO) 和 RFR(CFO) 在预测ToF方面的预测效果。根据数据，ETR(CFO) 和 RFR(CFO) 都能可靠地预测ToF，优于其他基线模型。评估过程使用评估标准、逻辑分析、排名分数和模型差异百分比来评估每个模型的可靠性和合理性。在实现其主要目标方面，RFR(CFO) 模型的表现优于替代模型。