
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于机器学习的微塑料含量估算方法,实现快速准确的定量分析
《Scientific Reports》:Machine learning-driven estimation of microplastic percentage yield for rapid and accurate quantification
【字体: 大 中 小 】 时间:2026年07月23日 来源:Scientific Reports 4.9
编辑推荐:
摘要在农业土壤中准确量化微塑料对于环境风险评估至关重要,但提取效率的差异仍是一个重大障碍。本研究探讨了利用机器学习算法来预测微塑料的占比,并建立区间校正因子以提升微塑料的量化精度。研究中对土壤添加了四种类型的微塑料,然后使用七种盐溶液(如氯化锌和碘化钠;密度为1.00–1.58克
在农业土壤中准确量化微塑料对于环境风险评估至关重要,但提取效率的差异仍是一个重大障碍。本研究探讨了利用机器学习算法来预测微塑料的占比,并建立区间校正因子以提升微塑料的量化精度。研究中对土壤添加了四种类型的微塑料,然后使用七种盐溶液(如氯化锌和碘化钠;密度为1.00–1.58克/立方厘米)进行密度分离。皮尔逊相关分析和特征重要性评分表明,盐液密度是影响结果的主要因素(得分值为0.52),而留一法分析进一步验证了集成机器学习模型的强大非线性优势。在六种机器学习模型中,随机森林算法的确定系数R2最高,达到了0.991,且误差指标最低。此外,基于随机森林算法的区间校正因子具有更出色的调整效果,能够在不同的回收场景下使预测值与目标值更好地匹配。所提出的综合框架为标准化提取流程提供了可扩展的解决方案。该研究的成果有助于理解实验参数与微塑料回收量之间的复杂关系,从而实现更精确的实验室级微塑料监测。