可解释图深度学习揭示了中国城市绿地土壤中多环芳烃的生态风险及来源分布规律

《Environmental Science & Technology》：Interpretable Graph Deep Learning Reveals Ecological Risks and Attribution Patterns of Polycyclic Aromatic Hydrocarbons in Urban Greenspace Soils across China

　　

摘要

了解城市绿地土壤中多环芳烃相关风险背后的复杂环境与社会经济关联，对维护生态系统健康至关重要。然而，传统的表格模型无法清晰呈现这些跨领域的依赖关系。在本研究中，我们提出了一种可解释的异构图注意力网络（Hetero-GAT）框架，用于评估中国城市绿地土壤中的多环芳烃相关风险。通过结合SHapley加性解释方法与基于注意力的图特征提取，该双视角框架揭示了模型在多环芳烃风险归因方面的明显差异性。在五个风险评估指标中，地理和气象变量始终是主要的背景归因因素，而能源、基础设施以及交通/物流变量则更倾向于影响特定指标的风险特征。在分组验证和统一基准测试中，Hetero-GAT展现了最高的整体预测性能，尽管其相比GCN的优势并不显著，这说明它的优势在于结构化的表示与归因能力，而非单纯的预测精度。此外，通过对样本数据进行聚合后再进行聚类分析，我们发现了三种具有不同风险分层和归因模式的城市结构类型。混合型及以物流/服务为主的城市，其风险分布程度高于以基础设施为主的城市，其中以物流/服务为主的城市在所有五个评估指标上的中位数均最高。这些研究结果表明，可解释的图模型能够为基于浓度的监测提供以风险为导向的背景信息，有助于针对不同城市结构类型实施差异化的风险筛查。