《ACS Environmental Au》：Development of Machine Learning Models to Predict Daily Gas Ebullition Flux in Waterways from Sediment Characteristics
编辑推荐：
本文综述了利用机器学习（ML）模型预测水体沉积物中气体气泡通量的前沿研究。通过比较多元线性回归（MLR）、随机森林（RF）、极端梯度提升（XGB）和神经网络（NN）等算法，研究发现RF和XGB模型（r2达0.79-0.80）能显著提升预测精度，并揭示温度、COD/TOC比和水深为关键影响因子。该模型为沉积物修复工程设计和污染物迁移评估提供了创新工具，突破了传统湖泊模型在动态水体中的局限性。
引言部分系统阐述了气体气泡现象在沉积物-水界面污染物迁移中的核心作用。气泡释放作为多步骤物理生化过程，涉及甲烷生成、气泡成核、生长及沉积物破裂等机制。现有研究多聚焦湖泊环境，但城市水道因水力扰动强烈、有机负荷高等特点，其气泡通量显著高于静态水体。尤其值得关注的是，美国约10%的表层沉积物存在"遗留污染物"，准确预测气泡通量对修复封盖设计至关重要。
材料与方法章节详细介绍了跨40余个站点的多源数据整合策略。研究采用ASTM标准方法测量气泡通量，涵盖深/浅水通量舱和自动采样器等多种技术。最终数据集包含120组记录，整合了沉积物物理化学参数（如固体含量、有机碳、化学需氧量COD等）与环境变量（水深、温度）。通过地理插值处理缺失值，并引入COD/TOC等衍生特征表征有机质生物降解性。
模型开发环节凸显了机器学习技术的适应性创新。数据经标准化预处理后，分别构建MLR、RF、XGB和NN模型。其中树模型（RF/XGB）因对小样本数据和特征共线性的鲁棒性而表现优异。通过留一站点交叉验证（LOSO）和SHAP分析等手段，证实温度通过影响产甲烷菌生物动力学、COD/TOC比反映有机质可利用性、水深调控静水压力与沉积物破裂阈值的机制关联。
结果与讨论部分通过量化指标对比了模型性能。RF和XGB模型的测试集r2分别达0.75和0.74，显著优于传统回归模型（最高r2=0.46）。特别值得注意的是，仅基于湖泊数据建立的模型普遍低估水道气泡通量达10倍以上。SHAP分析进一步验证温度、COD/TOC比和水深为三大关键特征变量，与沉积物破裂力学和微生物代谢机制相符。
结论部分强调了机器学习模型在异质环境中的泛化能力。尽管NN模型因数据量限制出现阶梯式预测偏差，但RF/XGB模型展现出对不同测量方法和生态水文条件的适应性。研究同时指出模型在反硝化主导的气泡事件中存在局限性，为后续研究指明方向。该成果通过可解释性机器学习架起了经验模型与机理模型之间的桥梁，为动态水体环境管理提供了新范式。
