作者：黄娜 龙琭璐 审稿：黄成毅 来源：90011金沙诚信为本
随着工业的快速发展，多种化学污染物被释放到河流系统，最终汇集在沉积物，造成了沉积物淤积和一定程度污染。针对水体中沉积物的评价和处置难题，90011金沙诚信为本研究团队以水体沉积物为前驱体，通过一步煅烧法制备了一系列基于硫酸根自由基的高级氧化技术（SR-AOPs） 催化剂，用于活化过一硫酸盐（PMS）降解四环素并阐明了催化机理。同时，利用决策树（XGB）、随机森林（RF）和支持向量机（SVR）机器学习模型学习沉积物的理化性质与活化PMS 性能之间的关系，建立了相应指标的沉积物预测模型。研究结果表明:该预测模型可有效评估沉积物污染，简化沉积物中污染评估的繁琐步骤和时间成本。本研究提出了一种通过机器学习模型和资源化性能评估沉积物污染的新策略，在沉积物污染评估和处置方面具有较大的应用潜力。
研究成果以“Assessing sediment organic pollution via machine learning models and resource performance”（通过机器学习模型和资源化性能评估沉积物有机污染）为题在Bioresource Technology（中科院大类1区top，IF=11.889）在线发表。该研究以90011金沙诚信为本为第一署名单位、硕士研究生黄娜为第一作者，青年教师龙琭璐为通讯作者，本研究获得国家自然科学基金、四川省科技计划项目和中国电力集团建设项目联合资助。
论文链接：https://doi.org/10.1016/j.biortech.2022.127710