Assessment of environmental and socioeconomic drivers of urban stormwater microplastics using machine learning
Notice bibliographique
Résumé
Microplastics (MPs) are ubiquitous environmental contaminants with urban landscapes as major source areas of MPs and stormwater runoff as an important transport pathway to receiving aquatic environments. To better delineate the drivers of urban stormwater MP loads, we created a global dataset of stormwater MP concentrations extracted from 107 stormwater catchments (SWCs). Using this dataset, we trained and tested three optimized gradient boosting Machine Learning (ML) models. Twenty hydrometeorological and socioeconomic variables, as well as the MP size definitions considered in the individual SWCs, were included as potential predictors of the observed MP concentrations. CatBoost emerged as the best-performing ML model. Shapley additive explanations revealed that features related to hydrometeorological conditions, watershed characteristics and human activity, and plastic waste management practices contributed 34, 25, and 4.8%, respectively, to the model's predictive performance. The MP size definition, that is, the lower size limit and the width of the size range, accounted for the remaining 36% variability in the predicted MP concentrations. The lack of a consistent definition of the MP size range among studies therefore represents a major source of uncertainty in the comparative analysis of urban stormwater MP concentrations. The proposed ML modeling approach can generate first estimates of MP concentrations in urban stormwater when data are sparse and serve as a quantitative tool for benchmarking the added value of including further data layers and applying uniform definitions of size classes of environmental MPs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».