Die Umweltverschmutzung ist eines der größten globalen Probleme unserer Zeit. Der Aufbau einer nachhaltigen Zukunft ist nur möglich, wenn wir jeden Aspekt dieses Problems proaktiv angehen. In dieser Hinsicht stellt die Bodenverschmutzung durch die Anreicherung von Schwermetallen (HMs) eine ernsthafte Bedrohung für die nachhaltige Entwicklung und die menschliche Gesundheit dar. Dies liegt daran, dass die HMs, die in den Boden gelangen, schließlich ihren Weg in die Nahrungskette finden und beim Eindringen in den menschlichen Körper lebensbedrohliche Krankheiten wie Krebs, Nierenversagen und Herz-Kreislauf-Erkrankungen verursachen können. Die Minimierung der HM-Konzentration in Böden ist daher ein zentrales Ziel in unserem Kampf gegen Umweltverschmutzung.
Eine bemerkenswerte Entwicklung in diese Richtung war die Verwendung von „Biokohle“ – biologischer Abfall, der thermisch in Abwesenheit von Sauerstoff zersetzt wird – um HM-Verunreinigungen im Boden zu immobilisieren. Im Vergleich zu Rohmaterial kann Biokohle aufgrund ihrer einzigartigen physikalischen und chemischen Eigenschaften HMs effizienter adsorbieren und immobilisieren. Darüber hinaus ist es sehr anpassungsfähig und wirtschaftlich machbar, was es zu einer vielversprechenden Alternative zu fossilen Brennstoffen macht.
Es gibt jedoch einen Haken: Die HM-Immobilisierungseffizienz in mit Biokohle behandelten Böden kann je nach Art des Bodens, der Biokohle und der beteiligten HMs variieren. Mit anderen Worten, die optimalen Bedingungen für eine maximale HM-Immobilisierung sind äußerst ortsspezifisch. Die Identifizierung dieser optimalen Bedingungen vor dem Aufbringen von Pflanzenkohle auf den Boden durch einen allgemeinen empirischen Ansatz kann die Kosten und den Zeitaufwand für die Sanierung von Böden durch Pflanzenkohle reduzieren. Es ist jedoch äußerst schwierig, alle beteiligten Parameter gleichzeitig durch Experimente zu optimieren.
Ein internationales Forschungsteam unter der Leitung von Prof. Yong Sik Ok und Dr. Kumuduni N. Palansooriya von der Korea University hat nun eine Lösung angeboten – mithilfe von maschinellem Lernen (ML) zur Vorhersage der HM-Immobilisierungseffizienz für mit Pflanzenkohle behandelte Böden. In ihrer Studie veröffentlicht in Umweltwissenschaft und -technologieentwickelte das Team drei ML-Modelle, nämlich Random Forest, unterstützende Vektorregression und neuronales Netzwerk, um die Immobilisierungseffizienz basierend auf Pflanzenkohleeigenschaften und Produktionstemperatur, experimentellen Bedingungen, Bodeneigenschaften und HM-Eigenschaften vorherzusagen.
In Bezug auf die Motivation, einen ML-basierten Ansatz zu verfolgen, kommentiert Prof. Ok, dass „es aufgrund der komplexen Natur der Wechselwirkungen zwischen Biokohle und Boden nur wenige Studien zur ML-basierten Vorhersage der Biokohleeffizienz für die Immobilisierung von HM-Kontaminanten in Böden gab und ein Mangel an systematischen Datensätzen. In unserer Studie wollten wir diese Lücke schließen.“
Sie identifizierten insgesamt 20 Parameter als Eingabemerkmale und verwendeten 152 Datenpunkte, um die Modelle für die Vorhersage der Immobilisierungseffizienz zu trainieren. Unter den drei Modellen lieferte Random Forest die genauesten Vorhersagen.
Unter den Eingabemerkmalen erwiesen sich der Biokohle-Stickstoffgehalt und die Anwendungsrate als die wichtigsten Merkmale bei der Bestimmung der HM-Immobilisierung. Darüber hinaus wurde festgestellt, dass die Bodeneigenschaften und der pH-Wert die dritt- bzw. viertwichtigsten Merkmale sind, was zeigt, dass die Bodeneigenschaften ebenfalls eine wichtige Rolle spielen. Darüber hinaus zeigte eine Schätzung der Kausalanalyse, dass die Bedeutung der Eigenschaften bei der HM-Immobilisierung der Reihenfolge folgte: Biokohleeigenschaften > Versuchsbedingungen > Bodeneigenschaften > HM-Eigenschaften.
Mit diesen aufschlussreichen Erkenntnissen ist das Team gespannt auf die Zukunftsaussichten von Pflanzenkohle in der Anwendung der HM-Immobilisierung. „Zukünftige Forschung muss sich auf die Verbesserung des ML-basierten Ansatzes konzentrieren, indem eine Datenbank verwendet wird, die auf Studien mit klar definierten wissenschaftlichen Zielen und ähnlichen Methoden unter einheitlichen experimentellen Bedingungen basiert“, sagt Dr. Palansooriya. „Mit etwas Glück würde uns Biokohle die Chance bieten, Bioenergie in eine CO2-negative Industrie umzuwandeln.“
Kumuduni N. Palansooriya et al, Vorhersage der Immobilisierung von Schwermetallen im Boden durch Biochar unter Verwendung von maschinellem Lernen, Umweltwissenschaft und -technologie (2022). DOI: 10.1021/acs.est.1c08302
Bereitgestellt von Cactus Communications