利用可解释的地理加权机器学习方法，研究欧洲范围内土壤抗生素抗性基因多样性的环境决定因素及空间分布模式

《Journal of Cleaner Production》：Environmental determinants and spatial patterns of soil antibiotic resistance gene diversity across Europe using interpretable geographically weighted machine learning

　　

张胜|潘雄|李云帆|刘旭|肖辉|范一帆|钱欣|张超生

摘要

抗生素抗性基因（ARGs）在土壤中的传播对生态系统和公共卫生构成了重大威胁。这些基因的多样性与环境因素之间存在复杂的相互作用，并表现出明显的空间异质性。然而，其空间分布模式及关键相关因素尚未得到充分研究。本研究利用2018年土地利用/覆盖面积统计调查（LUCAS, 2018）中收集的欧洲649个地点的表层土壤数据，开发了一个可解释的地理加权机器学习模型。该模型用于量化与环境因素相关的土壤ARG多样性的相对重要性，并描述其空间分布模式。研究结果表明，纳入空间异质性可以提高模型的预测性能，地理加权机器学习模型的表现优于传统机器学习模型。其中，地理加权极端梯度提升（GW-XGBoost）模型的R2值更高，RMSE值更低，其测试集的R2值比XGBoost模型提高了22.3%。土壤pH值显示出最高的相对重要性，占比达到41.3%，在中性至碱性条件（pH > 6.7）下ARG多样性较低。pH值和降水量与ARG多样性有显著的正相关关系，而土地覆盖类型、温度和海拔高度则通过影响土壤性质的间接途径与ARG多样性相关。空间分布图显示，北欧地区（尤其是瑞典和芬兰）的ARG多样性较高，而南部地区（包括西班牙和意大利）的ARG多样性较低。本研究揭示了与土壤ARG多样性相关的环境因素及其空间分布模式，为土壤管理和公共卫生保护提供了科学依据，并为环境研究中的建模工作提供了有用的参考。