Machine learning-based mechanistic evaluation of Municipal solid waste vermicompost- mediated metal-pesticide remediation in soil and promotion of Tagetes erecta floriculture

Technische Samenvatting: Machine Learning-gebaseerde mechanistische evaluatie van door stedelijk organisch afval gemedieerde remediatie van metaal-pesticiden in de bodem via wormencompost

Probleemstelling
Snelle verstedelijking heeft geleid tot een exponentiële toename van stedelijk organisch afval (MSW), wat een scenario van dubbele contaminatie creëert in peri-urbane landbouwgronden waar potentieel toxische metalen (PTM's) en persistente organische vervuilers (pesticiden) gelijktijdig voorkomen. Traditionele remediatiestrategieën richten zich vaak op deze contaminanten in isolatie, waarbij ze er niet in slagen de interactieve effecten op microbiële biomassa, enzymactiviteit en nutriëntencycli te bepalen. Bovendien is er een gebrek aan experimentele kaders die bodemremediatie integreren met commerciële gewasproductie, specifiek door te waarborgen dat accumulatie van vervuilers beperkt blijft tot niet-economische plantdelen terwijl de opbrengst behouden blijft. De studie adresseert het gat in het begrip van de vraag of door MSW afgeleide wormencompost gelijktijdig vervuilde bodems kan remediëren, fytoextractie kan faciliteren en de productiviteit van ornamentale gewassen kan ondersteunen zonder de voedselveiligheid in gevaar te brengen.

Methodologie
De studie maakte gebruik van een gecontroleerd potexperiment met Tagetes erecta L. (Afrikaanse afrikaantje) als testgewas in alluviale bodem die co-gecontamineerd was met vijf PTM's (Fe, Cu, Mn, Pb, Cr) en twee pesticiden (cypermethrine en chlorpyrifos).

• Experimenteel Ontwerp: Zeven behandelcombinaties werden vastgesteld over een cyclus van 90 dagen: een controle (100% NPK), vermicompost van koemest (VC-CD) en vermicompost van MSW (VC-MSW) toegepast bij 100% en 80% van de aanbevolen NPK-doseringen, en de compost-tegenhangers.
• Bodem- en Plantanalyse: Fysisch-chemische eigenschappen (pH, bulkdichtheid, porositeit, CEC, nutriënten), biologische attributen (microbiële biomassa, respiratie, enzymactiviteiten) en concentraties van contaminanten werden gemeten na 10 en 90 dagen. De opname van contaminanten werd geanalyseerd in wortel-, stengel-, blad- en bloemcompartimenten.
• Remediatiemetrieken: De Bioaccumulatiefactor (BAF), Bioconcentratiefactor (BCF) en Verrijkingscoëfficiënt (ECf) werden berekend om de translocatiedynamiek te beoordelen.
• Machine Learning-framework: Om translocatie mechanistisch te begrijpen, construeerde de studie 21 Random Forest (RF) regressiemodellen met 43 bodemkwaliteitsattributen (inclusief temporele veranderingen) om BAF, BCF en ECf voor het bloemcompartiment te voorspellen. Leave-One-Out Cross-Validatie (LOO-CV) werd gebruikt voor modelvalidatie. Principal Component Analysis (PCA) en Hierarchical Cluster Analysis (HCA) werden geïntegreerd om de clustering van behandelingen te visualiseren en dominante bodemgezondheidsgradiënten te identificeren.

Belangrijkste Resultaten

• Verbetering van de Bodemgezondheid: VC-MSW en VC-CD behandelingen verbeterden de fysieke bodemstructuur (verlaagde bulkdichtheid, verhoogde porositeit) en chemische vruchtbaarheid (verhoogde CEC, NPK-biobeschikbaarheid) significant. Biologische activiteit werd merkbaar gestimuleerd, waarbij microbiële biomassa koolstof/stikstof en bodemrespiratie 2 tot 3 keer toenamen, en urease/alkalische fosfatase-activiteiten tot wel 9 keer toenamen vergeleken met de compostbehandelingen.
• Remediatie van Contaminanten: VC-MSW behandelingen verminderden de concentraties van bodem-PTM's met 2–10 keer en residuen van pesticiden met 4–13 keer. De reductie was het meest effectief bij de VC-MSW + 80% NPK behandeling.
• Compartiment-selectiviteit: Een cruciale bevinding was de preferentiële accumulatie van contaminanten in niet-economische plantdelen (wortels, stengels, bladeren). Bloemcompartimenten registreerden consistent de laagste BAF, BCF en ECf waarden over alle behandelingen, wat bevestigt dat het geoogste product veilig bleef ondanks de vervuilde bodem.
• Gewasproductiviteit: De toepassing van VC-MSW, met name bij 80% substitutie van synthetische meststoffen, verdubbelde de bloemenproductiviteit, het gewicht en de houdbaarheid na de oogst meer dan ten opzichte van de NPK-alleen controle. Carotenoïdegehalte en bloemdiameter werden eveneens significant verbeterd.
• Machine Learning-inzichten: De RF-modellen vertoonden een hoge voorspellende nauwkeurigheid ($R^2$ bereik: 0,824–0,964). De feature belangstelling analyse identificeerde microbe-geïnduceerde bodemenzymen, specifiek alkalische fosfatase en urease, als de dominante regulatoren van de translocatie van contaminanten van bodem naar plant. PCA bevestigde dat behandelingen met VC-MSW de positieve extremen van bodemgezondheid en de negatieve extremen van contaminatie bezetten.

Belangrijkste Bijdragen

1. Geïntegreerd Remediatie-Productie Kader: Deze studie levert het eerste experimentele bewijs dat vermicompost van MSW gelijktijdig de co-contaminatie van metalen en pesticiden kan remediëren en de commerciële floricultuurproductiviteit kan ondersteunen.
2. Mechanistische Validatie via ML: Het introduceert een nieuw methodologisch sjabloon dat Random Forest regressie en PCA combineert om specifieke bodembiochemische drijvers (enzymactiviteiten) te identificeren die de translocatie van contaminanten sturen, waarmee men verder gaat dan correlationele observaties naar een mechanistisch begrip.
3. Veiligheid van Fytoextractie in Ornamentale Gewassen: Het onderzoek breidt de bekende fytoremediatiecapaciteit van T. erecta uit naar co-contaminatie met pesticiden en valideert de veiligheid van het gebruik van dit gewas in remediatiescenario's door te bewijzen dat contaminanten worden gesequestreerd in niet-geoogste weefsels.
4. Toepassing van de Circulaire Economie: Het valideert het gebruik van door wormen gecomposteerd MSW als een levensvatbaar alternatief voor synthetische meststoffen (tot 20% substitutie), wat een schaalbare strategie biedt voor de waardeverhoging van afval in gecontamineerde agro-ecosystemen.

Betekenis en Claims
De auteurs beweren dat deze studie vaststelt dat VC-MSW-geïntegreerde bemesting een schaalbare, door machine learning gevalideerde strategie is voor gelijktijdige bodemremediatie en veilige ornamentale gewasproductie. De hoge voorspellende nauwkeurigheid van de RF-modellen, getraind op routinematig meetbare bodemgezondheidsindicatoren (met name enzymactiviteiten), positioneert het geïntegreerde PCA-RF kader als een operationeel levensvatbaar vroegtijdig waarschuwingsinstrument voor de beoordeling van voedselveiligheidsrisico's. Dit is bijzonder significant voor regio's waar MSW co-contaminatie wijdverspreid is maar routinematige analytische monitoring van gewascontaminatie economisch beperkt is. De studie concludeert dat enzym-gemedieerde organische stof transformatie de sleutelproces is die de link vormt tussen de VC-MSW toevoeging en de verminderde translocatie van contaminanten, wat een datagestuurd pad biedt voor de vooruitgang van de circulaire economie in door PTM- en pesticiden getroffen landschappen.