Mosses ML : Surveillance biologique améliorée par apprentissage automatique des contaminants émergents utilisant Hylocomium splendens : Une approche intégrée liant dépôts atmosphériques, métaux traces et évaluation des risques prédictive

Le dépôt atmosphérique de contaminants émergents, y compris les éléments traces toxiques, reste une préoccupation environnementale et de santé publique critique. La surveillance biologique des mousses offre un outil sensible et économique pour évaluer les polluants atmosphériques, mais les analyses traditionnelles reposent sur des statistiques descriptives et manquent d'insights prédictifs et mécanistiques. Ici, nous présentons Mosses ML, un cadre amélioré par apprentissage automatique qui intègre la surveillance biologique des mousses avec des mesures de dépôt en vrac et sec pour améliorer la détection, l'interprétation et l'évaluation des risques des contaminants atmosphériques. En utilisant des transplantations de Hylocomium splendens exposées pendant 90 jours à travers des sites industriels, urbains et ruraux en Haute-Silésie (Pologne), nous avons combiné l'accumulation d'éléments traces (Cd, Pb, Zn, Ni, Cr, Fe), les facteurs d'accumulation relatifs (RAF), les gradients dérivés de l'analyse en composantes principales (ACP) et les métadonnées au niveau du site avec des modèles de Forêt Aléatoire et de Boosting par Gradient. Les algorithmes d'apprentissage automatique ont atteint une haute performance prédictive (R2 jusqu'à 0,91), estimant avec précision les concentrations de métaux dans les mousses à partir des métriques de dépôt et des variables environnementales. L'analyse d'importance des caractéristiques SHAP a identifié la charge de dépôt sec et les signaux de métaux coexistants comme les principaux prédicteurs de contamination, confirmant le rôle principal des émissions particulaires dans la composition chimique des mousses. Comparé à la classification classique basée sur des seuils, l'approche d'apprentissage automatique a amélioré l'identification des sites à haut risque de 24 à 38 %. Mosses ML combine des indicateurs biologiquement significatifs avec des outils informatiques modernes, renforçant le rôle des mousses en tant que systèmes d'alerte précoce pour la pollution atmosphérique. Le cadre est largement applicable à la surveillance biologique des bryophytes et soutient la prise de décision réglementaire concernant les contaminants émergents.