第一作者：余傲雪 2023级硕士生

通讯作者：汤琳教授、余江芳助理教授

论文DOI：10.1021/acs.est.5c07816

图文摘要

成果简介

近日，湖南大学环境科学与工程学院汤琳教授课题组在Environmental Science & Technology上发表了题为“Biochar Lifecycle Contribution to Carbon Neutrality: Key Factors and Regulatory Mechanisms”的综述论文（10.1021/acs.est.5c07816）。该综述从生物炭全生命周期的角度出发，辅以数据分析，重点分析了生物炭应用于三大负碳领域（包括土壤、建筑和碳吸附）的关键影响因素及其影响机制、挑战和未来展望。此外，该研究还评估了机器学习在生物炭研究中的应用，强调了机器学习在调整操作参数和指导精确应用方面的预测优化能力。这些计算技术的进步确立了在异质环境系统中精确控制生物炭部署的范式转变。

图文导读

Figure 1. Lifecycle system diagram of biochar. It covers the growth of biomass raw materials, the pyrolysis production of biochar, its application, and its final storage.

生物炭作为一种多功能材料，在污染修复、土壤改良和可再生能源等领域具有广泛应用（图1），符合循环经济理念。然而，其规模化应用仍面临经济可行性、长期稳定性以及原料污染物风险等方面的挑战。田间耐久性验证不足、碳封存与地表能量平衡间的潜在权衡也制约了产业化推广。为实现最佳碳封存效益，需在原料选择、低碳运输、定向热解、能源回收及稳定利用等全链条环节进行系统优化。尽管大范围施用可能因土壤反照率改变对气候效益产生部分抵消，但生物炭整体仍可实现生命周期碳中和。推动生物炭纳入碳交易体系并建立统一的生命周期评估标准，对促进该技术的规模化应用具有重要意义。

Figure 2. Box-type normality plots of descriptive statistics of different factors for the data collected. (a-c) Biochar C content, O content, and C/N ratio. (d-f) pH, ash content, and specific surface area (SSA) of the biochar. (g-i) Soil pH, soil organic carbon (SOC), biochar dosage, and (j-l) emission reductions of CO₂, CH₄, and N₂O from the soil using biochar additives.

Figure 3. (a) Effects of different soil types (sandy soil, clayey soil) on cumulative emissions reductions of CO₂, CH₄ and N₂O from soil. (b) Cumulative emission reductions of CO₂, CH₄ and N₂O from soil by biochar in short-term and long-term field trials.

生物炭生产及土壤封存是应对全球变暖的潜力途径。其对温室气体排放的影响主要取决于三大因素：生物炭性质、土壤性质和施用条件（图2）。研究发现，生物炭在田间减排的效果受多因素共同且复杂地调控，揭示其内在相互作用机制十分必要。鉴于土壤系统的动态性，区分生物炭在不同时间尺度下的减排效应至关重要。研究表明，生物炭对各类温室气体的减排作用在短期效应（< 2年）与长期效应（≥ 2年）存在差异（图3），这可能涉及土壤性质变化、微生物群落响应以及生物炭的启动效应与老化过程。系统评估生物炭的长期稳定性，是确保其气候减缓效益的关键环节。

Figure 4. General workflow of machine learning for optimizing synthesis and pollutant adsorption processes of biochar. (a) CO₂ adsorption. (b) Soil HM immobilization. (c-d) Synergistic reduction of GHGs and HM.

机器学习已成为优化生物炭全生命周期并快速定向的通用工具，通过数据驱动方法提升其价值链各环节的效能。不同算法在综合预测中展现出互补优势（图4）。结合生命周期评价（LCA），机器学习能够动态、系统地量化碳减排效益。此外，在碳中和评估领域，机器学习正从预测工具演进为系统决策支持平台，通过多尺度建模有效联结生物炭的微观特性与其宏观碳汇价值，为精准管理与策略制定提供支撑。

小结与展望

为实现生物炭的气候缓解潜力，必须构建可量化、可验证的技术体系。需明确生物炭生产的最优工艺窗口并建立碳效率基准。在应用层面，田间验证周期短与监测方法不足制约了可靠评估。短期试验（≤ 2年）难以反映生物炭-土壤-大气系统的长期动态，亟需建立多气候带长期联网观测系统，结合碳标记技术与原位气体监测，同步追踪温室气体通量、碳库组分和功能微生物群落。最终，需基于全生命周期与多目标优化视角系统评估生物炭气候效益。建议建立开放透明的生命周期清单数据库，量化其在土壤健康、能源替代等方面的协同效益。机器学习等数据驱动方法具有重要作用，但须通过实验验证避免模型偏差。通过跨学科研究、制定标准化评估指标，并将碳-功能权衡纳入决策体系，生物炭有望从分散案例发展为可预测、可核查的碳中和战略支柱。