第一作者：何菁2023级硕士生

通讯作者：汤晶副教授，汤琳教授

论文DOI：10.1016/j.biortech.2025.133901

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课题组在Bioresource Technology上发表了题为“Multi-Model Machine Learning Framework for Prediction of Greenhouse Gas Emissions during Composting of Organic Solid Waste”的研究论文（10.1016/j.biortech.2025.133901）。针对堆肥过程中温室气体排放难以检测和调控的问题，该研究基于梯度提升回归（Gradient Boosting Regression）、极端梯度提升（XGBoost）和随机树回归（Extra Trees Regression）算法构建了两种多模型机器学习框架，实现了对温室气体（CO₂、CH₄和N₂O）排放的精准预测。结果显示，模块化多模型框架和堆叠集合模型在温室气体排放量预测中均表现出高精度，R²大于0.9。模型解释性分析表明，堆肥周期是CO₂及总温室气体排放的主要影响因素，而曝气量和含水率分别是CH₄和N₂O排放的关键驱动因子。实验验证进一步证实，该模型在堆肥全周期温室气体累积排放量预测中具有高准确性，其在堆肥后期预测精度超过90%。该研究实现了对堆肥过程中温室气体排放的全面、精准预测，为温室气体减排提供了科学可行的调控依据，同时为有机固体废物的高效资源化管理及碳中和目标的实现提供了重要技术支撑。

全文速览

本研究构建了两种多模型机器学习框架，实现了对堆肥过程中温室气体排放的全面、准确地预测。通过整合多气体信息并引入模型集成策略，显著提升了预测的准确性与稳健性。结合SHAP可解释性分析，揭示了关键驱动因素及其非线性响应模式，为温室气体减排和废弃物资源的可持续利用提供了科学支撑。

图文导读

一、模型开发与评估

Fig. 1. The performance of the four optimal models on the training and test datasets. (a) CO₂_GBR, (b) CH₄_ XGB, (c) N₂O_ XGB, and (d) total GHG_stacking ensemble model.

模块化多模型在预测堆肥过程中CO₂、CH₄和N₂O排放量方面表现优异，R²值分别达到0.9662、0.9729和0.9051。此外，与单一模型相比，堆叠集合模型在累计排放预测方面也展现出较高精度（R² = 0.9278）。

二、关键驱动因素与温室气体排放量之间的关系

Fig. 2. Importance analysis of input variables for prediction models: (a) CO₂_GBR, (b) CH₄_ XGB, (c) N₂O_ XGB, and (d) total GHG_stacking ensemble model. Each picture has a variable importance on the left and a SHAP summary plot on the right.

Fig. 3. Relationships between the top four features and their SHAP values for the four greenhouse gases:(a–d) CO₂ emissions,(e–h) CH₄ emissions,(i–l) N₂O emissions, and (m–p) total GHG emissions. The total nitrogen, the moisture content, the maximum temperature, the retention time of the thermophilic phase, the time of composting cycle length, and the aeration rate are TN, MC, Tmax, tTP, tCCL, and AR denote, respectively.

通过SHAP重要性分析和依赖关系分析，揭示了堆肥过程中温室气体排放的关键影响因素及其非线性响应规律，为堆肥过程当中温室气体排放的调控提供了科学依据。结果表明，堆肥周期主导CO₂及总温室气体排放，而曝气量和含水率分别显著影响CH₄和N₂O的排放。因此，适当调节关键变量可有效抑制温室气体释放，如将堆肥周期调整至40天以内。

三、实验验证

实验验证系统评估了模型的预测准确性和适用性。结果表明，在堆肥后期（20-30天），两种模型均展现出较高预测准确性，预测准确率始终保持在90%以上。到第30天，两种模型的预测准确率均超过98%。这证明了两个模型在预测堆肥全周期温室气体累积排放量上具有良好的可靠性。

小结

本研究提出了一种全新的综合预测堆肥过程温室气体排放的方法，实现了对堆肥过程中温室气体排放的高精度预测，并在适应性和稳健性方面显著优于传统单模型方法。SHAP分析揭示了不同温室气体排放的差异化驱动机制，依赖关系分析进一步定量识别了关键影响变量并划定了最优参数区间。这项工作为堆肥过程温室气体减排及有机废物精细化管理提供了科学依据。