第一作者：何中昊

通讯作者；汤琳教授、汤晶副教授

论文DOI：10.1021/acs.analchem.6c00490

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Analytical Chemistry发表了题为“Process-Aware Deep Learning for Low-Cost Greenhouse Gas Sensing: Insights from Composting toward Scalable Anthropogenic Activities Applications”的研究论文（DOI: 10.1021/acs.analchem.6c00490）。该研究面向复杂人类活动温室气体监测需求，建立了低成本、高精度的温室气体智能监测体系，实现了温室气体CO₂、CH₄和N₂O的精准预测。其中，CH₄和N₂O预测精度显著提升，并能够准确识别瞬态排放特征；模型预测结果与微生物学证据高度一致，实现了温室气体排放规律的智能解析，为复杂人为活动温室气体在线监测提供了新的解决方案。

全文速览

本研究建立了低成本温室气体智能监测新体系，实现了复杂环境下CO₂、CH₄和N₂O的高精度预测。模型能够准确识别温室气体瞬态排放特征，并揭示温室气体排放与微生物演替之间的内在联系，为农业废弃物资源化利用及其他复杂人为活动温室气体智能监测提供了新的技术支撑。

图文导读

研发了过程感知温室气体智能监测框架GHGsNet。GHGsNet融合了关键过程信息，并针对CO₂、CH₄和N₂O分别构建并优化针对性的气体排放深度学习模型，实现了由”传感器补偿”向”过程感知智能预测”的转变，为复杂人类活动低成本温室气体在线监测提供了新的技术路线。

GHGsNet在三种温室气体预测中均表现出优异性能。其中，CO₂保持了与参考仪器接近的预测精度，而CH₄和N₂O预测性能较传统模型得到明显提升，决定系数（R²）分别达到0.9268和0.9310。时间序列结果进一步表明，GHGsNet能够准确捕获传统模型难以识别的CH₄和N₂O瞬态排放峰值，为复杂环境下低成本温室气体在线监测提供了可靠保障。

Figure 1. Performance of the GHGsNet framework for GHGs prediction during aerobic composting.

结合SHAP模型解释性分析和16S rRNA微生物群落分析，研究发现模型识别出的关键驱动因子与甲烷生成、硝化—反硝化等典型生物地球化学过程高度一致，证明了过程信息不仅提升了预测精度，也增强了人工智能模型的机理可解释性，实现了数据驱动模型与环境过程机理的深度融合。

Figure 2. Integrated multivariate and microbial analyses linking gas-specific emission patterns with microbial community differentiation during aerobic composting.

小结与展望

本研究开发了一种融合过程信息的低成本温室气体智能监测框架，实现了复杂环境下CO₂、CH₄和N₂O的高精度预测。相比传统传感器补偿方法，GHGsNet不仅具有更高的预测精度和泛化能力，还能够准确揭示温室气体排放的关键驱动机制，兼具可解释性与工程应用价值。该成果为农业生产、废弃物资源化利用及其他复杂人类活动的低成本温室气体在线监测提供了新的技术支撑，也为人工智能赋能环境监测与绿色低碳发展提供了新的思路。