通过机器学习预测堆肥中的氨排放和全球变暖潜力.
Bing Wang1, Peng Zhang1, Xingyi Qi1
1College of Chemical Engineering, Northeast Electric Power University, Jilin 132012, China.
Bioresource technology
|August 24, 2024
概括
机器学习模型准确地预测了堆肥产生的氨 (NH3) 排放量和全球变暖潜力 (GWP). 极端梯度增强模型表现出色,识别了改善环境管理的空气和碳比等关键因素.
科学领域:
- 环境科学 环境科学
- 农业科学 农业科学
- 数据科学数据科学数据科学
背景情况:
- 准确预测堆肥气体排放对于评估全球变暖潜力 (GWP) 至关重要.
- 目前用于量化像氨 (NH3) 等排放的现有方法的准确性往往是有限的.
- 堆肥过程产生大量的温室气体,影响气候变化.
研究的目的:
- 开发和评估用于预测堆肥NH3排放和GWP的机器学习模型.
- 确定影响气体排放和堆肥成熟度的关键因素.
- 评估环境管理预测模型的实际适用性.
主要方法:
- 利用了三个机器学习模型:极端梯度增强,随机森林和k-最近邻居.
- 采用沙普利添加式扩张 (SHAP) 分析来确定特征的重要性.
- 使用R平方值和准确度指标验证模型性能.
主要成果:
- 极端梯度增强模型在预测NH3排放和GWP方面达到90%以上的准确性.
- K-最近的邻居模型准确地确定了堆肥成熟度,准确度为92%.
- 空气化率,C:N比率和水分含量是NH3排放的关键预测因素.
- 酸盐 (NO3-) 是影响GWP预测的最重要因素.
- 预测的GWP与加利福尼亚州的年度计算密切匹配.
结论:
- 机器学习,特别是极端梯度增强,提供了一种可靠的方法来预测堆肥排放和GWP.
- 了解关键影响因素可以制定有针对性的减轻环境影响的战略.
- 这些预测模型在环境政策和废物管理方面有实际应用.
