使用机器学习方法优化LandGEM模型参数,以提高美国垃圾填埋场甲气体生成估计的准确性
Mohsen Saeedi1, Mahdi Mohammadi2, Negar Esmaeili2
1University Canada West, 1461, Granville St., Vancouver, BC, V6Z 0E5, Canada.
Journal of environmental management
|January 5, 2025
概括
机器学习模型通过改进LandGEM参数来改善垃圾填埋场甲排放估计. 与标准LandGEM默认值相比,这种方法显著减少了预测错误,有助于有效地管理垃圾填埋场气体.
科学领域:
- 环境工程 环境工程
- 气候科学 气候科学
- 废物管理 废物管理
背景情况:
- 城市固体废物 (MSW) 填埋场是全球甲排放的主要来源.
- 准确的甲排放估计对于有效的垃圾填埋气体管理策略至关重要.
- 像LandGEM这样的第一阶模型在准确度上有局限性,需要对参数进行增强.
研究的目的:
- 提高MSW垃圾填埋场甲排放估计的准确性.
- 使用机器学习开发修改的LandGEM模型参数.
- 通过改进关键参数,如甲生成速率常数 (k),减少甲气体估计中的错误.
主要方法:
- 利用反向建模来计算从垃圾填埋场气体收集数据和效率的k-反向值.
- 创建了一个数据集,其中年平均降水量作为独立变量和k-反向作为依赖变量.
- 训练了各种机器学习模型,包括k-最近邻居 (KNN),以预测k-反向值.
主要成果:
- 使用KNN模型,在反向建模 (k-反向) 和机器学习预测 (k-预测) 值之间实现了0.62的相关系数 (R2).
- 在甲产生的预测中显著减少了错误:54%用于库存缺陷和84%用于LandGEM的CAA缺陷.
- 该KNN模型提供了比标准LandGEM参数更准确的甲生成预测.
结论:
- 机器学习模型显示了提高垃圾填埋场甲排放预测准确性的巨大潜力.
- 通过ML驱动的参数精细化来提高准确性,可以导致更有效的垃圾填埋场排放管理政策和战略.
- 这项研究证实了ML在克服环境应用中LandGEM等传统模型的局限性的实用性.
