基于生物炭的缓释肥料中营养物质漏风险的形状可解释的预测
Shilei He1, Yuhong Su1, Zhiguo Guo2
1College of chemical engineering, Xinjiang University, Urumqi, 830046, PR China; Petroleum and Natural Gas and Fine Chemicals Key Laboratory, Xinjiang University, Urumqi, 830046, PR China.
The Science of the total environment
|September 30, 2025
概括
一个新的机器学习模型准确地预测了基于生物炭的缓释肥料 (BSRF) 的营养物质出. 这种数据驱动的方法优化了肥料设计,并提高了土壤营养管理,以提高效率.
科学领域:
- 农业科学 农业科学
- 环境科学 环境科学
- 数据科学数据科学数据科学
背景情况:
- 基于生物炭的缓释肥料 (BSRF) 提高了土壤营养使用效率.
- 评估BSRF慢释放性能至关重要,但传统方法资源密集,缺乏可比性.
- 当前评估方法的局限性需要先进的,数据驱动的方法.
研究的目的:
- 开发一种机器学习 (ML) 模型,用于预测BSRF的营养出率.
- 确定影响BSRF中营养物质漏的关键因素.
- 克服BSRF传统评估方法的局限性.
主要方法:
- 我们使用文献数据来训练各种基于树的ML模型 (RF,XGBoost,CatBoost,GBRT,LightGBM).
- 使用树结构的帕森估计器 (TPE) 算法进行了超参数优化.
- 模型解释使用了个人条件预期 (ICE) 和夏普利增量扩展 (SHAP).
主要成果:
- 优化的LightGBM模型显示出优异的预测性能 (RMSE = 2.2889,R2 = 0.9946).
- 影响表现的关键超参数是学习率和min_child_samples.
- 营养物质出率的预测主要取决于BSRF元素含量和出量.
结论:
- 开发的ML模型提供了对BSRFs营养出率的准确预测.
- BSRF元素含量和浸出量是营养损失的主要驱动因素,而特定的表面积有助于保持.
- 该研究提供了数据驱动的决策支持,以优化BSRF设计和土壤营养管理,并提供了用户友好的界面.
