机器学习用于预测氨挥发和管理污泥应用的氨气挥发
Armand Favrot1, Sophie Génermont2, Céline Décuq2
1Université Paris-Saclay, INRAE, AgroParisTech, UMR EcoSys, 91120 Palaiseau, France; Université Paris-Saclay, INRAE, AgroParisTech, UMR MIA-PS, 91120 Palaiseau, France.
Journal of environmental sciences (China)
|November 2, 2025
概括
机器学习模型,特别是随机森林和梯度增强,准确预测农业氨排放. 这些先进模型的性能优于传统方法,并且对评估污泥管理中的减排策略充满希望.
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:
- 人类产生的氨排放,主要来自农业化肥,导致气损失和空气污染.
- 准确估计氨排放量对于国家库存和环境政策至关重要.
- 目前,用于预测氨排放的机器学习 (ML) 应用有限.
研究的目的:
- 训练和比较ML模型 (随机森林,梯度增强,拉索) 以预测应用后的氨排放.
- 将ML模型的性能与半经验ALFAM2模型进行评估.
- 评估不同泥管理技术在减少氨排放方面的有效性.
主要方法:
- 利用ALFAM2数据库中的538项试验中的5939个氨排放数据点.
- 训练随机森林,梯度增强和拉索ML模型来预测累积氨排放72小时后的肥料应用.
- 将ML模型性能与ALFAM2模型进行比较,使用独立的测试数据集和对128种场景进行评估的污泥管理技术.
主要成果:
- 随机森林 (RMSE = 4.51,r = 0.94) 和梯度增强 (RMSE = 6.19,r = 0.89) 在预测氨排放方面表现优异.
- 这两种ML模型的性能都超过了半经验ALFAM2模型,该模型的性能与拉索模型相比较.
- 与广播应用相比,替代性泥管理技术减少了排放量的中位数为-13.6%至-61.7%.
结论:
- 机器学习模型,特别是随机森林和梯度增强,显示出对准确预测农业氨排放的重大前景.
- ML模型为评估各种泥管理实践在缓解氨释放方面的有效性提供了有价值的工具.
- 选择ML算法至关重要,它影响了对氨排放评估的模型灵敏度和预测准确度.
