通过应用可解释的机器学习方法来预测分散堆肥的温室气体排放

科学领域:

• 环境科学 环境科学
• 废物管理 废物管理
• 气候变化研究 气候变化研究

背景情况:

• 堆肥产生的温室气体 (GHG) 排放是一个重大的环境问题.
• 由于有机废物的复杂性和不同的堆肥条件,很难预测这些排放.

研究的目的:

• 提高堆肥产生的甲 (CH4) 和氧化 (N2O) 排放的可预测性.
• 确定影响堆肥过程中温室气体排放的关键因素.

主要方法:

• 从中国的七个分散堆肥场所收集了501个关于甲和氧化物排放的文件监测数据集.
• 应用可解释的机器学习方法,包括适应提升和梯度提升,以预测温室气体排放.
• 分析了堆温度和C/N比率等因素对排放的影响.

主要成果:

• 甲排放量从2.57 × 10−5到32.41 mg·m−2·min−1不等,氧化排放量从1.98 × 10−4到2.27 mg·m−2·min−1.4不等.
• 适应增强和渐变增强模型实现了最高的预测准确性.
• 温度和C/N比率被确定为甲和氧化排放的主要驱动因素.
• 生命周期温室气体排放因子被发现为IPCC平均默认值的4.5%-15.0%.

结论:

• 机器学习提供了一种强大的方法来预测和理解堆肥的温室气体排放.
• 控制堆温度和C/N比率可以帮助减轻温室气体排放.
• 这些发现提供了较低的,与IPCC默认值相比,特定地点的排放因子,有助于更准确的环境评估.