基于快速检测指标与机器学习的餐厨垃圾堆肥腐熟度智能预测模型研究

本文创新性地选取电子供体能力（EDC）和电子受体能力（EAC）等快速检测过程指标（RDPMs），结合多种机器学习（ML）算法构建了堆肥腐熟度（以发芽指数GI为指标）的智能预测模型。研究表明，基于RDPMs的模型在5折交叉验证（CV）后表现出优异的泛化能力（R2 = 0.9751），其预测精度（R2 = 0.9861）甚至优于融合传统关键饲料参数（CFPs）的对照模型，为大规模智能化堆肥过程的实时监控提供了可靠技术框架。

　　

亮点 (Highlights)

• •
  基于快速检测过程指标（RDPMs）的机器学习模型实现了对堆肥腐熟度的精准预测。
• •
  经过5折交叉验证（CV）的RDPM模型展现出强大的泛化能力（R² = 0.9751）。
• •
  SHAP分析揭示持续时间（DT）、温度和电子受体能力（EAC）是RDPM模型中预测发芽指数（GI）的关键驱动因子。
• •
  在独立验证集中，RDPM模型（R² = 0.9861）表现出比融合模型（R² = 0.9774）更高的实用预测精度和稳健性。
• •
  本研究为大规模智能化堆肥过程提供了一种可靠且实用的实时监控工具。

大规模堆肥实验 (Large-scale composting experiments)

堆肥实验在位于中国湖南省长沙市的某农场进行。实验共设置了8个大型堆肥堆（每个1000公斤），这些大堆又被细分为24个小堆。餐厨垃圾、畜禽粪便、作物残渣和油饼以不同比例混合，以制备具有代表性的堆肥原料。其中的餐厨垃圾来自长沙市，是经过三相分离后的固体废弃物，其他原料则采购自当地市场。

田间实验效果 (Field experiment effect)

我们的实验表明，农场堆肥过程中的理化性质发生了显著变化。如图1和图S2的时间序列所示，所有堆肥在经历25天的堆肥后，其发芽指数（GI）基本都能达到80以上，这意味着堆肥已完全腐熟。然而，各种快速检测过程指标（RDPMs）随时间的变化基本上没有显著的线性关系。在堆肥初期，存在一个温度（T）快速显著升高的阶段，最高温度超过70°C，并且在接下来的堆肥过程中，温度会逐渐下降并趋于稳定。其他RDPMs，如pH值、电子电导率（EC）、电子供体能力（EDC）和电子受体能力（EAC），也表现出各自独特的变化模式，这些模式共同反映了堆肥的复杂生物化学过程。

作者贡献声明 (CRediT authorship contribution statement)

何忠浩: 撰写 – 审阅和编辑，撰写 – 初稿，软件，方法论，调查，概念化。

唐静: 撰写 – 审阅和编辑，可视化，验证，监督，项目管理，资金获取。

彭翔宇: 调查。

何静: 调查。

董浩然: 监督。

方乐缘: 监督，软件，形式分析，数据整理。

唐林: 撰写 – 审阅和编辑，监督，项目管理，资金获取。

利益冲突声明 (Declaration of competing interest)

作者声明，他们没有已知的可能影响本工作报告的竞争性财务利益或个人关系。

致谢 (Acknowledgment)

本研究得到了国家重点研发计划（项目号：2021YFC1910400）和国家自然科学基金项目（项目号：52470147）的资助。