基于集成机器学习模型的猪粪堆肥中重金属生物有效性预测研究

本研究针对猪粪堆肥中重金属（HMs）生物有效性评估的难题，采用AdaBoost、XGB等5种机器学习算法及ABE、NFE等3种集成技术，成功预测了Cu、Zn等5种HMs的动态变化。结果表明，NFE集成模型显著提升预测精度（NSE最高提升26.564%），为堆肥产品环境风险评估提供了高效低成本解决方案。

　　

随着规模化养殖业的快速发展，猪粪堆肥作为有机肥料的应用日益广泛，但其残留的重金属（HMs）污染问题却成为悬在农业生态安全头上的"达摩克利斯之剑"。传统化学分析方法不仅耗时费力，还难以捕捉堆肥过程中复杂的非线性关系。面对这一挑战，Near East University（近东大学）的Gebre Gelete团队在《Physics and Chemistry of the Earth, Parts A/B/C》发表的研究，开创性地将集成机器学习技术引入重金属生物有效性预测领域。

研究团队首先通过XGBoost特征筛选锁定关键变量：初始生物有效性（BF_init）、堆肥时间和总磷（TP）。随后采用"五基模型+三集成"的创新架构，其中AdaBoost对Cd、Zn、As的预测表现惊艳（NSE=0.941-0.973），而KNN则在Cr预测中拔得头筹（NSE=0.859）。最引人注目的是神经模糊集成（NFE）技术，其通过非线性融合使Cu、Cd预测精度分别提升10.265%和26.564%，堪称机器学习界的"合金锻造术"。

在方法学层面，研究团队构建了包含8个理化参数的预测体系，采用NSE、R²等四项指标验证模型性能。通过对比实验证实，集成模型能有效克服单一算法在过拟合、局部最优等方面的局限性，其预测结果与原子吸收光谱法等传统手段高度吻合。

【Results and Discussion】部分揭示：1）特征选择显示BF_init对预测贡献度达37.5%，印证了重金属初始形态的关键作用；2）在单模型比较中，AdaBoost对三价砷（As³⁺）的预测R²达0.98，展现对毒性最强形态的精准捕捉能力；3）NFE集成通过自适应权重分配，将Cr预测的RMSE降至0.021，显著优于传统加权平均（WAE）。

该研究的突破性在于：首次建立堆肥-重金属-机器学习的三元预测体系，其NFE集成策略为环境污染物智能监测树立新范式。正如【Environmental and Ecological Implications】强调的，这项技术可节省90%以上的实验成本，为《欧盟土壤健康法》等法规的实施提供关键技术支撑。未来若与物联网传感技术结合，有望实现堆肥厂重金属风险的实时预警，推动"智慧农业"向纵深发展。