基于人工智能分类、回归与时间序列模型整合的生物炭安全性评估与污染物吸附优化及环境影响预测研究

本综述系统提出了一种整合分类（安全评估）、回归（重金属吸附预测）和时间序列（VOC排放预测）模型的AI框架，用于全面评估生物炭（biochar）的环境安全性。研究利用随机森林（RF）、长短期记忆网络（LSTM）等机器学习算法，实现了对生物炭化学组成安全性的高精度分类（准确率96.7%）、重金属吸附效率的精准预测（R2=0.9549）以及挥发性有机物（VOC）排放的动态预报（MAPE=87.14%），为生物炭在环境修复（如土壤改良、碳封存和废水处理）中的安全、高效应用提供了可靠的智能决策支持。

　　

1 引言

生物炭是一种在限氧条件下通过生物质热解产生的高碳副产品，因其高比表面积、多孔性及丰富官能团等特性，在环境修复、农业改良和碳封存等领域展现出巨大潜力。然而，生物炭的安全性及长期环境影响仍存在不确定性，其性质受原料类型、热解条件及后处理工艺等因素影响，可能导致重金属、多环芳烃（PAHs）及挥发性有机化合物（VOCs）等有害成分的残留或释放。传统评估方法依赖耗时且难以规模化的实验室分析，无法有效捕捉生物炭组成与环境效应间的复杂非线性关系。为此，本研究提出一种基于人工智能（AI）的多模型机器学习框架，旨在实现生物炭安全性、吸附效能及排放行为的自动化、精准化预测。

2 文献综述

生物炭作为一种可持续环境材料，已广泛应用于土壤改良、污染物吸附及温室气体减排等领域。研究表明，生物炭可通过提升土壤pH值、阳离子交换容量（CEC）及营养保留能力增强土壤肥力，并吸附重金属与有机污染物。然而，其安全性受原料和热解参数影响，可能释放重金属、PAHs及VOCs，引发环境风险。近年来，机器学习（ML）技术如随机森林（RF）、支持向量机（SVM）和人工神经网络（ANN）被用于预测生物炭吸附性能、重金属固定化效率及VOC排放，但现有模型多局限于单一目标预测，且存在可解释性不足、数据集规模小、泛化能力有限等问题。此外，生物炭的长期田间效应及跨环境条件的适应性仍需深入验证。

3 方法论

3.1 基于化合物组成的生物炭安全性分类模型

本研究采用随机森林分类器（RFC）构建生物炭安全性评估模型。数据集源自美国Data.gov的30个生物炭样本，涵盖37个理化变量，包括碳含量（C）、氢含量（H）、氮含量（N）、硫含量（S）、灰分（Ash）、pH值等。通过特征工程提取安全性边界特征（如C≥50%、Ash<30%、pH 6–10、S<2%）和衍生比率（如C/(N+ε)、C/(H+ε)、Ash/(C+ε)），并采用保守阈值（τ_c=0.7）优化分类，以最小化假阳性（错误将不安全生物炭判为安全）。模型通过动态类别权重平衡样本偏差，最终在外部验证集上实现96.7%的准确率和1.000的精确度，完全消除了假阳性错误。

3.2 基于随机森林回归的生物炭吸附效率预测

吸附预测模型采用随机森林回归（RFR），数据集包含353个吸附实验数据，涉及Pb、Cd、Ni、As、Cu、Zn六种重金属及44种生物炭。输入特征包括生物炭性质（pH_H2O、比表面积、CEC、灰分、粒径等）、吸附条件（溶液pH、温度）及重金属特性（电荷数、离子半径、电负性）。经网格搜索调优（n_estimators=200, max_depth=None, min_samples_leaf=1），模型在测试集上达到R2=0.9549和MSE=0.0046。特征重要性分析显示，初始浓度（C₀）、溶液pH（pH_sol）和CEC是影响吸附效率的关键因素。

3.3 基于时间序列模型的VOC排放预测与环境影响评估

VOC排放预测采用长短期记忆网络（LSTM）处理时间序列数据，数据集来自英国林肯郡的土壤培养实验，包含1,440条观测记录，涉及CO₂、CH₄、N₂O通量及初始浓度。模型通过双向LSTM层（128–64–32单元）、丢弃法（Dropout）和批量归一化（Batch Normalization）增强泛化能力，使用Adam优化器（学习率0.001）和均方误差（MSE）损失函数进行训练。最终模型在预测CO₂通量（目标变量）上达到87.14%的MAPE准确率和R2=0.9829，显著优于初始LSTM模型。关键特征包括CH₄通量、N₂O通量及初始气体浓度。

4 整体模型架构

集成框架并行运行分类、回归和时间序列模型，输入数据包括生物炭的化学组成、吸附参数和实时排放监测数据。预处理阶段涉及缺失值插补、特征缩放、类别编码和异常值剔除（Z-score法）。输出层整合三类模型的预测结果，提供生物炭安全性评级、重金属吸附效率估值及VOC排放趋势，并通过性能指标（准确率、R2、MSE、MAPE）和可视化工具（特征重要性图、残差图、部分依赖图）确保模型可解释性与可靠性。

5 结果与讨论

5.1 分类模型

分类模型在外部验证中实现96.7%的准确率和零假阳性，保守阈值（τ_c=0.7）有效过滤了不确定性样本（93.3%样本处于中间概率区）。特征重要性排名显示pH中心距离、pH值、无机碳（Inorg.C）和交换性钙（Ext.Ca）是主要影响因素。与传统方法（60–70%准确率）和标准机器学习模型（假阳性率约20%）相比，本框架在安全关键型应用中表现出显著优势。

5.2 回归模型

回归模型通过超参数优化显著提升性能，测试集R2达0.9549。特征分析表明C₀（mmol/g）、pH_sol和CEC（cmol(+)/kg）是吸附效率的核心预测因子。部分依赖图（PDPs）揭示了这些特征的非线性效应，如吸附效率随C₀增加而上升，与总碳含量（%）关系较弱。相关性热图显示O/C与H/C呈强正相关（r=0.83），总碳与灰分呈强负相关（r=-0.82），符合生物炭碳化规律。

5.3 时间序列模型

优化后的双向LSTM模型损失曲线稳定下降，无过拟合现象，实际值与预测值接近线性关系（R2=0.9829），表明模型能有效捕捉CO₂排放的时序依赖。关键驱动因素包括CH₄通量、N₂O通量及初始浓度，反映了温室气体排放的相互作用。模型局限性在于数据集仅来自单一地点和土壤类型，限制了跨区域推广性。

6 局限性

分类模型训练样本量小（n=30），可能影响对稀有特征组合的识别；回归模型数据源自实验室条件，难以完全反映自然环境的复杂性；时间序列模型缺乏多土壤类型和气候区数据，泛化能力受限。此外，所有模型均未涵盖生物安全性指标（如病原体、化感效应），且依赖标准化检测数据，实际应用需结合田间验证。

7 结论

本研究开发的多模型AI框架为生物炭的安全性评估、吸附效能优化及环境影响预测提供了全面、可靠的解决方案。分类模型实现了高精度安全评级，回归模型精准预测了重金属吸附行为，时间序列模型成功预报了VOC排放趋势。该框架通过自动化分析减少了人为误差，支持实时决策，有助于推动生物炭在环境修复、农业和碳管理中的安全、可持续应用。未来工作可扩展数据集、引入多类别风险分级、整合生物指标，并探索联邦学习以促进跨机构协作。