综述：机器学习在预测废水处理过程中氮氧化物（N?O）排放量方面的应用：一篇综述性文章

《Journal of Environmental Management》：Applicability of machine learning in predicting N 2O emission from wastewater treatment processes: a narrative review

氮氧化物排放预测与机器学习模型应用研究。摘要：本文综述了污水处理中N?O排放预测的研究进展，比较了支持向量机（SVM）、随机森林（RF）和人工神经网络（ANN）等机器学习模型性能，发现混合模型（如LSTM）在减少数据需求、提升预测精度和可解释性方面更具优势。同时指出传统监测方法存在数据不足、成本高、可扩展性差等问题，而ML模型在动态因素识别和减排策略建议方面具有潜力，但面临数据可用性、模型可解释性和跨场景适用性等挑战。需进一步研究生成模型、可解释ML和迁移学习以提升性能。

　　

方颖珂|孙琦|王树森|王洪成|徐洪斌|黄龙|李国强|李远|王爱杰

郑州大学生态与环境学院，中国郑州，450001

摘要

一氧化二氮（N₂O）是一种在废水处理过程中产生的温室气体。近年来，计算机技术的进步促进了大规模多源数据集的生成和收集，使得机器学习（ML）成为预测这些过程中N₂O排放的强大工具。本文综述了废水处理过程中N₂O的排放特性和途径，并总结了用于N₂O排放预测的机理模型、ML方法和混合模型。特别是分析了不同模型在预测N₂O排放通量（准确性）、相应途径和关键影响因素方面的表现。支持向量机（SVM）、随机森林（RF）和人工神经网络（ANN）算法是最常用的N₂O排放预测模型，它们具有高性能（R² ≥ 0.90）、计算速度快和可解释性强等特点。这些模型确定的关键影响因素包括氮化合物、溶解氧（DO）和碳氮比（C/N），这与领域知识相符。由于数据需求较少且可解释性更高，机理模型与ML算法的混合模型（例如长短期记忆网络）在预测N₂O排放通量和途径方面优于单独的模型。然而，数据可用性、可解释性和可转移性等问题对ML模型的应用提出了挑战。因此，应进一步研究性能提升策略（如生成模型、可解释ML和迁移学习）。尽管如此，所研究的预测方法对于控制全球变暖仍然具有重要意义。

引言

一氧化二氮（N₂O）是一种强效的温室气体，其全球变暖潜能约为二氧化碳（CO₂）的300倍（Daelman等人，2013年）。N₂O作为一种大气污染物，会加剧臭氧层破坏并对环境造成严重危害（Ravishankara等人，2009年）。作为“城市的清道夫”，污水处理厂（WWTPs）是N₂O的重要排放源（Hofman等人，2011年），其总碳足迹的80%以上来自N₂O排放（Daelman等人，2013年）。在生化废水处理过程中，微生物氮去除过程主导了N₂O的直接排放，其中微生物硝化和反硝化是主要途径（Vasilaki等人，2019年）。因此，从微生物排放优化的角度出发的N₂O减排策略受到了研究关注。

N₂O减排策略开发的首要任务是量化N₂O排放通量。传统方法依赖于监测活动来收集通量数据，如浮室技术、示踪气体法和N₂O传感器技术（Shang等人，2024年）。然而，典型的短期监测无法揭示准确和一致的排放动态特征；例如，在不同监测时间（75小时（Kampschreur等人，2009年）和21天（Mampaey等人，2016年）下，N₂O排放率（占氮负荷的1.7%和3.8%）可能相差两倍以上。长期监测虽然合适，但劳动强度大、成本高且容易受到缺乏标准化协议和质量控制措施的影响，从而影响了其代表性和普遍适用性（Vasilaki等人，2020b年）。此外，尽管传感器技术已得到广泛应用（Valk等人，2022年），且大型污水处理厂可以生成超过30,000个信号，但传感器数据中的大部分信息仍未得到充分利用（Olsson等人，2014年）。在大数据时代，大量且易于获取的源数据的特点使得传统的手动或机械监测方法不再是唯一的选择。

为了更方便地量化N₂O排放，研究人员基于N₂O排放途径开发了一系列数学机理模型（Li等人，2022年），这些模型通常是对经典活性污泥模型（ASMs）的改进。这些预测模型从简化的单途径方法（Ni等人，2011年）发展到双途径方法（Pocquet等人，2016年），再到集成多途径框架（Ni等人，2014年）。然而，在预测性能方面，这些模型仍存在显著局限性。尽管研究已扩展到物理化学机制（Baeten等人，2020年；Harper Jr等人，2015年），但现有模型仍无法完全捕捉多种排放机制之间的复杂相互作用。此外，它们的适用性在不同反应条件下的差异很大（Ni和Yuan，2015年），这增加了在参数变异性研究中进行更复杂验证过程的需求（Vasilaki等人，2018年）。除了N₂O通量数据外，这些模型还需要量化羟胺（NH₂OH）和NO等中间产物，而这些测量既昂贵又在技术上具有挑战性（Khalil等人，2023年）。这些局限性凸显了更便捷预测技术的必要性。

机器学习（ML）模型能够自动分析和总结大量数据，并提取趋势和模式，比机理模型具有更高的通用性和便利性。ML需要大规模数据集，并且可以通过自身的模拟过程独立建立数据之间的关系，而无需深厚的领域知识。通过持续校准，可以建立最佳适应数据模式的数据驱动模型，之后可以使用该模型评估和预测新数据。具有适当可解释性的ML模型不仅可以进行N₂O排放的定性模拟和定量预测，还可以通过整合特定场景中的必要领域知识来解释污染物转化过程和揭示反应机制（Khalil等人，2023年）。此外，这些模型还可以识别与排放相关的关键影响因素，并在动态条件下提出适当的纠正措施（Li等人，2021年）。这些特点展示了ML解决传统机理模型相关挑战的潜力。

目前，许多研究总结了ML在废水处理（Zhao等人，2020年）和饮用水处理（Li等人，2021年）中的应用。然而，ML在废水处理过程中N₂O排放预测中的应用仍处于初级阶段。总结和分析ML在预测N₂O排放方面的性能对于理解其实际价值并指导该领域的进一步研究至关重要。本研究从模型选择、排放途径识别和关键影响因素识别等方面，回顾了ML在预测废水处理过程中N₂O排放的应用。最后，讨论了将ML应用于N₂O排放预测的挑战和前景。

章节片段

N₂O排放途径

传统废水处理过程中的N₂O排放主要发生在生物氮去除过程中，即硝化和反硝化过程中，超过90%的N₂O排放来自这些氮过程（Gutiérrez等人，2025年；Kampschreur等人，2009年；Pereira等人，2025年）。近年来，已经发现了一些可能与N₂O排放相关的新型氮去除过程，如厌氧氨氧化（anammox）（Okabe等人，2011年）和异养...

N₂O排放预测的机理模型

基于领域知识的N₂O排放途径和关键影响因素构成了构建机理模型的基础。在过去十年中，基于领域知识的N₂O排放预测机理模型发展迅速。几篇综述文章总结了N₂O排放机理建模的进展，包括Khalil等人（2023年）和Ni与Yuan（2015年）的研究。在此，我们简要回顾了关键信息。

ML在N₂O排放预测中的应用

阐明生物废水处理过程中的N₂O排放途径并识别关键影响因素对于提高ML模型对N₂O排放通量的解释性至关重要。将领域知识与数据驱动的ML模型相结合可以提高解释性和预测可靠性，同时减少对完全机理假设的依赖。基于文献的不同ML算法在N₂O预测方面的性能分析（表2）为选择合适的模型提供了指导...

混合模型的性能

单一建模方法存在固有的局限性，因为每种算法都有其独特的优点和缺点。机理模型适用于过程设计和动态行为模拟，但它们无法捕捉所有系统行为，通常需要针对性强且成本较高的数据收集。相比之下，ML模型高度依赖数据，通常无法超出其训练数据集所代表的条件进行外推（Alvi等人，2023年）。

展望

近年来，研究人员尝试使用ML模型预测生物废水处理过程中的N₂O排放，并取得了显著进展。ML模型的引入不仅简化并加速了N₂O排放通量的预测，还有助于识别潜在的N₂O排放途径和关键影响因素。因此，将ML模型纳入其中为后续的减排工作提供了重要基础。

CRediT作者贡献声明

方颖珂：撰写——审稿与编辑、撰写——初稿、可视化、方法论、资金获取、正式分析、数据管理、概念化。孙琦：撰写——审稿与编辑、监督、调查。王树森：调查。王洪成：调查、资金获取。徐洪斌：监督、调查。黄龙：调查。李国强：调查。李远：调查。王爱杰：监督、调查。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

本文得到了国家自然科学基金（编号：52500235）、河南省科技研究项目（编号：252102110066）、郑州大学的研究资助（编号：32213813）、国家重点研发计划（编号：2023YFC3207101）以及深圳市科技计划（编号：JCYJ20241202123900001）的支持。