基于机器学习的方法用于估算不同硅肥施肥水稻田的温室气体排放

《Paddy and Water Environment》：Machine learning-based approach for estimating greenhouse gas emissions in varying silicate-fertilized rice paddies

　　

摘要

准确量化稻田温室气体（GHG）排放对于气候适应至关重要，但受限于劳动密集型测量方法。硅酸盐肥料具有减轻温室气体排放的潜力，然而评估其效果的工具尚不成熟。本研究的目标是利用环境协变量作为输入特征，开发并验证机器学习（ML）模型，用于预测施用硅酸盐肥料稻田的甲烷（CH₄）、氧化亚氮（N₂O）和二氧化碳（CO₂）排放量。田间试验持续2年，使用三种含不同铁渣含量的硅酸盐肥料（即0.0%、2.5%和5.0%）以及一个对照处理。收集了环境数据，包括气象变量、土壤化学性质和肥料成分。使用第一年的数据进行模型开发，第二年的数据进行跨年验证，评估了三种机器学习算法（即随机森林、梯度提升和k近邻）。CH₄排放与土壤氧化还原电位（Eh，-0.60）呈强负相关，而N₂O排放与土壤Eh呈正相关（+0.92）。尽管梯度提升在训练数据上表现出强大的学习能力，但随机森林展现了更优的泛化能力，在跨年验证中，决定系数（R²）值分别为0.86（CH₄）、0.87（N₂O）和0.81（CO₂）。实测累积GHG排放量与预测值总体吻合良好，但在对照处理的CH₄排放中发现了明显偏差。该方法减少了对劳动密集型测量的依赖，同时提高了温室气体监测的可扩展性。硅酸盐施肥与基于机器学习的预测相结合，为水稻生产中的循证环境管理提供了一种实用工具。