《Bioresource Technology》：Interpretable machine learning reveals dominant controls and operational windows for humic-associated phosphorus formation during aerobic composting
编辑推荐：
•NaOH-P建模从黑箱预测转向定量解释。•异质堆肥数据揭示了驱动因子层级、阈值和窗口。•化学营养因子主导NaOH-P形成，SHAP贡献度为74.77 %。•TP、N/P、MC和pH通过耦合调控共同调节NaOH-P形成。•可解释机器学习为堆肥中磷的靶向稳定化提供了可操作规则。引言
- •
NaOH-P建模从黑箱预测转向定量解释。
- •
异质堆肥数据揭示了驱动因子层级、阈值和窗口。
- •
化学营养因子主导NaOH-P形成，SHAP贡献度为74.77 %。
- •
TP、N/P、MC和pH通过耦合调控共同调节NaOH-P形成。
- •
可解释机器学习为堆肥中磷的靶向稳定化提供了可操作规则。
引言
有机废弃物处理过程中的磷（P）稳定化对养分回收、堆肥品质提升和环境风险降低具有重要意义（Wilfert等，2015）。在好氧堆肥过程中，随着有机质的降解、转化和腐殖化，磷在不同化学形态间持续重新分配（Yang等，2015）。因此，堆肥不仅是一个废弃物稳定化过程，也是一个生化途径，决定了磷是保留在相对稳定的形态中，还是仍易流失和迁移（Sáez等，2017）。
在堆肥过程中形成的磷形态中，NaOH提取的腐殖质结合态磷（NaOH-P）尤为重要，因为它代表了与碱提取腐殖质相关的磷库。该形态将磷的固持与腐殖化过程联系起来，通常被认为比更易变的磷形态具有更低的迁移性和更高的农艺价值（Gao等，2019；Hamdan等，2012）。然而，NaOH-P的形成受多种耦合因素控制，包括磷供应、养分化学计量比、水分条件、pH值、底物化学性质以及堆肥阶段（Ge等，2025）。这种多因素依赖性使得传统单因素分析难以识别通用的调控规律。
以往关于堆肥过程中磷转化的研究主要集中于总磷、无机磷和有机磷的重新分配，或特定原料和操作条件下磷有效性的变化（Cui等，2021；Gaind，2014；Zhang等，2021）。这些研究增进了对堆肥诱导磷转化的理解，但未能充分解释为何在某些条件下NaOH-P累积，而在另一些条件下却受到限制（Yuan等，2024）。三个方面的空白尤为重要。不同堆肥系统中各理化因素对NaOH-P形成的相对贡献仍未得到定量评估。区分NaOH-P形成有利和不利条件的阈值范围仍不明确（Wei等，2015）。此外，磷供应、化学计量平衡、水分和pH之间的相互作用很少被转化为定量定义的操作窗口。NaOH-P的直接测定表征了特定条件下的磷状态，而预测建模可以整合多个理化变量来估计不同条件下的NaOH-P响应，为过程解释和优化提供定量支持。
由于NaOH-P形成与堆肥系统的可测量理化条件联合相关，其变异可以建模为多变量回归问题。传统回归也能描述此类关系，但机器学习模型在捕捉非线性响应和交互作用方面提供了更大的灵活性，无需预先指定其函数形式（Kong等，2024）。这种非线性在物理上是合理的，因为NaOH-P反映了磷重新分配和腐殖化过程的综合结果，其中养分供应、化学计量平衡、水分、pH和堆肥阶段共同施加约束，可能产生阈值、饱和或非单调响应。在堆肥研究中，机器学习模型已被越来越多地应用于预测成熟度、养分演变、温室气体排放和其他过程指标（Ding等，2022；Wan等，2022；Wang等，2024）。类似的应用也已使用机器学习来预测堆肥过程中化学转化组分以及磷在不同磷形态间的迁移和转化（Bai等，2024；Tong等，2024）。然而，许多应用仍然强调预测精度，而对学习关系的可解释性研究仍不充分（Zou等，2025）。对于NaOH-P形成而言，仅靠预测是不够的。一个有效的数据驱动框架还应明确哪些变量主导响应，其效应在观测范围内如何变化，以及在何种组合条件下最可能出现有利的磷稳定化。
现有堆肥数据的性质使这项任务更加复杂。文献来源的观测数据本质上是异质的，因为它们在原料类型、工艺规模、堆肥时长、分析方法以及报告变量范围方面存在差异（Cui等，2021；Wei等，2015；Zhang等，2021）。尽管这种异质性使得各研究之间的直接比较变得复杂，但当适当的预处理、非线性建模和可解释性工具相结合时，也为提取更广泛的跨系统调控规律提供了机会（Ding等，2022；Wan等，2022；Wang等，2024）。因此，将文献来源数据与可解释机器学习相结合，可能有助于将分散的实验观测转化为关于NaOH-P形成的定量知识。
在本研究中，开发了一个可解释的机器学习框架，利用文献来源的数据集分析好氧堆肥过程中腐殖质结合态磷的形成。评估了九种机器学习算法，并选择预测性能与可解释性之间平衡最佳的模型进行后续分析。采用SHAP分析量化输入变量的贡献层级，使用SHAP依赖图解析单变量响应模式，并应用偏依赖分析识别阈值控制和交互作用定义的操作窗口。进一步使用独立的实验室规模堆肥实验作为模型预测和解释框架的支撑验证。本研究的目标是：（i）建立跨异质堆肥系统的NaOH-P形成的可解释建模框架；（ii）量化控制NaOH-P累积的主要驱动因素、贡献层级和阈值响应；（iii）将识别出的操作窗口与好氧堆肥过程中磷稳定化的过程级解释相联系。
章节摘要
文献数据采集
构建了一个文献来源的数据集，以支持好氧堆肥过程中腐殖质结合态磷形成的跨系统建模和解释。同行评审研究在满足两个标准时被纳入：（i）堆肥过程在好氧条件下进行，且（ii）报告了NaOH提取的腐殖质结合态磷（NaOH-P），或推导NaOH-P作为目标变量的足够信息，同时报告了所需的理化描述指标
数据集特征
预处理前的数据集在NaOH-P和主要堆肥描述指标上均表现出显著变异性，反映了文献来源观测数据的异质性质（图S1和S2）（Gao等，2019）。大多数变量覆盖了广泛的数值范围，并呈现不均匀或偏态分布，尤其是TP、TN、N/P和NaOH-P。这种变异性表明，所编数据集包含了多样化的堆肥阶段、原料性质、理化环境，
结论
开发了一个可解释的机器学习框架，用于分析跨异质好氧堆肥系统中腐殖质结合态磷（NaOH-P）的形成。CatBoost提供了最均衡的预测性能，并实现了对控制NaOH-P形成的多变量关系的后续解释。TP和N/P成为主要的组成和化学计量因素，而MC和pH作为重要的环境约束。它们的影响强烈
CRediT作者贡献声明
韩世博： 写作——初稿、方法学、调查、正式分析、概念化。何博雅： 数据管理。王百春： 正式分析。马显超： 方法学。李晓璇： 数据管理。席凤阁： 方法学。黄子睿： 方法学。周子琪： 方法学、正式分析。周爱姣： 监督、项目管理、资金获取。
利益冲突声明
作者声明，他们不存在已知的竞争性经济利益或个人关系，可能影响本文所报告的工作。
致谢
我们感谢华中科技大学对本研究的支持。我们同样衷心感谢国家重点研发计划（项目编号：2024YFC3906403，项目编号：2024YFC3908902）的资助。我们还要感谢长江流域多介质污染协同控制湖北省重点实验室以及华中科技大学环境科学与工程学院大型仪器共享平台提供的相关
韩世博|何博雅|王百春|马显超|李晓璇|席凤阁|黄子睿|周子琪|周爱姣
