基于机器学习方法预测生化需氧量(Biochemical Oxygen Demand, BOD)与铵态氮(NH4+-N)：来自全规模水资源回收设施(WRRF)长达十年的周频现场研究

《Engineering Applications of Artificial Intelligence》：Machine learning approaches for predicting biochemical oxygen demand and ammonium nitrogen: A decade-long weekly field study at a full-scale water resource recovery facility

　　

不同于以往依赖高频（15分钟或小时级）数据集的研究，本研究率先采用低频（周频）数据评估线性及非线性机器学习（Machine Learning, ML）算法对澳大利亚西澳Subiaco水资源回收设施（Water Resource Recovery Facility, WRRF）初沉池与二沉池出水中生化需氧量（Biochemical Oxygen Demand, BOD）和铵态氮（NH4+-N）的预测性能。研究人员采用过滤式（filter）、封装式（wrapper）及嵌入式（embedded）等多种特征选择（Feature Selection, FS）方法，以确定在提升计算效率的同时能获得最高模型性能的最优特征子集。结果表明，缩减后的关键特征集可在较低计算复杂度下达到相当的预测精度。对于初沉池出水BOD预测，多层感知器（Multilayer Perceptron, MLP）采用互信息（Mutual Information, MI）筛选的特征，根均方误差（Root Mean Square Error, RMSE）达23.50 mg/L；二沉池出水中，采用随机森林（Random Forest, RF）特征选择的支持向量回归（Support Vector Regression with radial basis function kernel, SVR(rbf)）预测效果最佳，RMSE为3.26 mg/L。同理，初沉池出水NH4+-N预测中，采用反向消除（Backward Elimination, BE）的多重线性回归（Multiple Linear Regression, MLR）RMSE为2.71 mg/L；二沉池出水中，含五个关键预测因子的随机森林（Random Forest, RF）RMSE为1.51 mg/L，表明NH4+-N预测精度较高。上述发现证明数据驱动模型可利用低频监测数据预测BOD与NH4+-N，可为污水处理厂运行决策及近实时水质评估提供支持。此外，泛化能力分析显示线性模型在跨目标变量和多评价指标上表现更为稳定。

论文解读：基于机器学习方法预测生化需氧量(BOD)与铵态氮(NH₄⁺-N)——来自全规模WRRF长达十年的周频现场研究

研究背景与意义

wastewater treatment plant（WWTP，污水处理厂）生化过程具强非线性、非高斯分布及时间依赖性，传统机理模型难以同时兼顾这些特性导致特征提取不足、预测性能欠佳。关键出水参数生化需氧量（Biochemical Oxygen Demand, BOD）和铵态氮（NH₄⁺-N，ammonium nitrogen）的实验室测定耗时费力且需频繁校准，在线传感器成本高且存在测量不确定性。现有机器学习（Machine Learning, ML）预测研究多基于高频（15 min或小时级）数据或仿真基准模型（Benchmark Simulation Model, BSM），而实际全规模污水厂受运维成本限制常采用周频甚至月频监测，针对低频真实数据的ML比较研究尤其对初沉池（primary treatment effluent）参数预测尚属空白。研究人员以澳大利亚Perth市Subiaco WRRF（Water Resource Recovery Facility，水资源回收设施）2014—2024年周频实验室数据为对象，系统比较多种ML算法结合不同特征选择（Feature Selection, FS）方法对初沉及二沉池出水BOD和NH₄⁺-N的预测能力，旨在验证低频数据驱动模型用于污水厂 supervisory-level（监管层）运行决策的可行性。该文发表于《Engineering Applications of Artificial Intelligence》。

主要技术方法概述

研究人员获取Subiaco WRRF初沉池与二沉池出水每周水质参数（pH、悬浮固体Suspended Solids, SS、总凯氏氮Total Kjeldahl Nitrogen, TKN、总磷Total Phosphorus, TP、COD、BOD、NH₄⁺-N、硝态氮NO₃^-、亚硝态氮NO₂^-）共440个样本，经基于领域知识（BOD/COD比、物质平衡关系等）的异常值清洗后采用k近邻（k-Nearest Neighbors, kNN, k=5）填补缺失值并经StandardScaler标准化；按时间顺序取最近20%为测试集、其余为训练验证集。特征选择方法涵盖过滤式（方差阈值Variance Threshold, VT；方差分析Analysis of Variance, ANOVA；互信息Mutual Information, MI；皮尔逊相关矩阵Pearson Correlation Matrix, PCM）、封装式（反向消除Backward Elimination, BE）及嵌入式（随机森林重要性Random Forest, RF；Lasso回归L1正则化）。对比算法包括多重线性回归Multiple Linear Regression（MLR）、偏最小二乘Partial Least Squares（PLS）、支持向量回归Support Vector Regression（SVR）含线性及rbf核、随机森林Random Forest（RF）、极限学习机Extreme Learning Machine（ELM）、多层感知器Multilayer Perceptron（MLP）及极端梯度提升eXtreme Gradient Boosting（XGBoost），以网格搜索交叉验证调参，迭代算法用早停防过拟合。模型评价采用RMSE、MAE、相关系数r、决定系数R²、相对均方根误差Root Relative Squared Error（RRSE）及残差预测偏差Residual Predictive Deviation（RPD），并以训练/测试误差比箱线图评估泛化能力。

研究结果

3.1. Data pre-processing（数据预处理）

研究人员经理化关系校验剔除异常样本得440条有效记录，各采样点参数均值、标准差等均在市政污水典型范围；采用时间序列分割及kNN插补、标准化处理，确认数据满足后续建模要求。

3.2. Feature selection（特征选择）

对初沉池出水BOD预测，一次沉淀池出水COD（COD-P-eff）被所有FS方法选中，SS-P-eff与TKN-P-eff亦为重要因子；NH₄⁺-N预测中TKN-P-eff最关键，COD-P-eff、SS-P-eff与pH-P-eff具贡献。二沉池出水BOD预测最重要为二次沉淀池出水COD（COD-S-eff），次之为SS-S-eff与TKN-S-eff；NH₄⁺-N预测首要因子为TKN-S-eff，NO₂^--S-eff、COD-S-eff及SS-S-eff亦重要。研究表明同工艺段COD、SS、TKN、TKN及pH等常规参数构成核心输入特征。

3.3. Analysis of different ML algorithms（机器学习算法分析）

3.3.1. BOD and NH₄⁺-N prediction in primary treatment effluent（初沉池出水BOD与NH₄⁺-N预测）

初沉池BOD最优模型为MLP结合MI选8个特征，测试集RMSE=23.50 mg/L、R²=50.96%；SVR(linear)用全特征次之。RF与XGBoost训练精度高但测试性能下降显示过拟合。初沉池NH₄⁺-N最优为MLR/BE选4特征（PH-inf、COD-P-eff、TKN-P-eff、PH-P-eff），测试RMSE=2.71 mg/L、R²=28.45%，线性模型泛化优于非线性。

3.3.2. BOD and NH₄⁺-N prediction in the secondary treatment effluent（二沉池出水BOD与NH₄⁺-N预测）

二沉池BOD最佳为SVR(rbf)结合RF选5特征（SS-P-eff、COD-S-eff、SS-S-eff、TKN-S-eff、PH-S-eff），测试RMSE=3.26 mg/L、R²=46.43%。RF用单特征（MIa）亦可获相近结果且降低过拟合。二沉池NH₄⁺-N最佳为RF结合RF选5特征（PH-inf、COD-S-eff、SS-S-eff、TKN-S-eff、NO₂^--S-eff），测试RMSE=1.51 mg/L、R²=45.54%；ELM-LASSO（4特征）测试RMSE=1.61 mg/L可作简化替代。

3.3.3. Model comparison using radar chart visualization（雷达图模型比较）

雷达图归一化多指标对比确认：初沉BOD推荐MLP-MI（少特征高性效比），初沉NH₄⁺-N推荐MLR-BE（简洁可解释），二沉BOD推荐SVR(rbf)-RF，二沉NH₄⁺-N推荐RF-RF。

3.4. Feature selection importance（特征选择重要性）

对比全特征与降维特征集，降至5特征后SVR及RF测试性能持平或微升、训练-测试差距缩小，证实合理FS可降低过拟合、增强泛化并简化模型。

3.5. Generalization ability（泛化能力）

训练/测试性能指标比值箱线图显示MLR、PLS及SVR(linear)中位数接近1且离散度小，泛化稳定；RF、XGBoost、ELM离散度大对数据特性更敏感。低频周数据条件下线性模型跨目标泛化更稳健。

3.6. Benchmarking against existing literature（与已有文献对比）

虽较高频大数据深度学习模型精度偏低，本研究用周频440样本及常规参数达二沉BOD RMSE 3.26 mg/L（R²46.43%）、NH₄⁺-N RMSE 1.51 mg/L（R²45.54%），证明低频常规监测数据驱动模型仍具操作级预测价值，适合趋势分析与运行规划。

讨论与结论（翻译浓缩）

本研究证实利用低频周频数据及机器学习技术可有效地预测全规模WRRF初沉与二沉池出水BOD与NH₄⁺-N浓度。过滤式、封装式及嵌入式特征选择中，基于随机森林的重要性筛选整体较优；精简关键特征（COD、SS、TKN、pH等）可提升模型可解释性与泛化能力。初沉池BOD最佳为MLP-MI（RMSE 23.50 mg/L），二沉池BOD最佳为SVR(rbf)-RF（RMSE 3.26 mg/L）；初沉池NH₄⁺-N最佳为MLR-BE（RMSE 2.71 mg/L），二沉池NH₄⁺-N最佳为RF-RF（RMSE 1.51 mg/L）。线性模型（MLR、PLS、SVR线性核）跨多目标与指标泛化最为一致，而非线性复杂模型需注意过拟合风险。该数据驱动框架可减少昂贵耗时的BOD等实验室检测频次，为污水厂 supervisory-level运行决策、季节性趋势分析及合规管理提供支撑；所提预处理—时序切分—多特征选择—多算法比较—泛化量化流程可迁移至具类似监测条件的其他污水厂，但需本地校准验证。未来可纳入多厂数据、增温湿度及溶解氧等变量（若有高频数据）、探索机理—数据混合模型及不确定性量化以拓展适用性。