基于机器学习堆叠集成方法提升已发表奶牛甲烷排放预测模型在北爱尔兰数据集上的外部应用性能

《Journal of Dairy Science》：Evaluation of a global repository of published dairy cattle methane emission prediction models on a northern irish dataset: Individual performance vs a stacked ensemble approach

本文针对已发表的奶牛甲烷（CH4）排放预测模型在原始训练数据范围外应用时性能下降的普遍问题，开展了一项评估性研究。研究人员系统收集了23个已发表模型构成全球模型库（GR），并在一个本地北爱尔兰（NI）数据集上测试其性能，同时创新性地提出并验证了一种基于机器学习的堆叠集成（SE）方法。研究发现非线性模型和优化堆叠集成（OSE）模型表现最佳。该研究不仅揭示了影响模型泛化能力的关键因素，还为增强甲烷排放预测模型的全局适用性提供了有效的新策略，对温室气体（GHG）排放清单编制、减排策略评估及低甲烷排放奶牛选育具有重要意义。

　　

精准估算奶牛（Dairy Cattle, DC）的甲烷（CH₄）排放，对于编制国家温室气体（Greenhouse Gas, GHG）排放清单、评估减排策略以及筛选低排放种牛进行育种至关重要。然而，直接测量CH₄排放技术复杂且成本高昂，严重限制了数据的获取。因此，基于奶牛可获取的代理信息（如采食量）来预测CH₄排放的模型，成为一种有前景的替代方案。文献中已发表了大量此类预测模型，但一个普遍的困境是：这些模型在应用于其原始训练数据范围之外时，预测性能往往会显著下降。这极大制约了已有研究成果的跨地区、跨条件应用价值。那么，是什么因素导致了模型“水土不服”？有没有办法能“集众家之长”，提升这些已有模型在新环境下的预测能力呢？

为了回答这些问题，一项题为“基于全球已发表奶牛甲烷排放预测模型库在北爱尔兰数据集上的评估：个体性能 vs 堆叠集成方法”的研究在《Journal of Dairy Science》上发表。该研究旨在系统评估已发表模型的外部应用性能，并探索利用机器学习中的堆叠集成（Stacked Ensembling, SE）技术来克服单个模型的局限性。

研究人员首先从一个先前的系统综述中，依据严格的筛选标准（如模型特征需在北爱尔兰数据集中存在、避免数据泄露等），提取并构建了一个包含23个已发表模型的全球模型库（Global Repository, GR）。这些模型大多为基于普通最小二乘法的线性回归方程，也有少量二次和非线性模型。评估所使用的北爱尔兰数据集包含了当地32个独立实验、322头奶牛的934个观测值，涵盖了多样的饲养管理和奶牛品种，具有较好的代表性。

研究采用了几个关键技术方法：1. 利用线性混合效应（Mixed Effects, ME）模型为数据集中存在的实验和奶牛个体随机效应进行校正，以优化模型截距，更公平地评估模型潜力。2. 建立了一个动态评估管道，自动将GR中的每个模型应用于NI数据集，并计算一致性相关系数（Concordance Correlation Coefficient, CCC）、均方根预测误差（Root Mean Square Prediction Error, RMSPE）等指标。3. 创新性地构建了三种堆叠集成模型：简单平均集成（Averaging Stacked Ensemble, ASE）、基于模型RMSPE逆加权的加权集成（Weighted Stacked Ensemble, WSE），以及使用线性回归作为元学习器进行优化的集成（Optimized Stacked Ensemble, OSE），以探索整合多个模型预测的优势。

结果部分主要发现如下：

• •
  GR模型个体性能差异显著：评估发现，23个GR模型在NI数据集上的表现差异很大，CCC范围为0.50至0.86，RMSPE为27.99%至10.82%。大多数模型（18/23）达到了可接受的性能水平（CCC > 0.70, RMSPE < 15%）。
• •
  建模方法的影响：传统的线性模型因其固定的截距和斜率，在应用于与训练范围不同的数据时，容易产生均值偏差和斜率偏差。例如，当干物质采食量（Dry Matter Intake, DMI）范围不一致时，线性模型预测不准。
• •
  非线性模型展现优势：相比之下，基于米氏函数（Mitscherlich function）的非线性模型（如Mills等人2003年的模型4）表现更佳，在北爱尔兰数据集上取得了最高的个体模型CCC（0.86）和最低的RMSPE（10.82%）。这是因为非线性结构能更好地反映真实的生物学关系，例如“零采食时零排放”以及“随着饲喂水平增加，CH₄能量输出占总能摄入比例下降”的现象，从而部分抵消了均值偏差和斜率偏差。
• •
  训练数据范围（发育范围）的影响：研究证实，模型的训练数据范围（如DMI、CH₄产量范围）与评估数据集范围的匹配度显著影响外部预测性能。此外，奶牛群体间的遗传差异和饲料效率也会影响模型适用性。例如，一个基于中性洗涤纤维（Neutral Detergent Fiber, NDF）摄入量的模型，因评估数据集中奶牛饲料效率更高，导致了严重的过度预测。
• •
  堆叠集成方法的优越性：在比较的三种集成方法中，优化堆叠集成（OSE）表现最为突出，其CCC达到0.89，RMSPE为9.61%，显著优于所有单个模型以及其他两种集成方法（ASE和WSE）。Diebold-Mariano (DM) 统计检验证实了OSE预测准确性的显著优越性。这表明，通过元学习算法（此研究中使用线性回归）优化组合多个基础模型的预测，能够有效整合各模型的优势，弥补个体弱点，从而实现更稳健、更准确的预测。

研究结论与意义：该研究通过系统评估，明确了影响已发表奶牛CH₄排放预测模型外部应用性能的两个核心因素：建模方法和原始训练数据范围。研究推荐未来开发用于外部应用的个体模型时，应采用非线性方法并结合宽广的训练数据范围，以增强模型的鲁棒性和适应性。然而，本研究最具突破性的发现是提出并验证了基于机器学习的堆叠集成策略。优化堆叠集成（OSE）的成功表明，与其依赖单一“最佳”模型，不如将多个已有模型通过智能算法进行组合。这种“博采众长”的方式能让集成模型适应更多样化的数据集，其性能甚至超过了库中最好的单个模型。因此，未来的研究不仅应继续探索多样化的建模方法，更应在外部预测实践中积极采用堆叠集成技术。这一思路为打破模型的地域和应用限制、提升甲烷排放预测的全局实用性和准确性开辟了一条新途径，对推动畜牧业温室气体精准核算和减排具有重要的方法论意义和实践价值。