长期监测奶牛粪浆储存过程中温室气体排放及用于甲烷预测的可解释机器学习模型

《Environmental Science & Technology》：Long-Term Monitoring of Greenhouse Gas Emissions and Interpretable Machine Learning Models for Methane Prediction in Dairy Cattle Slurry Storage

　　

摘要

在实际条件下，持续进料的奶牛粪浆储存过程中产生的温室气体（GHG）排放仍难以估算。本研究在实验室规模储存罐中开展了为期15个月的甲烷（CH₄）、氧化亚氮（N₂O）排放及粪浆理化性质监测，这些储存罐的设计旨在复现养殖场储存的关键特征，包括连续进料、源自养殖场的温度动态变化以及周期性排空事件。N₂O浓度始终低于0.5 ppm，对所测得的直接GHG排放贡献可忽略不计。相比之下，CH₄表现出显著的季节性变异：94.5%的年CH₄排放发生在夏季和秋季，而冬季和春季仅占5.5%。夏季排空导致CH₄通量急剧下降，随后部分恢复，而在较冷时期排空的影响有限。机器学习（ML）模型在时间外部验证期间表现出稳健的性能（R² = 0.82），并确定了pH、温度和挥发性脂肪酸是CH₄排放的关键非线性预测因子。通过将跨季节监测与可解释ML模型相结合，本研究凸显了长期观测对于表征持续进料奶牛粪浆储存CH₄排放估算及针对性减缓措施的重要性。

论文解读文章

**研究背景与问题**

全球人口增长推动了畜牧生产的持续扩张，由此产生的畜禽粪便管理环境负担日益加重。在欧洲范围内，畜禽粪便年产量超过14亿吨，仅德国每年就产生约1.2亿吨牛粪，其中仅约33%被用于能源回收。大部分粪肥在田间施用前储存于养殖场，释放大量温室气体（GHG），包括甲烷（CH₄）和氧化亚氮（N₂O）。其中，CH₄因其较高的全球增温潜势而备受关注。

储存阶段被认为是粪肥相关CH₄排放的关键来源。奶牛粪浆通常以低干物质含量的液态形式储存，有利于厌氧微生物分解。在许多欧洲国家，由于环境法规限制特定时期的土地施用，畜牧养殖场被迫将粪肥储存数月之久，CH₄排放因此得以累积。粪浆储存期间的CH₄产生受厌氧微生物过程控制，主要响应储存温度、粪浆组成及接种物中的微生物群落。管理干预措施如混合、移除或排空可能引入突发扰动，改变储存条件和排放动态。

尽管这些控制因素已被广泛认可，粪浆储存期间CH₄排放的长期特征化仍具挑战性。许多实验研究持续时间较短，往往聚焦单一季节或在受控温度条件下进行。批次储存实验仍然常见，为温度效应、底物消耗和减缓措施提供了有价值的信息。然而，逐渐进料和连续运行的储存系统存在根本性差异，因为新鲜粪浆的重复添加引入了可降解底物和微生物，而残余粪浆仍留在储罐中。采用逐渐进料的奶牛粪浆储罐研究表明，相对于批次进料系统，进料模式和残余粪浆可改变CH₄排放动态。尽管如此，结合连续进料、季节温度变化和重复部分排空的长期数据集仍然有限。

当前估算粪浆储存CH₄排放的方法包括基于排放因子的清单模型、经验统计模型和基于过程的动态模型。近期机理方法已超越简单的温度缩放，通过表征底物可利用性、有机物转化、微生物活性和随时间变化的储存条件来建模。例如，厌氧生物降解模型（ABM）及相关动态框架旨在描述CH₄形成与粪肥年龄、温度、底物可利用性和产甲烷活性的函数关系。这些方法为将粪浆储存表示为动态生物系统提供了重要基础，但其开发和评估需要包含现实进料、排空和季节温度模式的长期数据集。

机器学习（ML）为分析此类系统提供了补充框架，因为它可以直接从观测数据中学习复杂的非线性关系。近期研究表明ML在预测粪肥管理及相关有机废弃物系统的CH₄排放和工艺性能方面具有重要价值，包括粪浆储存、堆肥和厌氧消化。这些研究表明ML在整合和预测长期粪浆储存系统CH₄排放方面具有强大潜力。

**研究目的与实验设计**

研究人员针对上述空白，开展了一项为期15个月的实验，旨在模拟实际奶牛粪浆储存的关键特征，包括现实的季节温度动态、连续进料和周期性排空。研究目标为：（i）表征模拟养殖场奶牛粪浆储存过程中理化性质和CH₄及N₂O排放的长期动态；（ii）评估多种ML模型利用常规可测变量预测每日CH₄通量的性能；（iii）利用可解释ML方法解释模型行为。

实验装置由四个10 L实验室规模圆柱形储罐（直径35 cm，有效高度10 cm）组成，平行运行作为重复。每个储罐配备pH电极、氧化还原电位（ORP）探头和温度传感器，通过罐盖上的可调橡胶密封组件插入，连续测量粪浆的关键理化参数。传感器尖端位于罐底上方1–4 cm处，运行期间完全浸没。罐体为双层结构，温度通过外部循环水浴控制，水浴温度根据养殖场规模粪浆储罐上午记录的温度在每个工作日进行调整。农场参考储罐位于德国勃兰登堡州Gro? Kreutz的LVAT奶牛场，为圆柱形粪浆储存结构（直径23.9 m，高7 m）。实验室储罐的有效粪浆深度与直径之比为0.286，与农场规模参考罐的高径比0.293接近，保持了可比较的浅圆柱形储存几何形状。

用于进料的奶牛粪浆每周从同一奶牛场的粪浆储存坑采集，充分均质化后分装为20份（每份170 g），储存于4 °C备用。实验开始时，每个储罐装入2 kg新鲜奶牛粪浆作为初始底物，随后在工作日以170 g d^–1的速率添加。实验持续15个月，跨越一个完整年周期并延伸至第二个夏季。运行分为五个阶段，每阶段三个月，阶段结束时通过底部出口阀移除约80%（w/w）的粪浆，剩余粪浆作为残余底物保留至下一运行阶段。

气体排放通过气体流量计连续记录，产生的气体收集到采样袋中，使用便携式气体分析仪分析CH₄和CO₂浓度，N₂O浓度通过气相色谱仪测定。所有气体体积和浓度均校正至标准温度和压力条件。CH₄通量以每公斤挥发性固体（VS）每天释放的CH₄克数表示（g kg^–1 VS d^–1）。排放量使用100年全球增温潜势（GWP100）因子转换为二氧化碳当量（CO₂-eq），CH₄为27，N₂O为273。每周对储存粪浆和新鲜添加粪浆的总固体（TS）、VS、碳氮比（C/N）、铵态氮（NH₄⁺–N）和挥发性脂肪酸（VFAs）进行分析。

**主要技术方法**

研究人员采用了以下几项关键技术方法：（1）实验室规模模拟系统：设计四个10 L双层圆柱形储罐，模拟农场规模储罐的浅圆柱形几何形状和温度动态，采用连续进料、周期性部分排空和残余粪浆保留的运行模式；（2）长期连续监测：利用在线传感器连续监测pH、ORP和温度，气体流量计连续记录气体释放量，定期分析CH₄、CO₂和N₂O浓度；（3）多种ML算法建模与验证：评估了六种ML算法（线性回归LR、随机森林RF、极端梯度提升XGB、轻量梯度提升机LGBM、支持向量回归SVR和多层感知器MLP），采用基于分组的5折交叉验证防止信息泄漏，并使用独立的时间外部验证数据集评估模型泛化能力；（4）可解释人工智能（XAI）分析：应用SHapley Additive exPlanations（SHAP）方法量化各预测因子对模型输出的贡献，包括全局特征重要性、汇总图和依赖图，以可视化非线性特征-响应关系；（5）多元统计分析：采用主成分分析（PCA）和皮尔逊相关热图探索季节聚类和变量间相关性的季节变化。

**研究结果**

**粪浆理化性质与气体排放的长期动态**

在15个月的实验期间，奶牛粪浆的理化性质和气体排放随时间显著变化，呈现清晰的季节模式和周期性排空事件后的短期扰动响应。粪浆pH_out范围为6.2–7.3，夏季较高，冬季较低，排空事件后出现0.3–0.5个单位的瞬时升高。ORP在储存期间保持强负值（?520至?430 mV），排空后急剧升高后迅速恢复。VS_out浓度在前12个月围绕60 g kg^–1 FM波动，之后逐渐下降。VFAs_out浓度表现出显著的季节动态：夏季轻微积累后迅速下降至2 g kg^–1 FM以下，温度下降时回升至约8 g kg^–1 FM，次年夏季温度升高时再次快速下降。C/N_out保持在16–19范围内，夏季明显下降。NH₄⁺–N_out浓度从0.8升至1.3 g kg^–1 FM，寒冷季节浓度较高。每次部分排空事件导致C/N_out和NH₄⁺–N_out浓度立即但短暂下降。新鲜进料粪浆的组成变化不能完全解释储存粪浆的季节性轨迹，表明观测到的变化不仅由进料变化驱动，还反映了储存期间的转化以及重复进料和部分排空的影响。

每日气体排放与粪浆储存温度密切相关，第一个夏季达到4.5 L d^–1的峰值。排空事件后气体排放急剧下降，冬季和春季保持在相对较低水平，随后夏季再次升高。CH₄浓度在温暖储存期（夏季和秋季）高达60%（v/v），寒冷季节（冬季和春季）约为20%（v/v）。CO₂浓度在14%至59%（v/v）之间变化。N₂O浓度在可用测量期间始终低于0.5 ppm。CO₂浓度与粪浆pH呈负相关（r = ?0.33, p < 0.001），而CO₂排放速率与pH呈正相关（r = 0.57, p < 0.001）。

每日CH₄通量呈现清晰的季节和事件驱动动态，第一个夏季阶段峰值达3.9 g kg^–1 VS d^–1。秋季排放呈倒V型模式，冬季和春季保持在0.3 g kg^–1 VS d^–1以下。两个夏季期间观察到相当的排放水平和时间趋势。CH₄通量对排空事件的响应强烈依赖于温度：夏季出现明显下降和部分恢复，较冷时期仅产生轻微扰动。季节性CO₂-eq聚合显示夏季最高，占年总量的66.7%，秋季占27.8%，冬季和春季各占2.7%，两者无显著差异。全年CH₄排放的94.5%发生在夏季和秋季，冬季和春季仅占5.5%。CH₄约占所有季节总CO₂-eq排放的100%。

**常规统计分析揭示的季节变异与局限**

主成分分析（PCA）显示基于理化和运行变量的观测存在清晰的季节结构。前两个主成分解释了40.7%的总方差（PC1: 25.0%；PC2: 15.7%）。尽管季节标签未纳入PCA计算，仅用于可视化，但观测值按季节形成不同簇。夏季样品主要分布在PC1正值和较高PC2值区域，形成清晰分离的簇。冬季样品聚集在PC1和PC2负值区域，位于得分图左下象限。春季和秋季样品位于两个极端之间，部分重叠但仍可区分。季节在多变量空间中的分离表明CH₄通量和相关理化条件在年周期内系统性地共变。

季节特异性相关分析进一步揭示了CH₄通量与各变量之间的关系在不同季节存在显著差异。温度在春季（r = 0.59）、夏季（r = 0.80）和秋季（r = 0.71）与CH₄排放呈强正相关，但冬季呈弱负相关（r = ?0.15）。排空后时间在夏季与CH₄排放呈强正相关（r = 0.89），秋季呈负相关（r = ?0.70）。VFAs_out在夏季与CH₄排放呈负相关（r = ?0.83），春季呈正相关（r = 0.34）。其他变量如pH_out和NH₄⁺–N_out也呈现季节依赖的相关强度和方向变化。

**机器学习模型在交叉验证和外部验证中的性能**

六种ML模型在基于分组的交叉验证下，集成树模型始终表现出优于线性和核方法的预测性能。XGB、LGBM和RF达到相当的精度，R²约为0.96，RMSE为0.19 g kg^–1 VS d^–1。MLP和SVR性能略低（R² = 0.95；RMSE = 0.21），LR预测能力明显较弱（R² = 0.90；RMSE = 0.31）。在独立时间外部验证中，XGB和LGBM表现最佳（R² = 0.82；RMSE = 0.44 g kg^–1 VS d^–1），RF次之（R² = 0.79；RMSE = 0.47）。MLP和SVR在外部验证下精度大幅下降（R²分别为0.47和0.46，RMSE超过0.75）。LR表现不佳，R²为负值（?0.06），RMSE最高（1.06）。这些结果表明集成树模型在应用于未见的时间条件时具有更强的鲁棒性和泛化能力。

鉴于其在交叉验证和外部验证中的持续强性能，XGB被选为代表最佳模型进行进一步解释和可视化。在90天验证期内，预测的CH₄通量紧密跟随观测的时间动态，捕捉了变暖条件下排放的逐渐增加和随后的下降。预测不确定性在高排放水平时增加。预测值与观测值的比较在全排放范围（0–3.5 g kg^–1 VS d^–1）内呈现近似线性关系，尽管在高通量时离散度明显增加。

**基于SHAP的甲烷排放驱动因素解释**

对最佳XGB模型应用SHAP分析，在所有预测因子中，pH_out、温度和VFAs_out对模型输出影响最强，其次是排空后时间和季节信息等运行变量。这些排名靠前变量的SHAP值分布广泛，表明对CH₄排放预测存在显著的非线性效应和条件依赖贡献。

pH_out的SHAP依赖图揭示了pH与模型预测之间的显著非线性关系。在较低pH值（6.2–6.6）时，SHAP贡献主要为负，表明预测排放降低。当pH升至6.8–7.0时，SHAP值转向正贡献，并在弱碱性条件下（pH 7.0–7.3）保持正值。按温度着色显示交互效应，较高温度（15–22 °C）与高pH下更强的正贡献相关，较低温度（<10 °C）对应较弱或接近中性的效应。

VFAs_out的依赖图显示沿浓度梯度的特征贡献存在明显转变。VFAs_out浓度1.5–3.5 g kg^–1 FM与正SHAP贡献相关，而超过4 g kg^–1 FM产生负效应，表明较高酸积累下预测排放降低。按排空后时间着色揭示了渐进的时间模式：排空后早期阶段（0–40天）更常与正贡献相关，后期阶段（>80天）逐渐显示负效应。

**讨论与结论**

研究人员在讨论部分指出，以往粪浆储存研究主要依赖批次实验设计，CH₄排放随可降解底物的逐渐消耗呈下降轨迹。而在连续进料条件下，持续的底物输入有助于维持产甲烷潜力并持续引入活跃微生物群落，从而缓冲底物消耗或过度积累引起的极端排放波动。连续进料下CH₄通量呈现明显季节模式，排放集中在温暖条件。N₂O对直接CO₂-eq排放贡献可忽略，与主要厌氧条件和缺乏能支持耦合硝化-反硝化过程的持久表面结皮一致。

连续进料系统与批次系统之间的关键区别不在于峰值排放的一致高低，而在于CH₄释放的时间结构。连续进料下排放呈现季节性集中峰值和长期低排放期，这与批次储存条件下典型的耗竭驱动排放轨迹根本不同。CH₄排放高的时期与pH升高和VFAs积累有限同时发生，表明有利于产甲烷的条件，而低排放与pH降低和VFAs积累增加相关。排空事件证明了储存管理改变排放轨迹而非简单改变排放强度。夏季排空后CH₄通量急剧下降并部分恢复，较冷季节排空效应相对有限。

树模型在独立时间验证中的优越性能表明，连续进料粪浆储存的CH₄排放受非线性和状态依赖关系控制。SHAP分析表明CH₄变异性源于随时间演变的理化和运行条件的交互作用，CH₄产生发生在有界过程域内而非随变量范围单调增加。弱碱性pH条件（7.0–7.3）结合有限的VFAs积累（<4 g kg^–1 FM）对应有利于产甲烷的条件。

研究结论部分指出，连续进料条件下观察到的动态排放模式对CH₄排放的时间表征具有重要意义。夏季和秋季合计占年CH₄排放的94.5%，表明针对温暖时期的减缓措施可能比全年统一策略更有效。排空效应取决于季节背景：温暖时期排空后CH₄通量急剧下降但部分恢复，寒冷时期排空影响有限。ML模型的强预测性能（R² = 0.82）表明其能有效代表可变储存条件下的CH₄排放。然而，需要覆盖更广泛进料频率、排空计划、移除比例和粪浆清单的数据集才能将框架定量转移到替代场景。本研究检验了一种特定的连续进料奶牛粪浆储存场景，CH₄产生发生在厌氧粪浆主体中，所识别的时间模式和过程关系可能对开放式和覆盖式系统都相关。独立第二夏季数据集的验证证明了监测系统内的时间可转移性，但未建立跨储存设计、气候区域或管理计划的定量可转移性。该研究成果发表于《Environmental Science 》，为理解实际养殖条件下粪浆储存CH₄排放动态提供了长期观测证据，并展示了可解释ML方法在排放预测和管理决策支持中的潜力。