加速生命周期评估：一种基于机器学习的决策支持流水线，用于多源环境影响预测

《Sustainable Production and Consumption》：Accelerating life cycle assessment: A machine learning-based decision-support pipeline for multi-source environmental impact prediction

　　

摘要
生命周期评价（LCA）是一项已确立的可持续性标准，但其应用受到大量数据需求和耗时费时的清单建模的制约。机器学习（ML）可以加速影响预测，但当前LCA-ML集成在应对多源数据集的结构异质性方面存在困难。本研究开发并验证了一条高通量决策支持流程，将来自三个LCA数据库（Agribalyse、ecoinvent和Agri-footprint）的1219个已编制数据集整合为913个训练样本，并预测11个中间点影响类别。在重复分层交叉验证下比较了13种ML算法。梯度提升架构（CatBoost、XGBoost和GBM）始终优于其余模型，频繁实现决定系数（R2）超过0.80，并能够容忍激进的维度缩减，在输入空间从169个压缩为14个易于获取的农艺变量后，仍保持3.5%的平均归一化均方根误差。基于SHapley加性解释（SHAP）的特征重要性分析确定了土地利用动态、能源供应链、动物粪便和养分管理为主要影响向量，而作物特异性分析表明数据集同质性比原始样本量更为重要；以上内容均在补充信息的第S4节中报告。淡水生态毒性、人体毒性和光化学氧化剂生成仍然是最难预测的类别，在整合数据集的每个版本中R2均低于0.60——这一局限性可追溯至数据库特定的方法论变异，涉及系统边界、地理范围和分配规则。因此，深度结构性预整合、超越纯质量的功能单位以及参数化LCA数据集是研究优先事项。通过提供一个精简的14变量模型，该框架绕过了详尽的供应链映射，支持快速的、以可持续性为导向的决策；其输出为概率估计，因为不确定性传播尚未在流程内量化。

引言
2000年至2022年间，全球主要作物农业产量增长了56%，达到96亿吨，这主要由谷物、糖料作物和蔬菜的增产所驱动（FAO, 2024）。这一大规模生产占全球温室气体（GHG）排放的四分之一以上（Our World in Data, 2024）。纳入土地利用变化（LUC）后，情况更为严峻：农业和林业生物质成为全球总排放的最大贡献者（28%），超过化石燃料（18%）和资源开采（17%）（UNEP和IRP, 2024）。除温室气体排放外，这些活动还导致全球超过90%的土地利用相关生物多样性丧失和水压力（UNEP和IRP, 2024）。这种环境压力高度集中；仅二十个国家就占农业排放的三分之二以上，而中国、印度、巴西和美国 alone 就推动了全球50%的土地利用变化净排放（FAO, 2018）。

随着全球人口预计到2034年达到88亿，粮食系统面临双重挑战：确保粮食安全，同时大幅减轻农业生产的环境影响（FAO和OECD, 2025）。尽管大规模采用减排技术提供了可行的前进路径，但其实施仍常受到政策激励不足、技术支持有限以及可持续转型相关高昂财务成本的制约（FAO和OECD, 2025）。

这种脱节凸显了一个核心问题：如果可持续技术和实践的环境和经济收益不能快速且便捷地量化，就无法有效部署。为了将社会经济发展与不良生态影响脱钩，利益相关方需要自主的、数据驱动的工具来评估干预措施并指导决策（UNEP和IRP, 2024; Vinuesa等, 2020）。

生命周期评价（LCA）是评估产品或服务在其供应链中的环境影响的国际标准化和科学可靠框架（de Oliveira等, 2021）。虽然LCA对于政策分析和绿色商业模式至关重要（Romeiko等, 2024），但其固有的数据需求要求广泛。在复杂的上游和下游流中编制高质量的生命周期清单（LCI）需要大量时间、重要财务资源和专业知识（de Oliveira等, 2021）。因此，传统LCA建模的耗时性质通常限制了其在动态、现实决策环境中的效用。

将人工智能（AI），特别是机器学习（ML），与LCA集成，为突破这些瓶颈提供了极具前景的解决方案。先进的ML算法可以通过预测环境影响、检测供应链低效和使用有限的一手数据管理不确定性来优化资源管理（Kamyab等, 2023; Romeiko等, 2024; Salla等, 2025a）。近期文献越来越多地探索这一LCA–ML交叉领域。例如，在实际应用中，人工神经网络（ANNs）和自适应神经-模糊推理系统（ANFIS）等算法已成功预测了特定农业系统（如水稻和甘蔗生产）的环境结果和能源特征（Nabavi-Pelesaraei等, 2018; Kaab等, 2019），而高斯过程回归已被改编用于在新兴化学过程开发的早期阶段预测其影响（Kleinekorte等, 2023）。同时，如Romeiko等（2024）的综述研究将ML应用映射到各个LCA阶段，Martínez-Ramón等（2024）提出了预测复杂LCI的集成方法，Salla等（2025a）分析了59项专注于用于生命周期影响评价（LCIA）预测的ML模型的研究。然而，ML可能并不适用于所有应用；与某些ML技术相关的成本、时间框架和延迟也必须仔细考虑（Ghoroghi等, 2022）。

近期分析表明，预测性LCA研究仍然高度集中在少数发达经济体，东亚和北美国家主导了科学产出（Salla等, 2025a）。正如Wang（2025）所指出的，将ML与LCA集成的主要障碍是获取大量、高质量且具有代表性的数据集来适当训练模型。

虽然全球LCA数据格局显示出了进展——例如联合国环境规划署主持的GLAD倡议，汇集了来自各类供应商的超过130,000个数据集（GLAD, 2026）——但针对特定区域或行业应用的可用量仍然极低。即使在这个庞大的全球数据库内，具有高探索潜力的国家（如法国和德国）也仅提供有限的集合（Salla等, 2025a, Salla等, 2025b），涵盖所有行业和研究范围的5460至12,934个数据集（GLAD, 2026）。

从软件工程角度看，当这些数据集按行业分类并按特定范围（地理、技术和时间）过滤后，剩余数据量被归类为"小"（< 5000个样本）。这远低于通常需要的数万或数十万样本以稳健训练现代ML算法（Prenner和Robbes, 2022）。因此，这种固有的数据稀缺性使得多个异质数据库的集成和整合不仅是一个可选的方法论步骤，更是为ML模型提供可靠泛化所需最低训练量的严格前提条件。

尽管取得了这些进展，影响预测中仍有关键的方法论缺口：
1. 数据异质性与集成：将数据集编译为统一的训练矩阵以供ML模型使用，是一项重大挑战。不同背景数据库中分散的LCA清单流（以下简称ML上下文中的输入特征）限制了连贯的大规模训练数据的可获得性。
2. 预测性能细微差异：虽然各种ML模型已被应用于环境影响预测，但算法性能与所建模的具体环境影响类别（例如，毒性对比资源消耗）之间的机制性关系仍然探索不足。

基于上述缺口，本研究旨在回答以下研究问题（RQs）：
RQ1：实现LCA数据库和ML算法稳健集成以预测环境影响所需的基本方法论步骤是什么？
RQ2：在集成来自异质LCA背景数据库的数据集时遇到的主要挑战是什么，输入特征的维度是否为模型训练构成重大瓶颈？
RQ3：特定ML架构是否显著优于其他架构，预测性能是否因所预测的具体影响类别而本质上有所不同？

国际文献明确认识到这一集成挑战的规模。正如OECD所指出的，在农业食品系统中获得可比且可靠的环境估计是一个复杂的目标，主要原因是不同地理区域和生产系统之间存在深刻的方法论分歧（OECD, 2025）。鉴于这一背景，采用"持续改进"方法变得至关重要：人们接受从异质矩阵得出的初始估计将带有固有的误差范围，但在方法优化和数据库完善方面的投资仍然是不可或缺的（OECD, 2025）。这一前提从根本上支撑了本文所提出的LCA-ML流程的验证。通过整合不同的数据库来训练ML模型，本研究并不声称能瞬间消除LCA不确定性。相反，它作为管理这种异质性的重要一步，为行业内部更加连贯和稳健的预测铺平了道路。

在此背景下，本研究开发了一条高通量的、基于ML的决策支持工作流。虽然该工作流旨在进行通用环境影响预测，但其在农业领域进行了专门的验证，以克服该行业的独特复杂性，包括快速处理约束和一手数据稀缺。通过统一和优化来自多个LCA数据库的复杂数据，所提出的框架在评估的实验条件下展现了强大的预测性能，并为决策支持应用提供了有希望的依据，从而降低了决策者的技术门槛，促进了稳健的农业企业管理。该框架的验证步骤旨在提供快速、可靠的影响预测，从而降低农业企业领域决策者的技术门槛。

本文其余部分组织如下：第2节阐述材料与方法，详述所开发的LCA–ML集成框架；第3节分析多数据库农业案例研究的预测结果并评估模型敏感性；第4节讨论和第5节结论提供讨论和结论性评论。

各节片段
材料与方法
为系统性地解决研究目标，本研究分为四个主要步骤（图1）。步骤1介绍了一个通用的LCA–ML集成框架，旨在从原始清单数据预测潜在的环境影响。步骤2详述了该框架在农业案例研究中的应用，侧重于从异质LCA数据库生成和整合训练数据集。步骤3评估了ML模型在……（此处原文截断）

结果
本节呈现了13种机器学习算法在估计所评估数据集版本中11个环境影响类别的预测性能。为了提供结构化的评估，经验发现组织为三个主要分析层次：(i) 每个单独的LCA数据库（Agribalyse、ecoinvent和Agri-footprint）在V0至V5版本中的独立预测性能；(ii) 整合后的全球数据集的合并预测性能；（此处原文截断）

讨论
整合LCA数据库（ecoinvent、Agribalyse和Agri-footprint）被证明是克服单个数据集样本稀缺并确保预测算法数学稳定性的有效方法论策略。扩大数据量为模型提供了显著的维度缩减容忍度。即使从169个（V0）大幅减少到14个输入特征（V5），梯度提升算法（CatBoost、XGBoost和GBM）仍然保持……（此处原文截断）

结论
本研究开发并验证了一个LCA-ML框架，用于预测环境影响，使用了从三个主要农业数据库（Agribalyse、ecoinvent和Agri-footprint）整合的数据集。该集成也揭示了这一练习的结构局限性：不同的系统边界、分配规则和背景供应商引入了结构性偏差和样本不对称性，预测精度无法解决这些问题。

在这些局限范围内，梯度提升架构（CatBoost、CRediT作者贡献声明Jo?o Victor Encide Salla：写作 – 原稿撰写，方法论，调查，概念化。Tiago Agostinho de Almeida：写作 – 原稿撰写，方法论，调查，概念化。Diogo Aparecido Lopes Silva：写作 – 原稿撰写，方法论，调查，概念化。

利益冲突声明
作者声明以下财务利益/个人关系，可能被视为潜在的利益冲突：Joao Victor Encide Salla报告获得了S?o Paulo州研究支持基金会（FAPESP）的财务支持。Joao Victor Encide Salla报告获得了高等教育教学人员提升协调处的财务支持。TIAGO AGOSTINHO DE ALMEIDA、JOAO VICTOR ENCIDE SALLA和DIOGO APARECIDO LOPES SILVA拥有专利MODELO DE……

致谢
作者感谢S?o Paulo研究基金会（FAPESP），资助编号2022/15134-1、2025/14074-3和2026/08371-8，以及巴西高等教育教学人员提升协调处（CAPES），资助代码001。

Jo?o Victor Encide Salla | Tiago Agostinho de Almeida | Diogo Aparecido Lopes Silva
可持续性工程研究组（EngS组），圣卡洛斯联邦大学管理与技术学院生产工程系，Sorocaba, SP, Brazil