整合机器学习与基于模型的因果归因方法，解析堆肥过程中氮素减排与腐熟的阶段性权衡关系

《Bioresource Technology》：Integrating machine learning and model-based causal attribution to decipher stage-specific trade-offs in nitrogen mitigation and maturation during composting

　　

• •
  研究内排名归一化实现了跨底物的模型泛化。
• •
  开发了一种综合指数以解决排放与腐熟之间的权衡问题。
• •
  背景随机打乱归因分析消除了时间自相关性。
• •
  分阶段分析揭示了阶段依赖的调控机制。

引言

畜牧业、城市化和食品服务业的快速增长导致了有机废物（如猪粪、城市污泥和餐厨垃圾）产量的急剧增加（H. Li等，2023；B. Liu等，2023；Tan等，2023）。好氧堆肥基于微生物作用将生物质转化为稳定形态，从而实现废物减量、无害化和资源回收（Bui等，2023）。尽管堆肥经济实用，但面临严重的可持续性挑战，包括大量的氮损失和温室气体排放，尤其是氨气（NH₃）和氧化亚氮（N₂O），以及漫长的腐熟期（Chen等，2023）。氮损失的主要途径是NH₃挥发，占氮总损失的79%–94%。这主要是由于嗜热阶段含氮化合物快速矿化为铵离子（NH₄⁺）所致（Shan等，2021；Zhao等，2023）。NH₄⁺的不完全硝化和硝酸根/亚硝酸根（NO_x^-）的不完全反硝化导致N₂O排放，占氮损失的0.2%–9.9%（Huang等，2025；Shan等，2021）。尽管其质量百分比低，但N₂O排放具有显著的生态影响，占好氧堆肥温室气体百年全球变暖潜势的59%–91%（Nordahl等，2023）。此外，腐殖化往往受到木质纤维素难降解性和有机酸积累的限制，后者阻碍种子萌发（如发芽指数GI所示）并延缓腐熟（Bui等，2023）。

有机物降解与腐殖化之间的平衡决定了堆肥的成熟度和堆肥过程中含氮气体的排放。研究一直集中在平衡降低NH₃和N₂O排放与加速腐熟之间（Huang等，2025；Li等，2022；Zhao等，2023）。常见策略包括调整操作参数或施用有机、无机或微生物添加剂，间接影响pH值、NH₄⁺和有机质（OM）含量等理化指标（Hoang等，2022；Li等，2025；Pan等，2018；Yang等，2023）。此前关于这些关系的研究主要集中在初始底物性质与最终气体损失或终点GI之间的静态相关性（Crestey等，2024；Y. Liu等，2023；Zhang等，2021；Zhao等，2020）。这些方法通常不考虑堆肥的动态发展过程，而在堆肥过程中不同阶段的理化相互作用会改变参数调控的优先级。忽视阶段特异性动态会混淆时间依赖变化与因果关系，增加对常见干预措施阶段有效性不确定性的估计，并且不支持阶段自适应过程控制。因此，阶段依赖性权衡是本研究需要填补的重要空白。

近年来，机器学习（ML）凭借其处理非线性和高维数据的能力，在预测动态堆肥指标方面展现了巨大潜力（Temel等，2023）。最近，机器学习已被用于研究堆肥参数的贡献和边际影响（Ding等，2022；Ding和Wu，2025；J. Liu等，2026）。然而，大多数现有模型分别基于气体排放或腐熟进行建模，忽视了调控中固有的多目标优化冲突（Xiao等，2024）。此外，基于ML的堆肥研究存在一些方法论挑战。首先，跨底物异质性和静态特征的存在往往导致模型过拟合到特定试验的身份特征上，即模型记住研究特定特征而非通用生化原理，从而无法泛化到未见系统（Roberts等，2017；Schratz等，2019）。其次，时间自相关性经常掩盖机理洞察。传统可解释性方法倾向于学习固有的时间趋势而非真正的过程级驱动因素（Wang等，2026；Zhu等，2023）。第三，在统一框架中定量评估堆肥各阶段调控权衡变化的研究有限。

为解决这些问题，本研究构建了一个包含513个采样点的多底物整合堆肥数据集，并建立了集成机器学习、基于模型的因果归因和元分析的框架。该框架围绕三个目标开发：（1）利用研究内排名归一化消除异质数据集之间的系统偏差和量级差异，开发具有鲁棒性和可泛化性的模型；（2）量化动态理化驱动因素的时间去相关贡献；（3）使用综合性能指数（CPI）量化排放与腐熟之间的阶段特异性权衡，并通过分阶段元分析识别最佳干预策略。本研究旨在阐明排放-腐熟权衡的驱动因素，为堆肥的多目标调控提供机理性基础。

章节摘要

数据获取和预处理

在本研究中，动态堆肥过程数据从Web of Science数据库中收集，实验主要聚焦于猪粪、城市污泥和餐厨垃圾作为主要底物。文献检索策略、纳入标准和实验细节（如填充剂、功能添加剂和测量方法）详见正文S1和表S1。最终数据集包含18项研究、76个完整堆肥试验和513个纵向数据点。

数据集描述和相关分析

为了量化数据集的层级异质性特征，进行了多尺度变异系数（CV）分析（表S1）。首先，所有动态特征和指标在堆肥过程中都发生了显著变化。平均试验内CV表明，天数、NO₃^–-N和气体排放（cNH₃、cN₂O）的CV均大于70%。进一步的分阶段分析表明堆肥过程存在模式转换。活性阶段cNH₃、cN₂O等的试验内CV为……

结论

本研究提出了一种基于机器学习框架的背景随机打乱归因分析，用于识别堆肥过程中阶段特异性的生化模式。研究内排名归一化通过将变量映射到其分位数位置，消除了18项纳入研究之间的系统偏差和量级差异；文献隔离验证确保了模型对未见实验系统的鲁棒泛化。模型在预测cNH₃、cN₂O等方面表现良好。

CRediT作者贡献声明

刘杰：撰写—审阅与编辑、撰写—初稿、可视化、验证、软件、方法学、概念构思。李伟光：撰写—审阅与编辑、验证、监督、项目管理、获取资金。单广春：撰写—审阅与编辑、验证、概念构思。黄雨昕：可视化、方法学。冯环璋：可视化、软件。王顺才：方法学、正式分析。白彩华：软件、正式分析。

未引用参考文献

Li等，2023a、Li等，2023b、Liu等，2023a、Liu等，2026a、Liu等，2023b、Liu等，2026b、Wang等，2024a、Wang等，2024b、Zhong等，2021a、Zhong等，2021b。

利益冲突声明

作者声明，他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能被认为会影响本文所述的工作。

致谢

本研究得到了国家污泥安全处置与资源回收工程技术研究中心科学基金（哈尔滨工业大学，编号Z2024A007）和中国国家自然科学基金（编号51878216）的资金支持。

刘杰|李伟光|单广春|黄雨昕|冯环璋|王顺才|白彩华