《Environmental Technology & Innovation》：Explainable Machine Learning Reveals Key Determinants of Biochar Soil-Application Effects on Plant Growth
编辑推荐：
本研究通过整合生物炭特性（如类别、添加量、热解温度、pH、电导率、养分含量）与土壤性质（pH、电导率、养分状况），应用可解释机器学习（如随机森林RF、梯度提升回归GBR、支持向量机SVM、极端梯度提升XGB）预测生物炭诱导的植物生长响应。研究发现，生物炭类别（贡献度35.66%）、添加量（15.25%）和土壤pH（7.79%）是最重要的预测因子，且生物炭相关变量解释了72.3%的重要性。模型推荐在弱碱性至中性土壤中施用高温（≥700℃）、添加量约25%（w/w）、EC为3000–4000 μS·cm-1、N含量3%–4%、P含量≤6%的生物炭可最大化促进植物生长。该研究为基于土壤条件定制生物炭配方与施用策略提供了数据驱动的决策支持。
在全球每年产生约1400亿吨废弃生物质的背景下，传统处理方式（如露天焚烧、填埋）不仅效率低下，还会带来严重的环境污染问题。生物炭作为废弃生物质热解转化的重要产物，被视为一种能提升土壤肥力、促进作物生长的土壤改良剂。然而，生物炭的农学表现因原料、生产条件和土壤环境的不同而存在巨大差异，这种不确定性给其规模化、精准化应用带来了挑战。尽管已有大量研究，但不同研究间的结果难以系统比较，且生物炭-土壤-植物间的相互作用高度非线性并依赖于具体情境，仅凭传统实验难以厘清关键驱动因素并转化为可操作的农艺指导。因此，亟需一种能够整合多源数据、揭示复杂关系并支持决策的新方法。
为此，研究人员在《Environmental Technology 》上发表了一项研究，他们从约250篇已发表文章中提取了447组观测数据，构建了一个涵盖生物炭特性（如类别、添加量、热解温度、pH、电导率EC、氮N、磷P、钾K含量）和土壤性质（pH、EC、总氮TN、有效磷AP、有效钾AK）的机器学习（Machine Learning， ML）数据库。研究旨在运用可解释机器学习（Explainable Machine Learning）来预测生物炭对植物生长的影响，并识别其中的关键决定因素，从而为针对特定土壤条件优化生物炭的生产与应用提供科学依据。
为开展此项研究，作者主要运用了以下关键技术方法：首先，通过文献计量学分析和多源数据整合，构建了包含447组观测值的预测数据集，并定义了以植物干重增长百分比计算的“植物生长指数（Plant Growth Index）”作为响应变量。其次，研究比较了四种非线性机器学习模型（随机森林RF、梯度提升回归GBR、支持向量机SVM、极端梯度提升XGB）的预测性能，并利用五折交叉验证和随机网格搜索进行超参数优化。最后，为解释模型预测并识别关键驱动因素，研究采用了基于博弈论的SHAP（Shapley Additive Explanations）框架进行特征重要性分析，并利用二维部分依赖图（Partial Dependence Plots， PDPs）可视化关键特征对预测目标的联合效应。
研究结果
3.1. 生物炭的理化性质与促进生长的变异性
通过对数据集中变量分布的分析发现，生物炭类别对植物生长促进效果影响显著。其中，粪便源生物炭（Manure-derived biochar， MB）和污泥源生物炭（Sludge-derived biochar， SLB）表现最佳。不同类别生物炭在电导率（EC）、pH及养分（N、P、K）含量上存在显著差异，这些特性共同影响了其农学效益。例如，玉米秸秆源生物炭（CB）和秸秆源生物炭（STB）的EC较高，可能限制其正面效应；而木源生物炭（WB）和壳源生物炭（SHB）养分相对贫乏。皮尔逊相关性分析显示，生物炭添加量与土壤pH呈正相关，而生物炭N含量与植物生长指数呈正相关，但大多数特征间仅存在弱线性关联，凸显了采用非线性机器学习模型捕捉复杂相互作用的必要性。
3.2. 陆地施用条件下植物生长促进的决定因素
在评估的四种机器学习模型中，随机森林（RF）模型在训练集（R2= 0.787）和测试集（R2= 0.765）上取得了最均衡的泛化性能，因此被选为后续解释的参考模型。基于SHAP的特征重要性分析表明，在模型预测中，生物炭相关特征（共占72.3%）的重要性远超土壤相关特征（27.7%）。其中，生物炭类别是最重要的预测因子（贡献度35.66%），其次是生物炭添加量（15.25%）和生物炭氮含量（5.82%）。在土壤属性中，土壤pH（7.79%）和土壤EC（5.31%）是主要贡献者。
3.3. 关键因素间的交互效应
通过二维部分依赖图（PDPs）深入分析了关键特征间的非线性交互作用。研究发现：
- •
土壤pH与热解温度存在协同效应：当土壤pH > 7.0且热解温度 > 700℃时，模型预测的植物生长响应（yhat）迅速增加。
- •
生物炭EC与土壤EC相互作用：在盐渍化土壤（SEC > 5000 μS·cm-1）中，使用低盐度生物炭（BEC < 1000 μS·cm-1）可缓解盐胁迫；而当生物炭EC过高（> 6250 μS·cm-1）时，则会抑制生长。
- •
生物炭添加量与pH：添加量在20%–45%（w/w）时促进效果最佳，峰值出现在约25%和35%处；超过60%则收益递减。
- •
生物炭养分含量：氮含量在3%–4%时促进效果最佳，超过4%则转为负效应；磷含量在0%–6%范围内有正面效应，超过后效果下降。
基于这些非线性模式，研究提出了一个“条件优化”框架，为不同土壤问题（如酸度校正、养分补充、盐分缓解）推荐针对性的生物炭配方和施用策略。
3.4. 针对农学效益的生物炭定向设计：初步技术经济与环境评估
研究将模型洞察转化为针对特定土壤约束的定制化生物炭设计建议。例如，对于酸性土壤，建议使用高温（≥700℃）的秸秆或壳源生物炭；对于养分缺乏的土壤，推荐富含养分（N 3%–4%， P < 6%）的粪便或污泥源生物炭；对于盐渍土，则宜选用低盐度（BEC < 1000 μS·cm-1）的污泥或壳源生物炭。一项初步的经济效益估算表明，在模型推荐的优化场景下（如25% w/w添加量），通过处置成本节约（DCS）、作物增产净收益（CNP）、碳封存收益（CSR）和减少养分流失（NLP）等途径，能够实现正向的净收益（NP），突显了在精准管理下的潜在经济与环境共赢效益。
结论与讨论
本研究通过整合跨研究的生物炭与土壤数据，并应用可解释机器学习，系统揭示了生物炭促进植物生长的关键决定因素及其复杂的交互作用。随机森林模型被证明能有效预测生物炭的农学效应。最重要的发现是，生物炭本身的特性（尤其是原料类别）比土壤初始条件对生长响应的影响更大。部分依赖分析进一步勾勒出了实现最佳生长响应的参数空间，例如在弱碱性至中性土壤中施用特定性质的高温生物炭。这标志着生物炭的应用策略可以从追求普适性转向基于土壤诊断的精准定制。
该研究的核心意义在于提供了一套数据驱动的决策工具。它将生物炭的生产参数（如原料、热解温度）与目标土壤的限制因素（酸、碱、盐、贫瘠）联系起来，使“对症下药”成为可能。尽管研究基于大量文献数据，但仍存在一定局限性，如数据集中于短期盆栽试验、不同生物炭类别样本量不均衡等。未来的研究需要纳入更多长期田间试验数据，并融合多模态数据（如遥感、微生物组），以提升模型在复杂田间条件下的预测鲁棒性和实践指导价值。总之，这项工作为优化生物炭生产条件、制定针对性的土壤改良策略提供了重要的方法论支持和理论依据，推动了废弃物资源化与可持续农业的协同发展。
