最近在机器学习/深度学习框架方面的进展，这些框架应用于生物炭在土壤改良和修复中的应用

《Applied Soil Ecology》：Recent advances in machine/deep learning frameworks for biochar application in soil amendment and remediation

全球工业化加剧碳排放，生物炭（BC）作为潜在碳封存材料，其生产优化和效能评估需结合人工智能（AI）技术。本文系统分析监督学习、无监督学习及混合AI/ML/DL框架在BC产率预测、理化特性表征及土壤修复中的应用，探讨生命周期评估（LCA）和经济可行性分析，并指出数据稀缺、模型可解释性差等挑战及解决方案。

　　

穆罕默德·瓦卡斯（Muhammad Waqas）、莫辛·纳瓦兹（Mohsin Nawaz）、杨荣莉（Rongli Yang）、瓦西姆·塔里克（Waseem Tariq）、穆罕默德·纳乌曼·塔希尔（Muhammad Nauman Tahir）、沙基尔·艾哈迈德（Shakeel Ahmad）

中国昆明市昆明理工大学环境科学与工程学院，土壤碳封存与污染控制云南省重点实验室，邮编650500

摘要

全球工业化进程大幅增加了碳排放，这迫切需要可持续的环境修复和碳封存策略。生物炭（Biochar，简称BC）是一种通过生物质热化学转化得到的富含碳的产品，其物理化学性质多样，这些性质对其环境性能具有重要影响。尽管人们对生物炭在土壤改良和污染物去除方面的应用越来越感兴趣，但将先进的人工智能（AI），包括机器学习（Machine Learning，简称ML）和深度学习（Deep Learning，简称DL）系统地整合起来以优化生物炭的生产和应用，仍是一个未充分探索的领域。本文系统地分析了近年来用于预测生物炭产量、物理化学性质及环境应用的各种监督学习、无监督学习和混合ML/DL框架，包括随机森林（Random Forests）、支持向量机（Support Vector Machines，简称SVMs）、卷积神经网络（Convolutional Neural Networks，简称CNNs）、长短期记忆模型（Long Short-Term Memory models）以及生成式AI（Generative AI）。此外，还探讨了ML/DL框架在提高土壤肥力和污染物去除效率方面的应用，并对使用AI框架进行的生命周期评估和成本效益分析进行了评价。最后，本文指出了关键挑战，如高质量数据集的稀缺性、模型可解释性的局限性以及高计算需求等问题，并提出了通过可解释AI框架和跨学科合作来解决问题的方法。将ML/DL框架整合到生物炭研究中，可以为优化生产过程、改进土壤修复策略以及加速可持续农业应用提供实用见解。

术语表

缩写词

梯度提升决策树强化学习算法生命周期评估SHapley加性解释自动化机器学习基于网格优化的随机森林水热碳化机器学习人工神经网络

BC	生物炭
AI	人工智能
DL	深度学习
SVMs	支持向量机
GANs	生成对抗网络
SVD	奇异值分解
RNNs	循环神经网络
WNNs	小波神经网络
RFs	随机森林
GBDTs
Q-Learning
LCA
SHAP
AutoML
Grid-RFs
HTC
ML
ANNs

PRISMA方法论

PRISMA方法确保了评审过程的严谨性和可重复性（Sarkis-Onofre等人，2021年）。设计了一种搜索策略，用于识别关于将ML和DL整合到生物炭生产、表征及土壤应用中的同行评审文章。

使用布尔运算符在两个重要数据库Web of Science和SCOPUS中精炼搜索查询以获取文章。在Web of Science数据库中使用的搜索查询如下：

• （“Machine Learning” OR “Deep

生物炭的制备

本节探讨了通过水热碳化（HTC）和热解方法对生物质进行改性并制备生物炭的过程，其中既包括传统方法也包括微波（MW）诱导加热方法。在生物炭研究中应用ML/DL框架是一种先进的方法，可以优化生产过程并改善环境效果（图3）。ML/DL框架结合了多种输入参数（制备条件如温度、停留时间和水分含量）以及材料属性（碳、氮和磷等）。

生物炭的定量与表征

通过多种技术对生物炭进行化学和物理表征，以评估其物理化学性质、结构特性和养分特性，这对于理解其在水处理、污染物去除以及土壤和农业应用中的性能至关重要（Elkhlifi等人，2023年）。这些表征还有助于阐明生物质在水热碳化和热解过程中的转化机制。通过添加相关技术，实现了生物炭物理化学性质识别的精确性、可扩展性和自动化。

生物炭在土壤中的应用

图4展示了文献中使用的各种AI框架在生物炭应用中的情况。普遍认为，生物炭能够提高土壤肥力、保持水分和碳封存能力，同时减少温室气体排放（Ahmad等人，2024年）。此外，生物炭还能固定有害物质和有机化合物，作为肥料使用，并降低土壤中的环境风险，在ML/DL框架的帮助下，生物炭在可持续土壤管理、改良和修复方面具有很高的价值（表2）。

生物炭-土壤应用中的ML/DL框架及经济可行性

生物炭的经济可行性涉及原料收集、加工、后处理、运输成本以及由此产生的收益、温室气体减排和氮氧化物（NO_x）减排等方面的考虑（Dutta和Raghavan，2014年）。生物炭系统的商业可行性和可持续性依赖于全面的经济和环境评估（Zeymer等人，2017年）。传统的成本效益分析（CBA）和生命周期评估（LCA）方法数据量大、耗时且计算负担重；整合ML/DL可以提高预测的准确性。

挑战、局限性及其潜在解决方案

除了生物炭和土壤本身的复杂性外，数据稀缺和数据质量差、框架的可解释性和透明度不足、高计算需求和可扩展性限制、模型偏差和泛化能力问题、特征选择和维度处理难度、时间和空间变异性以及有限的实地应用也是阻碍ML/DL框架在生物炭-土壤应用中发挥作用的关键因素（表3）。生物炭原料和制备过程中的不一致性也是需要解决的问题。

结论

将ML/DL框架整合到生物炭的生产、表征和土壤应用中，代表了可持续农业研究中的一个变革性范式。研究表明，包括随机森林（RFs）、支持向量机（SVMs）、人工神经网络（ANNs）、卷积神经网络（DNNs）和长短期记忆模型（CNNs）在内的ML/DL框架能够利用多种独立变量有效预测生物炭的产量、表面积、吸附能力和环境修复效果。ML/DL框架提高了数据处理效率，实现了实时分析的自动化。

CRediT作者贡献声明

穆罕默德·瓦卡斯（Muhammad Waqas）：撰写初稿、方法论制定、数据管理、概念构建。莫辛·纳瓦兹（Mohsin Nawaz）：撰写与编辑。杨荣莉（Rongli Yang）：软件开发、数据管理。瓦西姆·塔里克（Waseem Tariq）：撰写与编辑。穆罕默德·纳乌曼·塔希尔（Muhammad Nauman Tahir）：软件开发、实验研究。沙基尔·艾哈迈德（Shakeel Ahmad）：撰写与编辑、监督工作、资源协调、项目管理。

利益冲突声明

作者声明他们没有已知的可能会影响本文研究结果的财务利益或个人关系。

致谢

本研究得到了昆明理工大学高层次人才研究平台建设基金、云南国际农业土壤减排与碳封存联合实验室（项目编号：202403AP140037）以及云南省科技计划项目（项目编号：202303AC100010）的支持。