用于生物质废弃物资源评估和物流优化的综合空间聚类框架：以印度尼西亚廖内省为例

《Bioresource Technology》：Integrated spatial clustering framework for biomass waste resource assessment and logistics optimization: A case study in Riau Province, Indonesia

本研究针对印尼Riau省生物质供应链物流优化问题，提出K-Means-DBSCAN混合空间聚类方法结合线性规划模型。通过GIS分析整合11个初始簇，经DBSCAN密度优化后形成8个紧凑簇群，并建立以棕榈油厂产能为约束的收集点选址模型，最终实现物流成本降低15%，验证了密度感知空间聚类与物流优化的协同增效机制。

　　

Ginas Alvianingsih|Agus Sugiyono|Haslenda Hashim

马来西亚柔佛新山理工大学化学与能源工程学院

摘要

为了高效利用生物质进行能源生产，需要综合考虑资源分布和物流规划，尤其是在原料分布地理上较为分散的地区。印度尼西亚拥有丰富的生物质废弃物，包括纸浆和造纸废料、果串（EFB）、甘蔗渣、橡胶废料、椰壳以及稻壳等，但由于物流限制，这些废弃物尚未得到充分利用。本研究提出了一个集成的空间聚类和物流优化框架，用于区域生物质供应链规划。利用地理信息系统（GIS）对相关生物质设施进行了分析。首先采用K-Means方法根据空间邻近性对设施进行分组，然后通过DBSCAN算法结合密度特征进一步优化聚类结果并剔除空间噪声。实验表明，K-Means方法最初生成了11个聚类，经过DBSCAN处理后优化为8个空间上连贯的聚类。在考虑棕榈油厂产能的情况下，根据每个优化聚类的中心点确定了收集点。随后利用AIMMS软件中的线性规划模型对生物质运输物流进行了优化。与仅使用K-Means的方法相比，所提出的K-Means–DBSCAN框架平均降低了约15%的运输成本。这些发现表明，结合物流优化的密度感知空间聚类方法能够提高供应链效率，并支持可持续的生物质能源规划。

引言

当前生物质供应链面临诸多挑战，这些挑战影响了其在可再生能源和可持续发展方面的效率和效果，例如原料的多样性、质量不稳定、物流难题和运输成本（Gold和Seuring，2011年）、储存和保存问题（Rentizelas等人，2009年）、季节性变化以及供应波动（Iakovou等人，2010年）、缺乏标准化的评估方法（Lewandowski和Faaij，2006年）、与粮食作物的竞争以及土地使用问题（Yue等人，2014年），还有经济可行性和规模扩展方面的问题。从物流角度来看，生物质原料通常分布在大面积区域内，因此需要高效的收集和运输系统（Nunes等人，2020年）。

许多生物质来源的农村地区缺乏足够的运输基础设施。运输成本随距离增加而显著上升，这影响了生物质项目的经济可行性（Akhtari等人，2014年）。这些因素使得运输成为生物质供应链总成本的重要部分，通常占总交付成本的20%至50%（Yue等人，2014年；Eskandarpour等人，2015年；Mafakheri和Nasiri，2014年；Sharma等人，2013年）。

廖内省位于印度尼西亚苏门答腊岛的中东部海岸，以其丰富的农业和林业资源而闻名，这些资源为其生物质利用潜力奠定了基础。廖内省是印度尼西亚最大的棕榈油生产省份之一（Simangunsong等人，2017年）。除了棕榈油外，该地区还产生其他作物的生物质废弃物，如稻壳、橡胶、椰壳、纸浆和甘蔗渣。

建立专门的收集点（CP）对于有效收集和预处理生物质废弃物、充分发挥其作为能源的潜力至关重要（Morato等人，2019年）。这些集中式设施有助于整合来自多个工厂的散落生物质废弃物，实现规模经济，为后续加工操作创造条件。先前的研究表明，异质性生物质废弃物需要系统性的评估和适当的预处理策略，以提高其下游使用的适用性，这突显了在物流优化之前进行结构化生物质资源评估的重要性（Abdellah等人，2024年）。在这些收集点，可以系统地实施关键预处理步骤，如减小体积、干燥以将水分含量从约65%降低到20%以下（Oyedeji和Fasina，2017年），以及通过造粒或压块等方式实现密度集中，从而将原始生物质废弃物转化为具有更好处理性能、运输和燃烧特性的标准化生物燃料原料（Sarker等人，2022年）。此外，这些战略性的设施有助于克服高水分废弃物的物流挑战，同时降低运输成本，并确保整个生物质供应链的质量控制一致性，最终提升生物质能源利用的经济可行性。

物流和原料收集一直是生物质利用系统中的主要成本组成部分，表明对生物质来源进行空间优化聚类对于提高经济可行性和供应链效率至关重要（Abdellah等人，2024年；Abdellah等人，2025a）。研究人员广泛采用了传统的空间聚类方法来绘制生物质能源资源分布图。如图1所示，有多种传统的聚类方法。K-Means及其空间变体已被广泛应用于地理数据分析，其中对空间连续性和邻域关系进行了改进（Brus等人，2006年）。K-Means及其空间变体被用来分析生物质资源的潜力，旨在减少各组内元素之间的距离（Sangalli等人，2010年）。文献中的实证证据表明，基于K-Means的聚类方法通常能够降低约8%至15%的运输成本，主要是通过优化重心分配实现的（Perpi?á等人，2009年）。然而，这种方法往往忽略了空间密度差异，导致聚类结果较为松散且包含空间异常值。随后出现了基于密度的聚类方法，这些方法根据高密度区域与低密度区域之间的差异对数据进行分组。基于密度的聚类有两种标准算法：带有噪声的应用空间聚类（DBSCAN）和用于识别聚类结构的排序点方法（OPTICS）（Duan等人，2007年）。

在完成生物质资源潜力分析后，物流优化成为将理论上的生物质可用性转化为经济可行能源系统的关键步骤（Abdellah等人，2025b；Malladi和Sowlati，2018年），通过有效协调供应链中的收集、预处理、运输和转化活动来实现这一目标。数学规划方法经常被用来解决这一优化问题，其中线性规划（LP）可以在简化条件下确定最优的生物质流动和设施容量（Sharma等人，2013年）。混合整数线性规划（MILP）通过纳入关于设施位置、技术选择和运输方式的离散决策（Alemany等人，2018年）扩展了这些方法的能力。对于涉及多个时期、不确定因素或非线性关系的复杂情况，研究人员采用了更复杂的非线性规划（NP）模型，这些模型能够更好地反映现实世界的复杂性，如规模经济、季节性生物质供应和不同的转化效率（Hernandez-Romero等人，2024年）。然而，这些模型通常需要专门的求解算法，因为计算强度较高。战略性地应用这些数学优化框架可以帮助决策者最小化总系统成本，减少环境影响，并提高生物质能源供应链的整体可持续性（Kumar和Sowlati，2025年），同时调整初始映射阶段识别的空间分布模式。

以往关于生物质废弃物物流的研究大多独立应用聚类技术，如基于质心的K-Means方法或基于密度的DBSCAN方法来识别空间模式和分组资源位置。然而，这两种互补的聚类方法的集成应用在优化生物质废弃物物流方面仍然有限，尤其是在印度尼西亚这样的区域尺度评估背景下，该地区的空间异质性和数据变化较大。为填补这一研究空白，本研究提出了一个顺序K-Means–DBSCAN聚类框架，结合了两种方法的优点，并将聚类结果与线性规划优化模型相结合，从而实现更稳健且具有空间适应性的生物质废弃物资源评估和优化方法。

方法概述

图2展示了本研究的研究流程。研究分为四个步骤：识别、空间聚类分析、确定聚类收集点（CP），以及优化从各生物质资源到收集点的物流或供应链。

所提出的方法利用地理信息系统（GIS）整合空间数据，以绘制和优化生物质来源的分布和物流。GIS是一个用于收集、管理、分析和可视化空间及地理数据的框架（McKitrick）

研究区域

本研究以廖内省作为研究区域，因为该省是印度尼西亚主要的棕榈油生产地，具有丰富的生物质废弃物潜力。因此，研究中使用的所有数据，包括生物质废弃物的可用性、分布和特性，均反映了廖内省的实际情况，确保分析结果与该地区的空间、运营和物流条件相符。

廖内省是...

空间聚类结果

图6用不同颜色展示了K-Means聚类的结果。该聚类过程产生了11个聚类。从图6a可以看出，同一聚类中的生物质废弃物仍然分布较广，某些聚类的资源量较少且地理位置相距较远，导致运输成本较高和物流复杂。这需要进一步分析每个聚类中工厂的分布情况。

由于聚类过程...

结论

本研究通过空间聚类分析了生物质废弃物的潜力，确定了收集点（CP），并优化了从各生物质资源到收集点的物流。通过对棕榈油厂、糖厂、纸浆和造纸厂、橡胶厂、椰壳厂及米厂的位置进行K-Means和DBSCAN聚类，得到了8个聚类结果。所提出的改进方法包括根据每个聚类的中心点和设施容量来确定收集点。

作者贡献声明

Ginas Alvianingsih：软件开发、资源准备、方法论设计、数据分析、概念构建。Agus Sugiyono：初稿撰写、验证工作、监督指导。Haslenda Hashim：修订编辑、监督指导。

利益冲突声明

作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。