在畜禽养殖中，通常会添加铜(Cu)和锌(Zn)的盐类或螯合剂到饲料中，以确保畜禽摄取足够的微量元素。然而，近95%的Cu和Zn会随粪便排出，重金属残留成为堆肥产品土地利用的限制因素。重金属毒性及生物有效性取决于其赋存形态，调控堆肥中重金属的形态成为降低堆肥产品农用生态风险的主要措施。因此，快速确定堆肥过程重金属的形态成为目前研究的热点。东北地理所水环境污染与防治研究团队前期试验发现，堆肥过程中重金属的生物有效性表现出多样化的变化趋势(Cui et al.,2020)，有机质(OM)是调控堆肥中重金属生物有效性的主要方向(Wang et al.,2021)。但是，重金属有效性评估方法仍以化学提取或元素测定为主，样品前处理过程繁琐，对操作人员技能要求高，成本和时间耗费大，亟需一种简单高效、时效性强的重金属形态确定方法。机器学习(ML)被视为实现人工智能的一个重要手段，可以预测复杂系统中因变量和自变量之间的非线性复杂关系，在环境管理、生态修复领域具有广阔的应用。 本研究基于课题组15年的数据累积及外部数据的收集，共取得260组数据。以堆肥过程中常见的物质变化指标(堆肥时间、温度、pH、EC、OM、TP、TN和重金属总量)为输入因子，借助反向传播神经网络(BPNN)、梯度增强回归模型(GBR)、随机森林模型(RF)，建立了堆肥过程中重金属形态快速预测模型，从而对重金属有效性进行评估。研究结果表明：BPNN、GBR和RF模型均能预测堆肥过程中Cu和Zn的形态分布(图1)，其中RF的预测性能最好，R2值为0.93-0.97.同时，输入因子的特征性分析表明(图2)，除堆肥时间外，OM和TP分别是预测Cu和Zn有效形态的最重要特征，降低OM或增加TP有助于提升堆肥中Cu和Zn的钝化能力。本研究识别了Cu和Zn生物有效形态之间转化的主要影响因子，为评估堆肥生产中重金属生物有效性评估及调控提供了一种快速的决策工具;同时拓展了人工智能方法在有机固废资源化领域的适用性，对于构建生态安全的种养结合、农牧循环新格局具有重要推动意义。
图1 堆肥样品中Exc-Cu、Red-Cu、Exc-Zn和Red-Zn实测值与预测值的对比
图2 主要变量对不同形态重金属贡献率
研究成果近期发表在国际期刊《Journal of Hazardous Materials》(IF 13.6)上，博士研究生白冰为论文的第一作者，王莉霞研究员为通讯作者。研究由中国科学院战略性先导科技专项(XDA28080400.XDA23070502)资助。
论文信息及链接如下：
Bing Bai,Lixia Wang*,Fachun Guan,Yanru Cui,Meiwen Bao,Shuxin Gong. 2024. Prediction models for bioavailability of Cu and Zn during composting: Insights into machine learning,J. Hazard. Mater. 471.134392. https://doi.org/10.1016/j.jhazmat.
