本研究以生物质热解过程为对象，基于机器学习模型开展了生物炭产率及氮（N）、磷（P）、钾（K）养分含量的多目标预测。通过数据增强方法，弥补了小样本数据不足的问题，显著提升了模型的泛化性能。结果表明，XGBoost模型在预测精度方面表现最优，平均R²达到0.97，明显优于支持向量回归、随机森林及BP-ANN等模型。研究进一步通过特征重要性和SHAP可解释性分析，揭示了热解温度是决定生物炭产率的关键因素，而原料的养分组成则主导了N、P、K的保留规律。在数据可视化方面，构建了用户友好的预测界面，使科研人员和实际应用者能够快速输入原料和工艺参数，即时获得产率与养分含量的预测结果。本研究提出的方法为生物炭生产的精准设计提供了数据驱动的工具，也为其肥料化与农业可持续利用奠定了理论基础。
图文摘要
创新性引入多目标机器学习模型提升生物炭产率与NPK含量预测精度。
基于数据增强方法，显著提升小样本条件下模型泛化能力。
SHAP可解释性分析定量揭示关键原料与工艺参数影响机制。
系统评估多模型性能，实现生物炭性质预测最优方案筛选。
研发实用化预测与可视化界面，促进成果工程化应用。
图2 数据增强前后XGBoost模型实际值与预测值的比较
图3 生物炭产率（BY）、N、P、K的偏依赖图（黄色虚线）与个体条件期望曲线（蓝色实线）
图4 基于XGBoost模型输入变量的生物炭元素组成的SHAP分析图5 XGBoost模型在新数据上的实际值与预测值的比较
数据增强与多模型集成提升了生物炭产率与NPK含量预测精度。
XGBoost模型表现最优，R²高达0.97，泛化能力强。
SHAP等解释性方法揭示了温度和原料成分为关键影响因子。
构建了易用的预测与可视化工具，促进工程化应用。
研究为生物炭肥料化与资源化利用提供理论基础。
天津商业大学生物技术与食品科学学院2023级硕士研究生，师从天津商业大学校长陈冠益教授领衔的“环境能源+X”创新团队青年教师穆兰。主要研究方向为生物质热解产物的建模预测与生物炭肥料化应用。曾获“优秀
共产党员”等荣誉称号，申请发明专利1项，参与多篇SCI论文研究。
天津商业大学机械工程学院讲师，天津市可再生能源学会生物质能专委会委员，主要研究有机固废能源化资源化利用。发表论文50余篇，授权发明专利7项，主持国家重点研发子课题、国家自然科学青年基金等项目6项，参编教材/专著2部。
赞助基金项目：国家重点研发计划项目（2022YFD1601100，2022YFE0125100）
文章链接：https://doi.org/10.1007/s44246-025-00229-1
更好地理解土壤中铁循环对碳的稳定及降解的作用
Towards a better understanding of the role of Fe cycling in soil for carbon stabilization and degradation
