基于机器学习的畜禽粪便资源化预测研究

为了比较不同来源的畜禽粪便理化性质差异，考察堆肥过程中与腐熟度有关的理化指标变化情况，采集5种畜禽粪便的原料(堆肥原样)和堆肥腐熟后的样品，对其进行性质测定分析；同时，为探索预测堆肥腐熟度的最优模型，选用XGBoost、随机森林、支持向量机(SVM)、多元非线性回归模型对训练集样本堆肥腐熟度进行预测，并利用测试集样本对比分析4种模型的预测精度。结果表明:羊粪、牛粪、猪粪、兔粪、鸡粪原样均为弱碱性，其浸提液中可溶性盐浓度(EC)较高，鸡粪原样总养分(N、P、K)含量最高，猪粪原样中金属元素铜、锌、铁、锰总含量和有机质含量最高；5种粪便原样经过升温腐熟过程后，铜、锌、铁、锰元素含量和发芽率均表现出明显的上升趋势，pH值、EC值和有机质含量呈显著下降趋势；堆肥有机质含量和含水率对堆肥腐熟度影响最大，%IncMSE值分别为14.92%和13.61%；通过构建XGBoost、随机森林、SVM机器学习模型和多元非线性回归模型，经特征选择模型优化后，仅选取含水率和有机质含量作为特征变量，即可准确地预测堆肥腐熟度，模型预测值与实测值间的拟合优度(R2)分别为0.994、0.871、0.908、0.800。其中，XGBoost模型表现出较高的预测性能，均方根误差和平均绝对误差分别为4.690%和4.042%。相比于模型优化前，XGBoost、随机森林、SVM的R2分别升高41.39%、5.83%和36.30%。由于堆肥腐熟前后pH值、含水率、有机质及发芽率变化显著，且与其他性质之间存在较高的相关性，据此选取其作为堆肥腐熟度的评价指标。综合分析结果认为，XGBoost模型对堆肥腐熟度的预测精度最高，特征选择是提高模型预测精度的有效方法。

Prediction of livestock and poultry manure utilization based on machine learning