近期，角球比分直播 杨志峰院士团队谭倩教授课题组在Bioresource Technology上发表题为“Explainable hybrid modeling of nitrous oxide emissions in wastewater treatment: Integrating mechanistic knowledge with uncertainty-aware machine learning”的研究论文。谭倩教授为论文通讯作者，角球比分直播 2025届博士研究生马骁为论文第一作者。

【论文中文名称】

污水处理中一氧化二氮排放的可解释性混合建模：将机理模型与不确定性感知机器学习模型相结合

【中文摘要】

污水处理厂中一氧化二氮（N₂O）排放的机理模型通常存在参数过度化的问题，而机器学习方法缺乏可解释性。为了解决这些局限性，本研究构建了一种融合活性污泥机理模型、长短期记忆网络（LSTM）与高斯过程（GP）回归的可解释混合建模框架。研究采用串并联架构，首次将GP应用于N₂O预测建模，并通过贝叶斯估计方法实现了有限数据集下模型不确定性的有效量化。研究结果表明，该混合模型在预测系统总N₂O排放量时表现出良好的准确性（R²>0.99），其平均绝对误差较LSTM模型和基于LSTM的混合模型分别降低了66.4%和47.8%。此外，SHAP分析结果显示，曝气通量是控制N₂O排放的关键影响因素（贡献度>0.4）。本研究将底层机理知识与数据驱动的不确定性分析相结合，使模型在多种运行工况下均展现出良好的泛化能力，为污水处理行业实现兼具可解释性与不确定性评估的温室气体减排提供了客观的方法学参考。

【创新发现点】

1.首次将高斯过程（GP）与机理模型结合用于预测N₂O排放 。

2.所构建的ALGM混合模型相比于单一的机器学习模型，实现了66.4%的性能提升。

3.不确定性量化功能为基于风险的决策提供了明确的置信区间。

4. SHAP分析揭示了曝气通量是调控N₂O排放的关键操作参数。

【关键图示】

图1.混合模型的串并联结构（a）及混合模型与各对比模型的流程示意图（b）

图2.混合模型对系统案例1-6中溶解态N₂O（a）及总N₂O（b）的模拟结果

图3.影响因素的SHAP值及其对混合模型溶解态N₂O（a）及总N₂O（b）以及对比模型中溶解态N₂O（c）及总N₂O（d）的平均影响

致谢：本研究得到了国家自然科学基金（52125902、52388101）和广东省重点实验室项目（2023B1212060068）的资助。

【原文链接】：//doi.org/10.1016/j.biortech.2025.133902

供稿：马骁

初审：陆丽莹

复审：梁赛

终审：马金星