传统的有机固体废弃物处理与回收方法存在效率低、精度低、成本高、环境风险大等缺陷。机器学习作为一种能够自主获取和整合知识的方法，在解决均质性较差、成分复杂的有机废弃物处理问题上于过去的十年中逐渐受到重视。中国科学院地理科学与资源研究所刘洪涛研究组对2003-2020年期间有关机器学习应用于有机固体废弃物处理及资源化过程的研究进行了系统梳理、归纳和总结，以“Application of machine learning methods for the prediction of organic solid waste treatment and recycling processes: A review”为题在国际学术期刊Bioresource Technology在线发表。

图文摘要

文章提出，机器学习相关研究主要集中于城市固体废弃物管理领域，其次是厌氧消化和热处理领域，而针对好氧堆肥和填埋领域的研究则相对较少。同时，多数(54%)研究均采用了人工神经网络(ANN)进行建模和预测，其次是支持向量机(SVM)、遗传算法(GA)、决策树/随机森林(DT/RF)。不同的机器学习模型有着不同的适用性，如ANN适用于解决较为复杂且数据量充足的非线性环境问题，SVM在非线性、高维、尤其是小样本学习问题上有着特别的优势，GA适用于处理各种组合优化问题，而DT/RF则较适于解决相对简单的分类及预测问题。

目前，机器学习在有机固废处理与利用领域的应用主要存在以下三点问题：(1)ANN作为目前最热门的机器学习模型，其在处理小样本问题时的真实能力往往容易被忽略；(2)以往涉及复杂生化过程的研究在模型训练时较少考虑生物因素；(3)GA的应用潜力有待进一步挖掘和发展。未来，机器学习在有机固废资源化领域应用研究的潜在方向如下：(1)集成模型的进一步应用；(2)机器学习与其他先进技术（如物联网）的结合应用；(3)采取多种方法克服数据匮乏的问题；(4)进一步探索并打开机器学习的“黑盒”。尽管存在数据不足、解释性不强、模型选择原则不明确等局限性，但机器学习在辅助有机固废管理决策制定、缩短废弃物处理周期、提高资源化利用率、降低环境污染风险具有很强的应用潜力。

中科院地理资源所研究生郭昊楠为论文第一作者，刘洪涛为通讯作者。合作单位为丹麦奥胡斯大学、中科院虚拟经济与数据科学中心、桂林理工大学。该项工作得到了中国科学院战略科技先导专项(XDA23050103)、国家重点研发计划专项(2018YFD0500205)、地理资源所可桢杰出人才计划(2017RC102)的资助。

论文链接：https://www.sciencedirect.com/science/article/pii/S0960852420313882