近年来，由于工农业迅速发展，废弃物产量逐年增加。对于工农业废弃物不合理的处理过程会导致一系列能源、经济、环境问题。由于废弃物中含有大量的病原体和重金属，管理不当还可能会导致重大公共卫生问题^[1]。因此，废弃物处理引起了全社会的广泛关注。堆肥可作为一种有效的废弃物处理方法，在实现废弃物循环利用的同时，还能产生化学性质相对稳定的物质，为农作物生长提供营养，改良土壤结构^[2]。将成本低廉、环境友好的有机堆肥作为矿物肥料替代品具有必要性和重要现实意义^[3]。

随着畜禽养殖业的不断发展，畜禽粪便量急剧增加，中国每年畜禽粪便产生量为 20 亿 t ^[4]。畜禽粪便中通常含有大量对人类和环境具有风险的有害物质，造成不可避免的非点源污染^[5]。堆肥是将畜禽粪便及其他农业废弃物转化为稳定高质量农业有机肥的有效方法，目前已被广泛应用^[6]。堆肥稳定性是评估其质量的关键因素，Benito 等^[7]研究表明，堆肥温度、pH 值、可溶性盐浓度（EC）、硝态氮、碳氮比（C/N）等参数均可作为评估堆肥稳定性的重要指标。利用不同畜禽粪便制得的堆肥理化性质具有较大差异，在堆肥前后对各畜禽粪便的理化性质进行评估，是实现堆肥无害化、资源化应用的必要前提^[8]。然而，堆肥腐熟度评价指标体系的构建尚不全面，生产中多采用种子发芽率（GI）作为评估堆肥无害化的指标，但是生物学指标极易受到外界干扰，影响输出结果的因素较多，例如种子类型、光照强度、温度等，预处理过程耗时较长且在样本量较大时易造成资源浪费。结合影响腐熟度的各堆肥性质因素，选择相对较易获取的特征参数建立堆肥腐熟度的预测模型具有重要意义。目前，基于模型的堆肥腐熟度预测分析主要采用近红外光谱预测^[9]和神经网络建模分析法^[10-12]，二者均缺乏对生物学指标的模拟预测，无法对堆肥无害化进行定量评估，基于图像的神经网络分析方法在一定程度上还受到光源等因素限制。此外，目前多采用相关性分析、灰色关联度分析法、模糊综合评价方法^[13]构建堆肥腐熟度指标体系，还未有研究将机器学习模型及多元非线性回归模型应用于堆肥腐熟度预测及评价指标体系的建立。

本研究对 5 种畜禽粪便原料及其堆肥后的性质进行分析监测，系统探讨不同类型禽畜粪便的特征及堆肥腐熟程度对粪便性质的影响。通过构建 XGBoost、随机森林、支持向量机（SVM）、多元非线性回归模型以预测堆肥腐熟度并建立评价指标体系。旨在提高畜禽粪便的无害化、资源化利用价值，为更高效地获取堆肥腐熟度数据提供新思路。

1 材料与方法

1.1 试验设计

基于对陕西省渭南市养殖场及所用生物肥的调查，以堆肥原料应用的普遍性和可得性为原则，选择猪粪、鸡粪、羊粪、牛粪、兔粪用于建模分析。试验所用粪便原样选取自陕西省渭南市白水县和蒲城县的农牧企业。5 种不同畜禽粪便原样堆肥处理采用好气培养方法，采用纯粪便堆肥。将采集的 5 种畜禽粪便原样在阴凉通风处稳定 3~5 d，于堆肥前测定粪便原样基本理化性质如 pH 值、可溶性盐浓度（EC 值）、含水率，营养物质含量如全氮（TN）、全磷（TP）、全钾（TK）、有机质及金属元素含量如铜（Cu）、锌（Zn）、铁（Fe）、锰 （Mn）。堆肥过程中每天测定温度，每 2 d 翻堆一次。每天 8：00 和 22：00 将温度计放入堆体中心部分，待读数稳定后记录堆肥温度，自堆肥开始至达到最高温度视为升温期，后温度逐渐下降至无显著变化视为稳定期。在原样、升温期、稳定期分别取样，测定 5 种畜禽粪便在堆肥前后的理化性质、有机和无机养分含量及金属含量，明确升温腐熟过程中堆肥性质及各元素含量的变化情况。

1.2 理化性质测定

称重法获得各堆肥阶段的含水量；堆肥有机质含量采用重铬酸钾容量法-外加热法进行测定；堆肥中 TN 含量测定采用凯氏定氮法；堆肥中 TP 含量采用钼锑抗比色法测定；TK 含量采用火焰光度法测定；pH 值和 EC 值按照水肥质量比 10∶1 振荡 1 h 后过滤，分别使用 pH 计和 EC 计进行检测； 堆肥中金属元素 Cu、Zn、Fe、Mn 含量采用 ICP-6300 等离子体火焰发射光谱仪法进行测定（美国，Agilent 公司）。Cu、Zn、Fe、Mn 标准品（1000 μg/L）均购自北京百灵威科技有限公司，用于堆肥样品消解的浓硫酸、浓硝酸为优级纯。所有样品重复测定 3 次。

1.3 堆肥腐熟度预测模型

经堆肥性质测定试验后，基于随机森林、 XGBoost、SVM 和多元非线性回归模型 4 种算法进行建模预测。以堆肥基本理化性质及各元素含量作为特征变量输入模型，选取种子发芽率为代表堆肥腐熟度的最适参数作为预测变量。经模型训练、特征选择优化后，对比其在测试集上的泛化性。

1.3.1 特征变量选择

钱晓雍等^[14]全面考察了堆肥过程中与腐熟度相关的理化指标及各元素含量变化，研究表明，物理（温度）、化学（C/N 值）、生物指标（种子发芽率）可用于评估堆肥腐熟度。而尹晓明等^[15]研究表明，堆肥中金属元素含量亦会随堆肥腐熟度发生变化。因此，本研究选取堆肥基本理化性质（pH 值、EC 值、含水率、C/N 值）、营养物质（TN、 TP、TK、有机质）含量、金属元素（Cu、Zn、Fe、 Mn）含量作为特征变量对堆肥腐熟度进行预测，各特征变量及种子发芽率等指标均进行归一化预处理，以消除量纲。

1.3.2 随机森林

随机森林是基于决策树的机器学习方法，根据决策树算法的不同实现回归和分类预测。输入特征变量时，每棵决策树只投一票给最佳分类结果。决策树是单个分类器，从无序的训练样本中模拟出决策树形式的有序的方法，相当于一种布尔函数^[16]。随机森林模型不需要关于响应协变量关系的分布假设，Bagging 算法提高了模型性能，对模型泛化能力进行可靠估算，减少模型过度拟合风险^[17]。随机森林样本数据集由堆肥理化性质、营养元素、金属元素含量构成。均方差增加值（Increase in Mean Square Error，%IncMSE）用于评估各堆肥性质对堆肥腐熟度影响的重要性权重，特征变量的重要性随 %IncMSE 值增加而升高。

1.3.3 XGBoost

XGBoost 模型是根据 Friedman 开发的梯度增强方式改进的高级树增强系统。与使用一阶导数的梯度提升回归树模型相比，XGBoost 基于二阶泰勒公式展开。其中的收缩参数有助于在添加新树时避免过拟合，平稳地提高模型泛化能力^[18]。

1.3.4 SVM

SVM 模型是通过最小化经验风险和学习机的置信区间以获得良好的泛化能力^[19]。首先使用非线性变换（通过核函数实现）将输入空间映射到高维空间，在高维空间中求得最优线性分类面，从而转化为线性可分问题，减少模型过拟合风险^[20]。由于本研究中通过试验所得样本有限，模型过拟合问题需重点关注。上述 3 类机器学习模型均能够降低模型过拟合风险，因此，选择将其应用于堆肥腐熟度预测的初步探索中。

1.3.5 多元非线性回归模型

堆肥腐熟度受多因素影响，堆肥腐熟度与堆肥性质间为非线性问题。多元回归模型的变量选取较为困难，机器学习模型运算过程中得出的各特征变量重要性排序可以为多元回归模型中变量的选取提供依据。

1.3.6 精度验证

将全部样本划分为 70% 训练集和 30% 测试集，通过 10 次交叉验证法评估模型拟合优度。拟合优度 R² 用于表征模型预测值与实测值的拟合程度，取值在 0~1 之间，越接近于 1 表示模型拟合优度越高。均方根误差（RMSE）和平均绝对误差（MAE） 表示模型预测能力，其值越小表示模型预测值与实际值间误差越小，模型性能越高。计算公式如下：

式中，i 表示第 i 个样本数据，x_i 表示第 i 个样本腐熟度实测值；$\stackrel{-}{x}$表示所有样本腐熟度实测值的平均值；y_i 表示第 i 个样本腐熟度预测值；$\stackrel{-}{y}$表示所有样本腐熟度预测值的平均值。

1.4 数据分析

采用 Excel 2019 对数据进行前期处理。相关性分析通过 R 4.0.2 的 corrplot 程序包完成，计算方式均为 spearman。随机森林算法通过 randomforest 程序包实现，XGBoost 模型训练通过 xgboost 程序包实现。图形绘制均使用 R 4.0.2 的 ggplot2 程序包及 Originpro 2020 完成。

2 结果与分析

2.1 堆肥前后畜禽粪便基本理化性质及元素含量变化

羊粪、牛粪、猪粪、鸡粪、兔粪原样的基本理化性质见表1，每组重复测定 3 次，表内为 3 次重复测定值的平均值 ± 标准差。5 种粪便原样 pH 值在 8.00~9.00 之间，为弱碱性；鸡粪 EC 值显著高于其他粪便原样；牛粪和猪粪原样含水率显著高于其他种类，GI 值呈现羊粪 >鸡粪 >猪粪 >兔粪 >牛粪的顺序。粪便原样中营养物质及金属元素含量见表2。鸡粪中 TN、TP、TK 含量分别为 5 种粪便原样的最高值，总养分（N、P、K）含量表现为鸡粪（5.24%）>兔粪（4.77%）>羊粪（4.52%）>猪粪（4.39%）>牛粪（4.05%）。猪粪中所含有机质和 4 种金属元素（Cu、Zn、Fe、Mn）总含量最高。 5 种粪便原样 C/N 值排序为猪粪 >牛粪 >羊粪 >兔粪 >鸡粪。C/N 值反应了堆肥过程中有机质的微生物降解过程，且其在一定程度上能影响微生物群落结构，最适 C/N 值为 25.00~30.00^[21]。5 种粪便原样中，仅猪粪 C/N 值符合最适范围，其他种类粪便原样 C/N 值相对较低。过低的 C/N 值揭示粪便原样中 N 素较多而有机碳含量不足，阻碍微生物繁殖和细胞合成过程，最终影响堆肥过程中有机质的降解速率，同时还会造成 NH₃、N₂O 等气体释放^[22]。牛粪、鸡粪和兔粪中 Cu 含量以及猪粪、兔粪中 Zn 含量均超过有机肥料中有毒有害物质控制国家标准^[23]，因此，畜禽粪便堆肥在为作物提供微量金属元素的同时，还存在重金属污染风险。

5 种畜禽粪便经堆肥过程后理化性质及各元素含量变化见图1。从粪便原样至升温期最终达到稳定期的整个升温堆肥过程中，其 pH 值、EC 值呈下降趋势（图1 a、b）。从图1c 可以看出，经堆肥升温腐熟后，GI 值升高。由图1（d）可知，在本研究中，堆肥经升温过程后羊粪、牛粪、猪粪 C/N 值有所下降，而兔粪和鸡粪经升温过程腐熟后 C/N 值有所升高，最终各堆肥样品 C/N 值均低于最适 C/N 范围（25.00~30.00）。根据图1（e），羊粪、猪粪、兔粪、鸡粪原样经升温过程后，其 TN 含量均有不同程度的降低，牛粪原样 TN 含量升高。由图1（f） 可知，羊粪、猪粪、兔粪 3 种粪便原样经升温过程后，TP 含量降低，而牛粪和鸡粪 TP 含量升高。由图1（g、i、j、k、l）可知，5 种粪便堆肥经升温腐熟过程后，TK 和 4 种金属元素含量均有不同程度的升高，而有机质含量降低（图1h）。

注：同列不同小写字母表示组间差异显著（P<0.05）。下同。

堆肥初期，嗜温微生物开始降解堆肥原料中的脂肪和蛋白质等，通过微生物代谢释放热量，当产热大于散热时，堆体温度升高，待此过程结束后堆体温度下降并趋于稳定。在此过程中，由于微生物活性迅速刺激而导致有机酸含量增加，从而使得 pH 值下降。这与施林林等^[24]研究结果一致。然而，曹云等^[25]、胡雨彤等^[26]研究表明，粪便原样经堆肥腐熟过程后，其 pH 值上升，最终稳定在 7.5~8.5 之间。本研究显示，堆肥结束时 pH 值在 7.4~8.4 之间，与文献报道的类似堆肥的 pH 值一致，但堆肥过程变化趋势相反，这可能与粪便原样初始 pH 值及堆肥时间有关。粪便原样经过升温堆肥后，其中所含的离子态物质减少，如盐离子 Na⁺、 Cl^- 等，这减少了堆肥施用后造成土壤盐碱化的潜在风险。经堆肥升温腐熟过程后 C/N 平均值降低是由于增温堆肥过程中有机质矿化而导致有机碳损失，比值升高是由于升温过程中氮素以 NH₃ 等形式散逸^[27]。由于堆肥本质上是一个生化过程，微生物利用淀粉、糖原、蛋白质、脂肪等有机物进行新陈代谢和矿化，导致有机质和氮素含量下降，并以 CO₂、NH₃、N₂O 和 N₂ 等气态形式损失，且这一过程受到堆肥原样化学组成及性质的影响^[28]。然而，牛粪经过堆肥腐熟后 TN 含量升高，这是由于牛粪中的氮元素主要以复杂的含氮有机物形式存在，微生物对其进行矿化作用较为困难，对氮元素起到了很好的固定作用，减少堆肥期间的氮损失。羊粪、猪粪、兔粪中氮、磷元素均有不同程度的损失，这与堆肥过程中三者 pH 值较高且维持在碱性范围有关，这种条件下氮以 NH₃ 的形式挥发而使全氮含量降低。除补充化学无机氮肥外，还可通过调节粪便原样的初始 C/N 值降低堆肥过程中氮的损耗^[22]。张雪辰等^[29]将鸡粪原样与猪粪、矿粉、沼渣等物质混合堆肥，氮元素减少量仅为 21.70%，远小于本研究中的鸡粪直接堆肥造成的氮损失率（44%）。此外，薛文涛等^[30]研究表明，通过添加有机酸调节粪便原样初始 pH 值亦可减少氮素损失。因此，堆肥过程开始前，将粪便原样与其他富含碳、氮和有机酸的物质结合，从而调节初始 C/N 值和 pH 值，是堆肥过程中保氮的有效措施。经过堆肥腐熟过程后，5 种畜禽粪便中金属元素 Cu、Zn、Fe、Mn 含量均有不同程度的上升，主要与有机质的降解和矿化导致有机质-金属复合结构被破坏有关。

2.2 机器学习模型与多元回归模型在预测堆肥腐熟度方面的性能比较

堆肥腐熟及稳定程度受多因素影响。利用经堆肥水浸提液处理过的种子发芽率是评估堆肥腐熟度的最精确和最有效的方法^[31]。GI 值可用于综合评估堆肥对植物毒性的高低，被认为是反映堆肥无害化和腐熟度最敏感的参数。因此，选取 GI 值作为代表堆肥腐熟程度的变量，其他堆肥性质（pH 值、 EC 值、含水率、C/N 值）及营养物质（TN、TP、 TK、有机质、铜、锌、铁、锰）含量作为机器学习模型的输入参数，用以预测堆肥的腐熟程度。构建 XGBoost、随机森林、SVM 机器学习模型，同时基于上述算法建立多元非线性回归模型以预测堆肥腐熟度，并比较三者间预测性能差异。

2.2.1 XGBoost、随机森林、SVM 机器学习模型对堆肥腐熟度的预测性能

随机森林算法使用了程序默认的参数^[32]，决策树数（Ntree）为 500，根据特征变量总数 12 将树节点预选的变量数 Mtry 设置为 3；XGBoost 模型设置最大深度为 2，学习率 eta 为 0.3，至第 235 次迭代获得最优拟合参数；SVM 模型设置默认参数值， cost 为 1，gamma 为 0.1，支持向量数为 26。

使用 10 次交叉验证法随机抽取 70% 数据作为训练集，30% 作为测试集，通过比较测试集的真实值与模型的预测值间决定系数 R² 来评估模型拟合优度，并使用均方根误差（RMSE）和平均绝对误差（MAE）值来评估模型准确性，见图2。XGBoost 模型 RMSE 值最大（7.293），随机森林模型 RMSE 值最小（5.536），说明利用 XGBoost 模型进行堆肥腐熟度预测的精确度最差，误差值最大，而通过随机森林模型得到的腐熟度精确度较好；不同模型的 MAE 值由大到小排序结果为：XGBoost >SVM >随机森林，进一步说明相比于其他两种模型，随机森林模型预测精度更高。从 R² 值来看，随机森林模型预测值与实际值间相关系数最高（0.824），显著高于 XGBoost（0.703）和 SVM（0.666）模型。总之，在 3 种建模方法中，随机森林的预测性能和效果都优于其他两个模型。

2.2.2 机器学习模型解释与特征选择

通过 %IncMSE 和 SHapley Additive exPlanations （SHAP）值解释各堆肥性质参数对机器学习模型预测值（GI 值）的影响。由于随机森林模型对堆肥腐熟度预测准确性较高，因此，选取其模型训练过程中 %IncMSE 和 SHAP 值进行各变量重要性排序（图3）。由图3a 可知，在 12 个堆肥性质变量中，有机质含量的重要性为 14.92%，其次为含水率（13.61%）、Mn 含量（9.60%）、pH 值（8.11%）、 TN 含量（7.48%）。堆肥理化性质、营养物质含量及金属元素含量均对堆肥腐熟度具有显著影响。 SHAP 散点图揭示了每个特征参数对于提升模型预测能力的贡献程度及各特征变量的重要性。如图3b 所示，堆肥中较低的含水率和有机质含量对模型的输出有促进作用，而含水率、有机质含量、pH 值、TN 含量的升高对模型预测能力具有负面影响。其他各特征变量对模型预测性能无显著影响。

注：a 为随机森林模型；b 为 XGBoost 模型；c 为 SVM 模型。

注：a 为各特征变量对堆肥腐熟度预测值的影响；b 为各特征变量对模型预测性能的影响。

通过部分依赖图进行依赖性分析，即某一特征变量的变化对堆肥腐熟度预测值的影响，量化各特征变量对模型预测值的影响范围。如图4 所示，以 pH 值、EC 值、含水率、有机质含量、Zn 含量、 TN 含量为研究对象，变化其中一个特征参数值，其他特征变量值不变，运用随机森林模型预测堆肥腐熟度结果。曲线斜率越高说明该参数对模型越重要，反之，对模型重要性越低。从图4 可以看出，当含水率大于 60%、有机质含量大于 76%、pH 值大于 8.5、TN 含量大于 2.3%、Zn 含量大于 314 mg/ kg、EC 值大于 3850 μS/cm 时，部分依赖曲线变缓，说明上述各值变化，其余值不变的情况下，预测值几乎不变，此时各特征变量对堆肥腐熟预测结果影响变小。

2.2.3 机器学习模型预测性能优化

刘峻明等^[33]、岳继博等^[34]、徐敏等^[18]研究表明，筛选出影响预测值的重要特征变量作为输入变量，可降低不重要变量对模型预测准确度的干扰，提高模型预测性能。因此，基于 SHAP 分析的特征选择方法，剔除对堆肥腐熟度预测影响较小的特征变量，仅保留影响最大的因素（即含水率和有机质含量），重建并优化机器学习模型（图5）。由图5 可知，经特征选择模型修正后，XGBoost 模型拟合优度最高，R² 达到 0.994，显著高于随机森林 （0.872）和 SVM（0.908）模型，三者预测值和实测值之间均表现出较强的相关性。经特征选择修正后的模型精度由大到小排序为 XGBoost >随机森林 >SVM 模型。以特征选择前模型拟合优度 R² 值为参照，模型优化后随机森林、XGBoost 和 SVM 模型 R² 值分别提高 5.83%、41.39% 和 36.30%，RMSE 和 MAE 值均有所下降，对比特征变量选择前得到的结果，模型优化后拟合点分布的离散程度降低，更接近于 1∶1 线，模型的预测效果明显提升。总之，经特征选择模型修正后，XGBoost 表现出更高的预测性能，精确度最高。通过特征选择过程保留主要影响因素可以提高 3 种机器学习模型预测精度，同时减少模型所需特征参数，使其更加高效地应用于堆肥腐熟度预测。

注：a 为随机森林模型；b 为 XGBoost 模型；c 为 SVM 模型。

2.2.4 多元非线性回归模型对堆肥腐熟度的预测性能

根据 %IncMSE 和 SHAP 值，选取含水率和有机质含量作为堆肥性质参数，构建非线性回归模型以预测堆肥腐熟度（图6a），并分别对羊粪、牛粪和猪粪分类进行拟合优度检验（图6b）。定义模型如下：

式中，R 为 GI 值；OM 为有机质含量（%）；Water 为含水率（%）。

通过式 4 和各堆肥中含水率和总有机质含量的实测数据，计算 GI 预测值，其与实测值的线性回归分析结果见图6b，羊粪、猪粪、鸡粪施用下发芽率实测值与预测值线性回归决定系数 R² 分别为 0.96、0.96、0.88，所有粪便堆肥类型为 0.80。

注：a 为多元非线性回归模型；b 为模型拟合结果。

2.2.5 模型选择

4 种模型中，经特征选择修正后的 XGBoost 机器学习模型总体上对堆肥腐熟度的预测准确性最高，性能最优，并且能够高效处理大量数据，通过模型计算能够得到特征向量间的重要性权重排序，为后续模型优化及堆肥稳定性评价指标体系的建立提供依据。通过建立特征变量（堆肥含水率、有机质含量）与预测变量间的关系，可在 R² 为 0.994 水平上对堆肥腐熟度进行预测。因此，将 XGBoost 机器学习模型应用于堆肥腐熟度预测是最高效的方法。

为验证模型对堆肥腐熟度的预测精度，将 4 种模型对不同类型畜禽粪便堆肥腐熟度预测结果与实测结果进行对比，见图7。使用含水率和有机质含量作为特征变量建模时，XGBoost、随机森林、 SVM、多元非线性回归模型对羊粪堆肥腐熟度预测值与实测值的残差分别为-1.07、-2.50、-0.89、-0.39；对牛粪堆肥预测残差分别为 2.06、2.11、 2.06、-0.25；对猪粪为 1.06、1.56、1.83、-1.28； 对兔粪为 0.01、0.13、1.40、1.94；对鸡粪为-0.85、 0.69、0.07、-1.18。可见，各模型对不同类型的畜禽粪便堆肥腐熟度预测精度不同，多元非线性回归模型对羊粪和牛粪预测效果更优，XGBoost 模型对猪粪和兔粪预测效果更优，SVM 模型对鸡粪堆肥腐熟度预测效果更优。4 种模型预测羊粪堆肥腐熟度时均表现为低估，对兔粪堆肥腐熟度进行预测时均表现为高估。

2.3 堆肥稳定性评价指标体系构建

堆肥升温前后变化较大，以及堆肥后期逐渐趋于稳定的参数可作为评估堆肥稳定性的标准。此外，用于评估堆肥稳定性的各指标之间、其与各综合指标之间均应存在较好的相关关系^[35-36]。由图8a 可知，粪便原样经堆肥升温腐熟后，GI 值显著升高（P<0.01），含水率、有机质含量、pH 值显著降低（P<0.01）；粪便原样经堆肥升温腐熟后， TN 含量在 P<0.05 水平上显著下降，Cu、Zn、Fe、 Mn 含量显著升高（P<0.05）。由图8b 可知，堆肥过程中，pH 值、有机质、TN、TP、TK、C/N 值、含水率之间及其各自与 GI 值之间存在较强的相关关系。由于 TN、TP 含量和 C/N 值在堆肥腐熟过程中因堆体原料不同而导致变化趋势差异较大，且堆肥前后未表现出显著变化，不适宜作为评价堆肥腐熟程度的指标。因此，选取 GI 值、pH 值、有机质含量及含水率 4 个因素作为堆肥腐熟度评价指标。在以 GI 值≥ 85% 为腐熟标准的基础上，pH 值稳定在 7.4~8.4，有机质含量稳定在 45%~62% 之间，含水率稳定在 18.5%~42.5% 之间，可初步判断堆肥已达到腐熟要求。采用物理指标（含水率）、化学指标（有机质含量、pH 值）和生物指标（GI 值） 联合组成腐熟度评价指标体系的方法，确保堆肥产品腐熟度质量控制。

注：a 为堆肥前后各性质变化情况，P 值为差异显著性，P<0.01 即为显著；FC 值为经过堆肥腐熟后各个指标与堆肥原样各指标的比值，FC>1 为经过腐熟后该指标上升，FC<1 为经过腐熟后该指标下降；b 为堆肥各性质之间相关性分析。

3 结论

（1）羊粪、牛粪、猪粪、兔粪、鸡粪原样均为弱碱性。5 种原样中，鸡粪总无机养分氮、磷、钾含量最高；猪粪中有机质含量显著高于其他畜禽粪便原样；牛粪原样中所含有机、无机养分均为最低值。5 种粪便原样均可作为微量金属元素供给源，但铜、锌元素含量超过有机肥料中有毒有害物质控制国家标准。

（2）经堆肥升温腐熟后，5 种堆肥未达到标准 C/ N 值范围。牛粪样品经堆肥腐熟后各项无机营养元素含量氮、磷、钾均有显著升高，羊粪、猪粪、兔粪经升温腐熟过程后氮、磷元素含量降低，鸡粪中氮元素含量降低。5 种堆肥样品中有机质含量经过升温腐熟过程后均有不同程度的降低，而金属元素（Cu、Zn、 Fe、Mn）含量表现出明显的上升趋势。

（3）通过对比 XGBoost、随机森林、SVM 机器学习模型以及多元非线性回归模型对堆肥腐熟度的预测结果可知，XGBoost 模型具有更高的性能，依据 SHAP 分析经特征选择优化后，最终确定以对模型影响最显著的堆肥含水率和有机质含量为特征变量预测堆肥腐熟度，其 R² 值达到 0.994，模型性能及准确性均有显著提升。

（4）通过各指标间的相关性分析、堆肥腐熟前后各指标变化显著性分析、各指标所占重要性权重分析，选取 pH 值、含水率、有机质含量和 GI 值作为具有代表性的堆肥腐熟度控制指标，构建了堆肥产品腐熟度评价指标体系：在以种子发芽率≥ 85% 为腐熟标准的基础上，pH 值稳定在 7.4~8.4，有机质含量稳定在 45%~62% 之间，含水率稳定在 18.5%~42.5% 之间，可初步判断堆肥已达到腐熟要求。

本文以 5 种不同类型畜禽粪便为研究对象，阐明了堆肥熟化前后禽畜粪便性质的变化过程，并通过构建机器学习模型和多元非线性回归模型，选取部分所占权重较大的特征变量即可实现对堆肥腐熟度的准确预测。本研究展示了不同来源的禽畜粪便资源化回收利用的价值，并为堆肥腐熟度预测及指标体系的构建提供新思路。

参考文献