生物炭是农林废弃物等生物质材料热解后所得的碳质材料，具有多孔结构及丰富的表面官能团，是养殖尾水和富营养化水体中磷的环保型吸附剂。然而，吸附剂的开发和吸附过程的解析优化存在耗时费力、针对性不强、不够精准等技术瓶颈。

中国科学院水生生物研究所渔业智能技术与装备研究组联合武汉纺织大学环境工程学院，借助机器学习技术，构建了时间跨度13年（2011-2023）、数据样本超过1200条、且涵盖生物炭理化特性、水质参数、除磷条件等多维变量的190种生物炭数据集。在此基础上，优化了随机森林RF算法和CatBoost算法，建立了R2值为0.9573、RMSE值为8.02的磷吸附容量预测模型。利用该模型，可以快速分析并确定影响生物质变量的权重，预测了单特征和双特征互作对磷吸附容量的影响，为优化智慧渔业生物炭设计、提升受污水体磷去除效率提供了新技术与新方法支撑。

图1.研究方法示意图

图2.RF模型和CatBoost模型的预测能力对比

图3.各影响变量的重要性

该研究以“Machine learning-driven prediction of phosphorus adsorption capacity of biochar：Insights for adsorbent design and process optimization”为题近期在线发表于Journal of Environmental Management（https://doi.org/10.1016/j.jenvman.2024.122405）。该研究得到湖北省自然科学基金项目和武汉市知识创新专项曙光计划项目等项目资助。水生所吕华飞助理工程师为该论文第一作者，水生所段明研究员为共同通讯作者。