基于多元素特征识别与随机森林相结合的快速高精度固体废物类型判定:一种用于环境法医学的新型固体废物追溯策略

《Journal of Environmental Chemical Engineering》:Rapid and High-accuracy Identification of Solid Waste Types via multi-element Fingerprinting Coupled with Random Forest: A Novel Solid Waste Traceability Strategy for Environmental Forensics

【字体: 大 中 小 】 时间:2026年07月09日 来源:Journal of Environmental Chemical Engineering 7.5

编辑推荐:

  赖彦玲|季媛|杨金忠|黄启飞|郑志民|胡浩中国环境科学研究院环境基准与风险评估国家重点实验室,北京100012,中国摘要固体废物的多样性与复杂性要求具备快速、准确且可推广的识别技术,以满足环境法医溯源的需求。多元素指纹技术能够无损且快速获取多元素数据,从而构建固体废物的元素指纹,

  
赖彦玲|季媛|杨金忠|黄启飞|郑志民|胡浩
中国环境科学研究院环境基准与风险评估国家重点实验室,北京100012,中国

摘要

固体废物的多样性与复杂性要求具备快速、准确且可推广的识别技术,以满足环境法医溯源的需求。多元素指纹技术能够无损且快速获取多元素数据,从而构建固体废物的元素指纹,为环境法医溯源提供关键数据支持。本研究选取了7种典型固体废物(残留物、飞灰、炉渣、尾矿、脱硫石膏、污泥和食物残渣)的543个样本,通过多元素分析获取元素浓度数据。经过特征选择和标准化处理后,Kruskal-Wallis H检验确定了13种可区分这些废物类别的关键元素,进而构建了初步的元素指纹库。基于随机森林的多分类模型在测试集上的整体准确率为75.23%;其中污泥的F1值最高,为0.87,而飞灰和炉渣的F1值则在0.71–0.72之间。该模型在5折交叉验证中的准确率为86.21% ± 0.88%,显示出良好的性能。Fe、Zn、Ca、Mn和Rb被确定为关键鉴别元素,SHAP分析进一步证实了这些元素的贡献作用,主成分分析也对其进行了支持。对未知样本的盲测显示,其Top-1和Top-3准确率分别为70%和100%,体现了该方法在现场应用的可行性。所提出的“元素指纹+随机森林”方法可用于过程监控、非法倾倒溯源以及智能固体废物识别,实现了固体废物类型的快速精准分类,为环境法医溯源提供了新的工具。

引言

固体废物来源于多种渠道,其成分极为复杂,包括残留物、飞灰、炉渣和污泥[1]。根据国家统计局的数据[2],2025年中国固体废物的年产生量已超过44亿吨。不当处置会导致土地占用和环境污染,进而威胁生态系统与人类健康。随着“无废城市”试点工作的推进,固体废物的精准分类、溯源及资源化利用已成为生态环保领域的核心任务[3]。诸如电热生产、非金属矿物制品制造、化学原料生产以及生态环保修复等行业产生的固体废物,其成分往往存在差异,导致不同行业产生的固体废物在物理性质上较为相似,尤其是各种“泥状”废物(如污泥、尾矿和脱硫石膏),仅凭视觉观察或简单的物理检测难以准确区分。这类特性使得依赖感官观测或传统物理筛选的方法难以实现精准分类。因此,为满足环境法医溯源及固体废物监管的需求,亟需开发一种快速、准确且可在现场使用的多类别废物识别技术,并建立标准化的元素指纹库,这已成为环境监管与环境法医领域的重要课题。
便携式X射线荧光光谱仪[p-XRF][7]是一种无损且快速的元素分析技术,无需复杂的样品预处理即可获取多元素信息,非常适合现场快速检测。由于不同行业的生产流程存在差异,各类固体废物会富集特定的特征元素,构建针对不同行业的多元素指纹可为固体废物类别的识别提供理论依据[8][9]。许多类别的固体废物在外观上十分相似,尤其是各种“泥状”废物,仅靠肉眼或简单物理手段无法准确区分,这限制了依靠感官观测或传统物理筛选方法的分类精度。因此,对于这类“泥状”固体废物,亟需将化学指纹技术与机器学习方法相结合,建立高效的识别系统。近年来,数据科学与化学交叉领域的研究为复杂固体废物的相分析及类别识别提供了新方法[10][11][12]。通过系统分析不同固体废物类别的XRF光谱,提取特征元素及其组合模式,我们构建了固体废物的“多元素指纹特征库”,为后续的快速识别提供了数据支持[13]。
然而,p-XRF分析也存在诸多挑战,如数据维度高、特征冗余以及不同废物类别之间的光谱重叠现象,这些因素都使得仅依靠单一元素指标难以实现有效区分[8][14]。随机森林作为一种集成学习算法,在处理高维、含噪声的数据方面具有明显优势,还能对特征重要性进行排序,因此是固体废物识别的有力候选技术[16][17][18][19]。不过,目前仍存在一个重要的研究空白:尚未有系统性研究对比不同机器学习算法在p-XRF多元素指纹分析中的应用效果。鉴于这类数据本身存在类别不平衡以及复杂的非线性相互作用,不同的算法——如支持向量机、神经网络和集成方法——其泛化能力可能存在显著差异。由于缺乏统一的性能基准,难以确定哪种算法最适合在现场应用。为此,本研究不仅构建了多元素指纹识别模型,还开展了系统的多模型对比实验,以明确随机森林的优势及其卓越性能背后的机制。
本研究从7种典型固体废物中收集了543个样本的p-XRF数据,用于构建多元素指纹特征库。通过“元素指纹+随机森林”的组合方法,提取关键特征元素并建立多类识别模型,从而解决数据维度高和类别重叠的问题。同时,通过特征重要性和基于SHAP的可解释性分析,确定了核心的鉴别元素。此外,本研究还采用了主成分分析进行了探索性研究,相关结果见附录,进一步验证了元素关联模式的稳定性。本研究不仅从理论上揭示了不同固体废物的元素分布规律,还提供了一种快速、准确且适用于现场的识别技术,为固体废物的分类管理、溯源监督及智能化治理提供了可靠的技术支撑。

章节节选

样本来源与分类

本研究选取了电力热力生产、非金属矿物制品、化学原料制造以及生态环保修复等行业中的典型固体废物作为研究对象,共收集了543个具有代表性的固体废物样本,涵盖残留物、飞灰、炉渣、尾矿、脱硫石膏、污泥和食物残渣7种类型。这类固体废物大多呈灰黑色或棕色的粉末、颗粒状或泥状

元素含量的统计特征

固体废物中14种元素的统计特征(见表S3)显示,这些元素的含量普遍较低,总体表现为大量元素占主导地位,而微量元素的波动较大。Ca、Fe和K是主要元素,平均含量分别为8.98%、4.19%和0.62%,其余元素则大多处于微量水平,平均含量在0.0011%到0.2767%之间。各元素的变异系数为

结论

本研究通过构建基于多元素的“三位一体”快速识别技术体系,解决了固体废物快速分类与溯源的管理需求,该体系包括指纹构建、模型开发以及验证应用三个部分。主要结论如下:
  • (1)
    建立了固体废物的XRF多元素指纹库。通过Kruskal-Wallis H检验,确定了13种在不同废物类别间存在显著差异的特征元素

环境意义说明

固体废物(如残留物、飞灰、污泥等)中含有Zn、Cr、Cu和As等有害元素,若分类错误或被非法倾倒,将会对环境健康造成威胁。为应对现场快速识别的迫切需求,本研究提出了基于便携式X射线荧光光谱仪的多元素指纹技术,并结合随机森林算法,该技术对7种固体废物类别的Top-1识别准确率为70%,Top-3识别准确率为100%。这种可在现场使用的识别技术为

资金支持

本研究得到了中国国家重点研发计划的支持,项目编号为2024YFC3906401,同时还获得了京津冀区域生态环境综合治理-国家科技重大专项(项目编号2026ZD1211003)的资助。

作者贡献说明

胡浩:撰写——审阅与编辑、可视化分析、验证工作。郑志民:撰写——审阅与编辑、可视化分析、验证工作。黄启飞:撰写——审阅与编辑、研究指导、项目管理、方法设计、资金申请、概念构思。杨金忠:撰写——审阅与编辑、研究指导、项目管理、方法设计、资金申请、概念构思。季媛:撰写——审阅与编辑、验证工作、数据调查、数据整理。赖彦玲:撰写——

利益冲突声明

作者声明存在以下可能被视为利益冲突的财务利益/个人关系:杨金忠表示其研究得到了中国国家重点研发计划(项目编号2024YFC3906401)的资助,同时也获得了京津冀区域生态环境综合治理-国家科技重大专项(项目编号2026ZD1211003)的经费支持。若有其他作者,他们也需进行相应声明

致谢

本研究得到了中国国家重点研发计划的支持,项目编号为2024YFC3906401,该计划属于“化工冶金行业危险废物库存精准溯源与风险控制”(共性关键技术类)项目,具体涉及“危险废物属性识别的数据提取与指纹构建研究”子项目,同时 también获得了京津冀区域生态环境综合治理项目的资助
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号