厌氧发酵技术是最具发展前景的有机废弃物资源化利用技术之一, 其研发与利用在国内外都已广泛开展。 在有机废弃物厌氧发酵过程中, 通常采用生化甲烷潜力(BMP)表示物料的厌氧降解能力。 传统BMP的测定方法存在成本高、 耗时长等缺点, 因此提出了利用近红外光谱分析技术快速预测有机废弃物的生化甲烷潜力(BMP), 采用遗传算法(GA)结合支持向量机(SVM)建立函数模型, 对有机废弃物生化产甲烷潜力进行预测。 实验收集了64份水生植物和能源藻类生物质, 样品BMP原始数据通过自行搭建的产甲烷潜力实验平台获得, 同时, 利用傅里叶近红外光谱仪获取样品的近红外光谱数据。 首先, 对光谱数据进行预处理后在全谱区范围内分别建立主成分回归(PCR)、 偏最小二乘法(PLS)和递归指数偏最小二乘法(RPLS)模型, 将原始BMP数据与光谱数据建立关联, 从而实现水生植物和能源藻类BMP的快速预测。 结果表明, 在全谱区上, 递归指数偏最小二乘能够解决传统偏最小二乘法的抗粗差效果差, 易受不良数据影响等问题, 该方法可以提高模型的稳定性, 但响应速度慢、 计算效率低, 在此基础上提出遗传算法(GA)结合支持向量机(SVM)的机器学习方法, 该方法具有良好的全局搜索能力, 适用于小样本情况, 避开了从归纳到演绎的传统过程, 剔除了大量冗余样本信息, 算法简单且具有良好的鲁棒性。 结合近红外光谱频带分配可知, 利用遗传算法(GA)筛选出1 404个波长点, 大致可划分为3个代表性波段, 因此在所选取的波段利用支持向量机建立回归模型。 依据模型评价结果可知, 采用遗传算法和支持向量机所建立的预测模型不仅简化了数据规模, 同时还能提高模型预测精度, 其预测均方根误差(RMSEP)为10.32 mL, 相关决定系数(R2)为0.92, RPD为6.56, 与常规的PLS和RPLS算法建模相比, RMSEP分别减少了19.56和14.81 mL, R2分别提高了0.06和0.04, RPD分别提高了4.31和3.85。 结果表明, 采用GA-SVM算法建模预测有机废弃物生化甲烷潜力的模型准确度较高, 可以代替传统的BMP测定方法, 满足快速检测的需要。