当前生物质供应链面临诸多挑战，这些挑战影响了其在可再生能源和可持续发展方面的效率和效果，例如原料的多样性、质量不稳定、物流难题和运输成本（Gold和Seuring，2011年）、储存和保存问题（Rentizelas等人，2009年）、季节性变化以及供应波动（Iakovou等人，2010年）、缺乏标准化的评估方法（Lewandowski和Faaij，2006年）、与粮食作物的竞争以及土地使用问题（Yue等人，2014年），还有经济可行性和规模扩展方面的问题。从物流角度来看，生物质原料通常分布在大面积区域内，因此需要高效的收集和运输系统（Nunes等人，2020年）。
许多生物质来源的农村地区缺乏足够的运输基础设施。运输成本随距离增加而显著上升，这影响了生物质项目的经济可行性（Akhtari等人，2014年）。这些因素使得运输成为生物质供应链总成本的重要部分，通常占总交付成本的20%至50%（Yue等人，2014年；Eskandarpour等人，2015年；Mafakheri和Nasiri，2014年；Sharma等人，2013年）。
廖内省位于印度尼西亚苏门答腊岛的中东部海岸，以其丰富的农业和林业资源而闻名，这些资源为其生物质利用潜力奠定了基础。廖内省是印度尼西亚最大的棕榈油生产省份之一（Simangunsong等人，2017年）。除了棕榈油外，该地区还产生其他作物的生物质废弃物，如稻壳、橡胶、椰壳、纸浆和甘蔗渣。
建立专门的收集点（CP）对于有效收集和预处理生物质废弃物、充分发挥其作为能源的潜力至关重要（Morato等人，2019年）。这些集中式设施有助于整合来自多个工厂的散落生物质废弃物，实现规模经济，为后续加工操作创造条件。先前的研究表明，异质性生物质废弃物需要系统性的评估和适当的预处理策略，以提高其下游使用的适用性，这突显了在物流优化之前进行结构化生物质资源评估的重要性（Abdellah等人，2024年）。在这些收集点，可以系统地实施关键预处理步骤，如减小体积、干燥以将水分含量从约65%降低到20%以下（Oyedeji和Fasina，2017年），以及通过造粒或压块等方式实现密度集中，从而将原始生物质废弃物转化为具有更好处理性能、运输和燃烧特性的标准化生物燃料原料（Sarker等人，2022年）。此外，这些战略性的设施有助于克服高水分废弃物的物流挑战，同时降低运输成本，并确保整个生物质供应链的质量控制一致性，最终提升生物质能源利用的经济可行性。
物流和原料收集一直是生物质利用系统中的主要成本组成部分，表明对生物质来源进行空间优化聚类对于提高经济可行性和供应链效率至关重要（Abdellah等人，2024年；Abdellah等人，2025a）。研究人员广泛采用了传统的空间聚类方法来绘制生物质能源资源分布图。如图1所示，有多种传统的聚类方法。K-Means及其空间变体已被广泛应用于地理数据分析，其中对空间连续性和邻域关系进行了改进（Brus等人，2006年）。K-Means及其空间变体被用来分析生物质资源的潜力，旨在减少各组内元素之间的距离（Sangalli等人，2010年）。文献中的实证证据表明，基于K-Means的聚类方法通常能够降低约8%至15%的运输成本，主要是通过优化重心分配实现的（Perpiñá等人，2009年）。然而，这种方法往往忽略了空间密度差异，导致聚类结果较为松散且包含空间异常值。随后出现了基于密度的聚类方法，这些方法根据高密度区域与低密度区域之间的差异对数据进行分组。基于密度的聚类有两种标准算法：带有噪声的应用空间聚类（DBSCAN）和用于识别聚类结构的排序点方法（OPTICS）（Duan等人，2007年）。
在完成生物质资源潜力分析后，物流优化成为将理论上的生物质可用性转化为经济可行能源系统的关键步骤（Abdellah等人，2025b；Malladi和Sowlati，2018年），通过有效协调供应链中的收集、预处理、运输和转化活动来实现这一目标。数学规划方法经常被用来解决这一优化问题，其中线性规划（LP）可以在简化条件下确定最优的生物质流动和设施容量（Sharma等人，2013年）。混合整数线性规划（MILP）通过纳入关于设施位置、技术选择和运输方式的离散决策（Alemany等人，2018年）扩展了这些方法的能力。对于涉及多个时期、不确定因素或非线性关系的复杂情况，研究人员采用了更复杂的非线性规划（NP）模型，这些模型能够更好地反映现实世界的复杂性，如规模经济、季节性生物质供应和不同的转化效率（Hernandez-Romero等人，2024年）。然而，这些模型通常需要专门的求解算法，因为计算强度较高。战略性地应用这些数学优化框架可以帮助决策者最小化总系统成本，减少环境影响，并提高生物质能源供应链的整体可持续性（Kumar和Sowlati，2025年），同时调整初始映射阶段识别的空间分布模式。
以往关于生物质废弃物物流的研究大多独立应用聚类技术，如基于质心的K-Means方法或基于密度的DBSCAN方法来识别空间模式和分组资源位置。然而，这两种互补的聚类方法的集成应用在优化生物质废弃物物流方面仍然有限，尤其是在印度尼西亚这样的区域尺度评估背景下，该地区的空间异质性和数据变化较大。为填补这一研究空白，本研究提出了一个顺序K-Means–DBSCAN聚类框架，结合了两种方法的优点，并将聚类结果与线性规划优化模型相结合，从而实现更稳健且具有空间适应性的生物质废弃物资源评估和优化方法。
