中国水体氧化亚氮(N2O)排放的多模型深度学习预测与时空格局解析

这篇综述创新性地运用灰色预测模型(GM)耦合长短期记忆网络(LSTM)、门控循环单元(GRU)和双向长短期记忆网络(BiLSTM)等深度学习算法，首次在全国尺度上预测了中国水体氧化亚氮(N2O)排放通量，揭示了从亚热带到寒带流域的显著空间异质性（西南流域最高达68.71±102.62 μg m?2 h?1）和干湿季动态特征，为区域温室气体管控提供了算法支持和科学依据。

　　

中国水体氧化亚氮排放的深度学习预测与机制解析

Abstract

研究首次整合全国710组观测数据，发现中国水体N₂O排放存在显著空间梯度：西南流域(68.71±102.62 μg m^?2 h^?1) > 海河流域(49.03±66.37) > 东南流域(40.05±34.04)，其中黄河流域最低(13.95±27.15)。除黄河流域外，多数区域湿季排放量较干季提升30%-50%，暗示水文过程对微生物硝化-反硝化作用的显著影响。

1 Introduction

作为全球增温潜能值达CO₂ 300倍的强效温室气体，N₂O水-气通量预测长期受限于数据碎片化和模型普适性。本研究突破传统土壤排放模型框架，通过融合灰色系统理论与深度学习算法，构建了适用于复杂水文系统的多尺度预测体系。

2 Materials and Methods

数据采集覆盖2002-2024年全国109项研究，采用ArcGIS 10.0进行30米分辨率流域划分。创新性地设计了三类耦合模型：GM(1,1)-LSTM、GM(1,1)-GRU和GM(1,1)-BiLSTM，其中BiLSTM设置500个隐藏层节点，采用Sigmoid-Tanh激活函数和Adam优化器（学习率0.001），通过时间步长1:end-1的序列训练捕捉季节性波动。

3 Results

3.1 空间格局

长三角地区出现>500 μg m^?2 h^?1的排放热点，与当地氮肥施用强度(r=0.76)和GDP水平显著相关。黄河湿地植被使干季排放反超湿季34%，体现生态系统调节作用。

3.2 预测性能

BiLSTM在松辽流域展现最优预测精度(R²=0.69，RMSE=1.008)，较LSTM提升48%。珠江流域因数据稀缺导致预测误差达18.735 μg m^?2 h^?1，凸显数据质量对深度学习的关键影响。

4 Discussion

4.1 驱动机制

水温每升高1°C可使微生物活性提升15-20%，解释东南流域湿季排放峰值。太湖藻华区氮滞留使N₂O通量达湖心区的3.2倍，证实人为氮输入的核心驱动作用。

4.2 模型比较

BiLSTM双向编码结构对不规则波动的捕捉能力优于GRU（如淮河流域周期震荡预测误差减少41%），而LSTM在长期迭代中易产生梯度消失问题。

5 Conclusions

研究建议优先管控长三角等高风险流域，通过农业面源减排和湿地修复实现双碳目标。建立的BiLSTM预测框架为动态环境治理提供了可解释的AI工具，未来需加强寒区水体监测以完善模型泛化能力。