《Water Research》:From fixed to condition-dependent emission factors: probabilistic tabular learning for wastewater N2O inventories
编辑推荐:
Jia-ji Chen|Hong-Cheng Wang|Wan-Xin Yin|Yu-Qi Wang|Jia-qiang Lv|Wen Wang|Ai-Jie Wang中国科学院生态环境研究中心环境生物技术重点实验室,中国北京市海淀区双清路18号,邮编100085摘要在温室气体清
Jia-ji Chen|Hong-Cheng Wang|Wan-Xin Yin|Yu-Qi Wang|Jia-qiang Lv|Wen Wang|Ai-Jie Wang
中国科学院生态环境研究中心环境生物技术重点实验室,中国北京市海淀区双清路18号,邮编100085
摘要
在温室气体清单中,可靠估算废水处理过程中产生的一氧化二氮排放量仍是一项重大挑战。目前的清单编制方法通常依赖静态的、与具体场所无关的排放因子,然而有证据表明,实际废水处理系统中的一氧化二氮排放具有间歇性,且不同的监测方法会导致排放因子出现非线性且严重偏斜的数值。在此,我们提出了DynEF-PFN这一基于过程特征和监测规则的表格学习框架,可用于从稀疏、部分观测到且非高斯分布的数据中估算出与具体过程相关的概率型排放因子。该框架通过结构化的先验信息来规范采样不足的运行区域,同时以现有文献数据作为评估的实证基础。在多种不同的废水处理工艺中,DynEF-PFN在原始排放因子尺度上取得了较高的预测精度(平均绝对误差为0.306,均方根误差为0.624,决定系数为0.931),其准确度、覆盖范围和精确性均优于CatBoost及其他具备区间估计功能的概率模型。通过将排放因子分布与监测环境、工艺配置以及曝气或质量传递参数相结合,DynEF-PFN能够将报告出的排放因子视为受运行条件和监测环境共同影响的动态估计值。在基于路径的清单编制中,这种条件依赖型的排放因子能够重新分配不同处理途径的相对贡献,还能揭示出固定因素往往无法显现的工艺特异性偏差。因此,DynEF-PFN为生成符合政府间气候变化专门委员会第三级标准的、与具体过程相关的废水处理过程中一氧化二氮排放因子提供了可行框架,有助于构建更可靠的温室气体清单并确定更有效的减排优先级。
引言
一氧化二氮是一种强效温室气体,其100年全球变暖潜能值约为二氧化碳的273倍(Allen等人,2016;Cui等人,2024)。目前,废水处理领域的一氧化二氮排放量日益增加,也成为各国温室气体清单中存在较大不确定性的来源之一(Huang等人,2023;Shang等人,2024)。准确量化废水处理系统中的一氧化二氮排放量,对于完善城市水系统的温室气体核算工作(He等人,2025;Hua等人,2022;Yang等人,2017),以及制定有效的气候减缓策略(Allen等人,2016;Cui等人,2024;Yan等人,2025a)具有重要意义。然而,目前国际气候变化专门委员会推荐的排放因子大多采用静态的、与具体场所无关的自上而下的计算方法(de Haas和Andrews,2022;Song等人,2024b)。这些排放因子源自有限且种类繁多的数据集,其数值往往与实际废水处理系统中的观测值相差数个数量级(Li等人,2024a;Song等人,2024a)。随着各国加速实现低排放和净零排放目标的进程,这种方法的局限性愈发明显(Li等人,2022b)。
出现如此大的差异,主要是因为生物脱氮过程中一氧化二氮的产生具有条件依赖性。一氧化二氮的排放具有很强的间歇性,且严重依赖于工艺配置和运行条件(Bhunia等人,2010;Kampschreur等人,2009;Law等人,2012;Song等人,2024a)。温度、溶解氧、碳含量以及氮负荷等参数之间存在非线性相互作用(Blomberg等人,2018;Li等人,2024b;Santoro等人,2011;Sweetapple等人,2013;Tian等人,2020;Yang等人,2017),从而导致不同处理单元内部以及不同处理单元之间的甲烷生成途径发生动态变化(Roothans等人,2025;Yan等人,2025b)。如果将排放因子视为固定常数,就无法体现这些不断变化的调控机制,进而可能从工厂层面到国家层面的清单编制中都产生系统性偏差(Czepiel等人,1993)。
现有实证数据的质量和一致性进一步加剧了这一问题。不同的监测方法在频率、持续时间和操作方式上存在很大差异,既有基于溶解相的推断方法,也有直接测量气相浓度的方法(Delre等人,2017;Duan等人,2020;Gruber等人,2020;Yoshida等人,2014)。许多关键元数据往往缺失,而且不同研究用于计算流量值的假设也存在很大差别。这些不一致性会引入与监测方法相关的系统性偏差,其幅度可能与真实的生物过程变异相当(Domingo-Félez等人,2024;Komhyr等人,1988;Massara等人,2017),还会带来无法消除的不确定性,已有研究显示这类不确定性的下限约为10.6%(Domingo-Félez等人,2024)。因此,现有的数据集往往十分稀疏、噪声较多且差异巨大,有效样本量相对于协变量的维度来说明显不足。传统的统计和机器学习方法通常假设数据是密集的、独立同分布的,且误差结构较为简单(Domingo-Félez等人,2024;Khalil等人,2023;Li等人,2024a;Li等人,2022a),因此难以在不同监测方法和工艺技术之间进行通用化应用(Hwangbo等人,2021)。此外,这类方法也无法得出具有空间明确性的排放估算值,往往无法捕捉到一氧化二氮排放分布的正偏态和重尾特征(Conthe等人,2019;Stein,2019;Vasilaki等人,2019)。基于层次贝叶斯模型的方法虽然能够通过部分池化和不确定性传播来很好地处理异构的环境数据,但在这种场景下却很难得到稳健的应用,因为需要在一个统一的建模框架内同时解决样本稀疏、缺失的描述参数、混合变量类型、非线性相互作用以及因监测方法不同而产生的不一致性问题(Steinschneider和Lall,2015;van de Schoot等人,2021)。
因此,有必要改变以往将排放因子视为固定值或仅与特定工艺相关的常数的思路,转而在小样本、存在偏差且数据非高斯分布的情况下,将其视为受各种条件影响的变量来估算。此处所说的条件依赖型排放因子估算,指的是报告出的排放因子分布会随着工艺配置、运行参数以及监测环境的不同而出现系统性变化。这一定义将清单中把排放因子视为按负荷标准化的乘数这一概念,与实际情况相契合——因为在不同的处理和监测条件下,这个乘数数值确实会发生变化。
为了解决这一缺陷,我们开发了DynEF-PFN这一基于过程特征的表格学习框架,它能够将先前的工艺知识与多元化的监测数据相结合。该模型利用随机森林替代模型提供的结构化先验信息来规范运行空间中采样不足的区域,同时仍以现有文献数据作为评估的依据。在国际气候变化专门委员会更高层级的清单编制工作中,DynEF-PFN可作为条件型排放因子生成模块:当拥有当地的工艺、运行、监测以及相关活动参数时,它就可以为清单编制生成针对特定工艺的概率型排放因子。
章节节选
方法
本研究基于一个经过系统整理的、来自文献的一氧化二氮排放因子数据集,这些数据来自涵盖多种不同处理工艺、运行条件以及监测方法的规模化及中试规模的监测研究(图1)(Song等人,2024a)。
不同工艺间的差异性以及长尾型排放特征
现有文献中报道的一氧化二氮排放因子存在显著的差异性(Delre等人,2017;Flores-Alsina等人,2025;Hwangbo等人,2021;Song等人,2024a),不同研究之间的数值差异可达一个数量级以上。所整理出的排放因子分布包含了不同研究或监测活动所报告的排放因子数值,同时也综合考虑了不同的处理条件和监测设计因素。在对数10尺度上,这些排放因子分布呈现不对称且重尾的特征,其偏度为-0.82,超额峰度为
基于清单需求的条件依赖型排放因子的工艺路径转换
为展示条件依赖型排放因子分布如何转化为清单编制中的数值,我们将不同评估情景下的点预测结果进行汇总,从而得到与具体工艺相关的DynEF排放因子分布,并将其与采用固定因子的对应分布在工艺层面进行比较(图6)。这种标准化的转换方法通过按工艺对总氮负荷进行标准化处理,从而能够明确排放因子选择对不同处理路径的贡献程度以及不确定性传播的影响。
相比之下,序批式反应器、部分
数据可用性
本研究的分析基于Song等人于2024a年报告的文献数据集。本研究使用的伪代码详见补充信息文本S3,而额外的验证结果及敏感性分析内容则见文本S4以及表S1至表S6。
作者贡献
Jia-Ji Chen:概念构思、方法设计、论文撰写、内容整理、可视化处理。Hong-Cheng Wang:项目指导、资源协调、概念构思、论文审阅与修改。Wan-Xin Yin:论文审阅与修改、讨论部分的撰写与建议提供。Jia-Qiang Lv:论文审阅与修改、讨论部分的撰写与建议提供。Yu-Qi Wang:论文审阅与修改、讨论部分的撰写与建议提供。Wen Wang:讨论部分的撰写与建议提供。Ai-Jie Wang:
补充信息
补充信息部分包含文本S1至文本S4、图S1至图S3以及表S1至表S6。基准对比结果见文本S2,伪代码见文本S3,额外的验证结果及敏感性分析内容见文本S4。
未引用参考文献
Allen等人,2025;El Abbadi等人,2025;Finn等人,2017;Muller等人,2022;Hollmann等人,2023;Garnelo等人,2018;Andersson等人,2023;Vaughan等人,2022;Vinyals等人,2016
CRediT作者贡献说明
Jia-ji Chen:论文审阅与修改、论文初稿撰写、验证工作、软件开发、方法设计、正式分析、数据整理、概念构思。Hong-Cheng Wang:项目指导、项目管理工作、资金申请。Wan-Xin Yin:论文审阅与修改、概念构思。Yu-Qi Wang:论文审阅与修改、概念构思。Jia-qiang Lv:论文审阅与修改、概念构思。Wen Wang:论文审阅与修改、概念构思。Ai-Jie Wang:论文审阅与
利益冲突声明
作者声明,他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。
致谢
我们衷心感谢中国国家自然科学基金委员会(项目编号:52321005、52293445)、深圳市科技计划项目(项目编号:JCYJ20241202123900001)以及中国国家重点研发计划(项目编号:2023YFC3207101)给予我们的财政支持。