全国范围内淡水系统N₂O通量的空间分布呈现出显著的地域性差异，体现为
“东高西低，南高北低”的空间梯度。通量最高的为西南流域（SW），平均排放达 68.71 ± 102.62 μg·m⁻²·h⁻¹，而最低的黄河流域（YR）仅为 13.95 ± 27.15 μg·m⁻²·h⁻¹。从高到低的通量排序如下：西南流域（SW） > 海河流域（HA） > 东南流域（SE） > 淮河流域（HU） > 长江流域（YZR） > 珠江流域（PR） > 黄河流域（YR）。这种分布特征与流域的气候条件、土地利用方式、水体营养状况、人口密度及工业农业发展水平密切相关。
东部与南部流域（如YZR、SE、HA）：农业密集、人口稠密，氮肥施用量大，加之城市污水、工业废水排放频繁，使水体氮负荷显著升高，增强了微生物的硝化和反硝化过程，从而提升了N₂O排放。西部与北部地区（如YR、SL）：土地开发程度相对较低，水体流速快且温度偏低，抑制了微生物活性，导致排放水平较低。此外，在松辽（SL）、珠江（PR）、海河（HA）及长江下游（YZR）等流域还观察到了负N₂O通量，即水体从大气中吸收N₂O。这一现象可能与流域内湿地覆盖度较高有关。湿地生态系统中植物根系的氧输送、碳释放以及土壤厌氧状态有助于反硝化过程完整进行，使得最终产物从N₂O转化为N₂
，从而降低或逆转了气体排放方向。
尤为值得注意的是，高通量热点区域（超过500 μg·m⁻²·h⁻¹）主要集中在长江下游及沿海经济带，如太湖流域、上海及周边区域，这些区域经济发达、氮输入强度高、人为扰动频繁，是典型的“水-氮-碳”耦合压力区。
中国各流域水体N₂O排放通量的时间分布特征
在时间尺度上，N₂O通量普遍存在季节性波动。分析表明，多数流域在雨季的N₂O排放水平显著高于旱季：雨季通量范围：9.981–89.025 μg·m⁻²·h⁻¹；旱季通量范围：4.229–78.633 μg·m⁻²·h⁻¹。这种差异主要受到以下几个方面的影响：水温升高增强微生物活性：雨季期间气温普遍较高，促进水体中硝化菌与反硝化菌的活性，增强N₂O的微生物产生；降水带来的氮素输入：暴雨和面源径流将土壤中的硝酸盐、氨氮等溶解性氮带入水体，增加了底层水中的可利用氮源；水力扰动提升气体释放速率：雨季径流增大、水位波动增强、水体扰动加剧，均可促进水-气界面N₂O的扩散。
中国淡水系统中N₂O排放的潜在驱动因子相关性分析
然而，并非所有流域都遵循上述规律。例如，黄河流域（
YR）在旱季的N₂O通量反而高于雨季。这可能与该区域湿地覆盖度高、植被类型丰富有关。湿地植物可通过以下方式调控N₂O排放：根际分泌物改变微生物群落结构；植物通气组织作为气体传输通道，影响N₂O的释放路径；湿地表层土壤中形成强烈的厌氧环境，有利于完全反硝化至N₂，减少中间产物N₂O的积累。类似的趋势也出现在长江流域（YZR）部分湿地采样点中，即湿地水体在雨季N₂O通量反而低于旱季。但由于全国范围内湿地样点所占比例较低，因此在整体趋势上，仍以“雨季高、旱季低”为主。
基于LSTM模型的流域尺度N₂O通量预测示意图
长短期记忆网络（LSTM）作为经典时间序列模型，具有一定的时序学习能力。然而本研究发现，其在预测N₂O通量方面存在如下问题：稳定性较差：特别是在多步迭代预测（multi-step forecasting）中，误差逐步放大；趋势判断失误：如在海河（HA）流域预测出“先降后升”的异常波动，实际历史数据并无此趋势；误差较高流域：珠江（PR）与黄河（YR）预测结果偏差大，相关性较低。
总体而言，LSTM更适用于通量变化幅度小、趋势稳定的流域，但在捕捉非线性与周期性变化方面存在明显不足。
基于GRU模型的流域尺度N₂O通量预测示意图
长短期记忆网络门控循环单元网络（GRU）相较于LSTM结构更简洁，参数更少。本研究结果显示：周期性捕捉能力强：多数流域（如SL、SE、HU）预测结果呈现明显的周期波动；拟合效果优异流域：淮河（HU）与长江流域（YZR）预测趋势与历史数据高度一致；缺陷区域：在珠江（PR）等数据稀疏流域表现波动性大，对极值点较为敏感；过拟合风险：在样本数量不足的情况下容易对训练数据过度依赖。GRU在样本充足、周期性明显的流域中具备良好的预测能力，适合中短期趋势的动态分析。
基于BiLSTM模型的流域尺度N₂O通量预测示意图
双向LSTM（BiLSTM）在本研究中表现最为优异，是三种模型中综合性能最强的一种：趋势平滑、稳定性强：如东南流域（SE）和松辽（SL）预测结果呈现清晰、连贯的周期性上升趋势；误差最小：长江（YZR）、海河（HA）、黄河（YR）等主要流域在2026–2028年预测误差普遍控制在10%以内；可解释性增强：能同时利用历史数据的前后序列信息，更好识别潜在的季节性规律；预测亮点：YZR流域的峰值通量位居全国之首，PR与YR等流域则显示出显著下降趋势，并在2028年出现负值预测。BiLSTM的建模结果显示出对非线性、多波动、季节变化的良好适应性，是未来复杂环境因子预测中推荐使用的架构。
基于预测模型的N₂O排放通量区域流向图（2026–2028）
从总量预测角度来看，三种深度学习模型（LSTM、GRU、BiLSTM）在全国尺度对未来三年（2026–2028年）淡水系统N₂O
排放总通量的预测结果存在一定差异。总体趋势显示，中国淡水系统的N₂O排放总量呈轻微下降态势，但各模型在不同流域的表现差异，进而影响其对全国总量的判断。具体而言，LSTM模型在多个流域（如YR、HU、HA）中预测出明显的通量下降趋势，尤其是在黄河与淮河流域，未来N₂O排放近乎归零甚至出现负值，导致其对全国总排放的预测值最低。但LSTM在长期预测中出现波动性大、异常值敏感的问题，整体预测精度相对较低。GRU模型对多数流域的排放预测更具周期性与稳定性，通量波动幅度较小，表现出相对平稳的总量变化趋势。尽管在珠江流域（PR）等数据稀缺区域存在一定误差，但GRU对全国排放总量的预测更为中性，未出现极端下降或上升。相比之下，BiLSTM模型在预测全国N₂O排放总量方面表现最为稳健与可信。其在多个流域（如SL、SE、YZR）中识别出季节性周期波动，并有效避免了异常值导致的预测偏差。BiLSTM预测显示全国排放总量将略有下降，部分流域（如YZR）虽仍贡献较高通量，但整体趋势趋于平缓。此外，BiLSTM预测中不再出现像LSTM那样的大幅负值，提升了全国尺度总量预测的可信度。
