同济大学王喜华团队WRR：基于多种深度学习算法的中国水体一氧化二氮排放预测研究

点击上方蓝字关注我们

第一作者：王喜华

通讯作者：王喜华

通讯单位：同济大学土木工程学院

图片摘要

成果简介

近日，同济大学土木工程学院王喜华研究员团队在水文与环境领域著名学术期刊Water Resource Research上发表了题为“Predicting nitrous oxide emission from China’s waterbodies with multiple deep learning algorithms”的论文。本文整合中国主要流域的已有N₂O排放数据，分析干湿季节下的时空变化特征，并采用灰色预测模型（GM）联合多种深度学习算法（LSTM 、GRU、BiLSTM），对未来几年水体N₂O排放通量进行了预测。研究发现，排放存在显著的区域与季节差异，湿地植被可能是影响因子之一。GRU和BiLSTM模型在预测准确性上表现优于传统方法和LSTM模型，能更有效捕捉排放的季节性波动。本研究为理解中国水体N₂O排放的时空格局及其变化趋势提供了新视角，也为相关减排政策和未来研究提供了技术支撑。

引言

一氧化二氮（N₂O）是一种兼具强温室效应与臭氧消耗能力的重要大气微量气体，其百年全球变暖潜势约为二氧化碳的300倍，已成为气候变化研究的关键目标之一。近年来，关于稻田、湖泊、河流等不同水体系统中N₂O排放的研究不断增多，涵盖了热带到寒带等多种气候区域，极大地丰富了我们对内陆水体碳氮循环过程的认识。尽管如此，针对大尺度，尤其是国家层面的水–气界面N₂O排放评估仍十分有限。在中国这一水系分布广泛、气候类型复杂的国家中，缺乏系统、全面的预测研究，已成为限制N₂O减排和管理策略制定的重要瓶颈。传统预测方法多聚焦于土壤系统或特定水体类型，且通常难以兼顾模型精度与适用范围。而随着人工智能与数据驱动方法的发展，深度学习等新兴技术已在温室气体排放预测中展现出巨大潜力。为弥补当前研究空白，本文整合了全国范围内的水体N₂O排放观测数据，分析其在干湿季节下的时空变异特征，并引入灰色预测模型与多种深度学习算法（如LSTM、GRU、BiLSTM），构建混合建模框架，对未来排放趋势进行预测。研究成果有助于提升我国对N₂O排放的认知水平，为区域差异化减排政策的制定提供科学依据，也为国家层面的温室气体管理与气候应对提供数据支撑与方法参考。

图文导读

中国水体N₂O排放通量的空间分布特征

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。

小结

本研究首次在全国尺度上系统评估了中国淡水系统中N₂O排放的时空分布特征与未来演变趋势，覆盖了从热带到寒温带的多样气候区。结果显示，长江流域（YZR）、松辽流域（SL）和东南流域（SE）为当前N₂O通量的主要高值区，呈现明显的“东南高、西北低”空间格局。在时间尺度上，大多数流域表现出显著的季节性波动，湿季排放普遍高于旱季，唯有黄河流域（YR）呈现相反趋势，可能与其独特的湿地生态系统调节作用有关。

相关性分析表明，N₂O排放通量与水体中氮素和有机碳浓度（如NO₃⁻-N、NH₄⁺-N 、DOC）存在显著正相关，而与溶解氧（DO）呈负相关，突出了反硝化过程在排放机制中的主导作用。在未来趋势预测中，深度学习模型表现出较强的适用性，其中BiLSTM模型在刻画非线性时间序列变化方面最为优越，整体预测精度优于GRU与传统LSTM模型。模型预测显示，未来三年中，超过一半的流域将面临N₂O排放维持高位或持续上升的风险，尤其是YZR与SL流域的排放压力值得警惕。

基于上述结果，建议加强以下三方面管理策略：（1）对高风险流域实施针对性和动态化的氮素减排干预措施；（2）从源头减少农业和城镇污水中人为氮输入，作为缓解N₂O排放的关键抓手；（3）构建覆盖更广、响应更快的水质长期监测系统，以支持模型实时校准与精准预警。在数据匮乏与气候脆弱性共存的区域，结合人工智能模型的动态预测能力，有望提升水环境治理的前瞻性与适应性。

总体而言，本研究为理解中国内陆水体温室气体排放提供了重要的时空图谱，并验证了基于AI模型的N₂O预测方法在环境管理中的应用潜力，为未来水资源可持续管理提供了科学支撑。

本研究得到了国家重点研发计划（2023YFC3707700）、中央高校基础研究基金、上海市海外高层次人才计划和上海市领军人才（海外）计划的资助。

作者简介

王喜华：同济大学土木工程学院水利工程系研究员，水利工程系教授专业委员会委员，博士生导师，独立PI, 水资源与水环境污染治理学科组组长，上海市领军人才（海外）。中国科学院大学理学博士，加拿大滑铁卢大学地球与环境科学学院博士后。获《科学中国人》专访人物（2023），入选2024“年度科技人物”（科技新锐），获水利部大禹奖3等奖。主要研究领域为：（1）多尺度地表水-地下水系统（SW-GW）交互作用；（2）“三氮/碳磷”在SW-GW中的迁移、转化以及溯源研究；（3）人工智能算法及数据驱动模型研究；（4）地下水资源管理研究等。任国际水文地质学家学会（IAH）及中国地质学会（GSC）等四个学术机构委员。出版学术专著两部。在WRR、JCP、JHM、STOTEN、JOH、EI、JEM、ER、HP、WARM等国际学术期刊文章发表40余篇，主持和参与国家重点研发计划项目、国家公益性环境地质调查项目、中央高校基本科研业务费项目以及河北省自然基金项目等。任《Water》、《水资源保护》期刊编委。共担任40余本国际水文、水资源及地质环境领域著名SCI学术期刊的审稿人。

吕沁雅，现于同济大学土木工程学院水利工程系攻读硕士，导师是同济大学土木工程学院水利工程系研究员王喜华。主要研究方向为水资源及水环境污染。此前，于2022年毕业于广州大学土木工程学院给排水科学与工程专业，本科期间曾多次获得国家励志奖学金，校一等奖学金等，以及校先进个人、校优秀学生干部，优秀团员等荣誉称号。进入同济大学深造后，专注于水资源和水环境污染治理研究，目前在Water Resource Research和Science of the Total Environment上各发表SCI论文一篇。此外，作为业务骨干深度参与了国家重点研发计划“在产医药化工园区土壤-地下水污染风险防控与原位协同修复”（2023YFC3707700）的子课题，负责开展特征污染物室内多介质界面模拟研究。

文章链接：

https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2025WR040670

投稿、合作、转载、进群，请添加小编微信Environmentor2020！环境人Environmentor是环境领域最大的学术公号，拥有20W+活跃读者。由于微信修改了推送规则，请大家将环境人Environmentor加为星标，或每次看完后点击页面下端的“在看”，这样可以第一时间收到我们每日的推文！环境人Environmentor现有综合群、期刊投稿群、基金申请群、留学申请群、各研究领域群等共20余个，欢迎大家加小编微信Environmentor2020，我们会尽快拉您进入对应的群。