《Water》:Uncovering the Drivers of Greenhouse Gas Emissions from Hydropower Reservoirs in China Based on Machine Learning
编辑推荐:
中国正在扩大水电装机容量作为应对气候变化的关键战略,但水库温室气体(GHG)排放可能显著抵消这一效益。特定环境驱动因素对这些排放的影响仍 poorly understood( poorly understood:理解不足),且以往研究很少在多因素条件下量化其相
中国正在扩大水电装机容量作为应对气候变化的关键战略,但水库温室气体(GHG)排放可能显著抵消这一效益。特定环境驱动因素对这些排放的影响仍 poorly understood( poorly understood:理解不足),且以往研究很少在多因素条件下量化其相对重要性。为填补这一空白,本研究通过整合G-res模型和IMAGE-DGNM模型,量化了中国79座主要水电站水库的CO2、CH4和N2O排放,这些水库代表了全国60%以上的水电发电量。随后,研究人员采用随机森林(RF)模型评估15个环境驱动因素的显著性和边际效应。结果显示,水库特定属性共同解释了总GHG排放方差的40.37%,水库面积以绝对优势成为主导驱动因素(MDI重要性得分=1.41),远超其他关键变量如NH4+浓度、溶解氧、海拔、水温、流域面积、总磷和气温(所有变量的MDI重要性均>0.5)。偏依赖分析进一步揭示,排放随水库面积扩大、NH4+浓度超过0.15–0.2 mg/L、以及流域面积在360,000–680,000 km2范围内而急剧上升,而溶解氧升高(6–9 mg/L)和较高海拔则抑制排放。本研究超越了简单的排放清单,通过全国范围、数据驱动的方式将水库GHG排放归因于相互作用的环境因素,从而为可持续水电规划提供可操作的见解。
## 研究背景与问题提出
水电被广泛推广为气候友好型能源来源,但其水库产生的温室气体(GHG)排放可能显著抵消其减缓效益。中国拥有约占全球技术水电潜力15%的资源,正积极推进水电扩容以实现碳中和目标,这种水电扩张与减排之间的张力在全球范围具有代表性。全球水库每年估计排放328 Tg CO
2、22 Tg CH
4和24.51 Gg N
2O,约占人为CO
2当量排放的1.3%,与生物质燃烧或水稻种植相当。准确量化水库排放并揭示其驱动因素对于设计有效减缓策略至关重要。
传统量化方法依赖直接测量技术或基于模型的方法。现场测量常遗漏气泡通量和深水排放,而模型更适合大规模系统评估。近期研究已将机器学习应用于预测内陆水体和水库的GHG排放,但主要关注预测精度而非系统分解相互作用环境驱动因素的相对重要性。中国先前的研究多集中于单个水库、特定流域或单一气体,国家尺度评估主要强调排放清单而非环境控制因素的系统性归因。排放表现出显著的时空异质性,源于深度、水温、水位波动、溶解氧、pH和有机物负荷等多重物理和生物地球化学驱动因素的复杂相互作用,但现有评估多依赖单一环境因素与观测通量的相关性分析,无法捕捉驱动因素之间的非线性、协同或拮抗相互作用。因此,中国水电站水库的多气体综合量化与严格归因仍存在明显空白,阻碍了未来气候和土地利用情景下的可靠预测及针对性减缓措施的设计。
### 技术方法
本研究采用三项主要技术方法:首先,基于G-res模型和IMAGE-DGNM模型进行多气体排放量化。G-res模型被IPCC推荐用于量化水库CO
2和CH
4排放,解析CO
2扩散、CH
4扩散、CH
4气泡和CH
4大坝下游脱气等多重途径;IMAGE-DGNM(综合评估全球环境模型-动态全球营养盐模型)是空间显式的过程框架,模拟水、碳、氮、磷从陆地系统到内陆水体的耦合循环,用于估算N
2O排放。其次,运用随机森林(RF)机器学习算法进行驱动因素归因。RF是一种基于Bagging架构的集成算法,本研究使用R软件的RandomForest包实现,将79座水库数据集随机分为训练集(70%,n=55)和测试集(30%,n=24),树数量设为500,通过10折交叉验证调整mtry参数为4,基于平均不纯度减少量(MDI)评估变量重要性。第三,采用偏依赖图(Partial Dependence Plots)揭示单个因素的边际效应,通过保持其他变量不变分析特定变量不同取值时的模型响应。
样本来源于《中国电力年鉴》及相关数据库,筛选装机容量大于500 MW、具有完整参数且覆盖全国主要流域的水电站,最终保留79座水库,涵盖超过60%的全国水电发电量和52%以上的总装机容量。
### 研究结果
**水库GHG排放特征**:2020年79座水库总排放达12.63 Tg CO
2 eq,单库排放从0.14 Gg CO
2 eq yr
?1到2.31 Tg CO
2 eq yr
?1不等。N
2O以74.17%的贡献率主导总CO
2当量排放,CO
2和CH
4分别占18.06%和7.77%。N
2O面积通量中位数(511.79 g CO
2 eq m
?2 yr
?1)显著高于CO
2(225.85 g CO
2 eq m
?2 yr
?1)和CH
4(110.10 g CO
2 eq m
?2 yr
?1)。碳强度(CI)范围为0.006至586.85 kg CO
2 eq MWh
?1(平均34.96±88.26 kg CO
2 eq MWh
?1),93.7%的水库满足IEA低于80 kg CO
2 eq MWh
?1的可持续发展阈值,但5座高碳强度水库平均达324.32 kg CO
2 eq MWh
?1,成为重点减缓目标。
**主要驱动因素与碳强度的相关性分析**:水库年龄与碳强度呈显著正相关,归因于长期泥沙淤积降低水深及发电效率下降;海拔与碳强度呈显著负相关,机制包括低温抑制产甲烷活性,以及高水头带来更高发电效率从而稀释单位排放。
**与以往研究的比较**:本研究明确纳入N
2O排放,提供更全面的GHG足迹评估。N
2O排放强度显著高于以往研究,因先前方法未明确考虑沉积物硝化-反硝化过程的N
2O产出;CO
2排放与基于G-res的先期研究基本一致;CH
4排放较高是因纳入了大坝下游脱气排放,其占总CH
4排放的52.5%。
**随机森林评估结果**:15个环境变量中,水库面积以1.41的MDI得分成为压倒性主导因素,NH
4+爆炸浓度、溶解氧、海拔、水温、流域面积、总磷和气温的重要性均超过0.5。沉积深度、土壤有机碳含量、累积全球水平辐射和有机氮浓度处于中等重要性,而降雨量、平均水深和NO
3?浓度重要性较低。低重要性的原因包括:降雨的双重效应(促进有机物输入与增强CO
2吸收、抑制沉积物分解);平均水深的复杂影响(深水减少CH
4但可能增强底层反硝化N
2O产出);高溶解氧(平均8.7 mg/L)抑制反硝化使N
2O主要来自硝化作用。
**单因素偏依赖图分析**:排放随水库面积扩大、NH
4+浓度超过0.15–0.2 mg/L阈值、流域面积在360,000–680,000 km
2范围、以及水温/气温上升而显著增加,机制在于增强有机物输入与滞留时间、刺激微生物代谢。低总磷(<22 μg/L)时排放随磷增加而升高,超过阈值后趋于稳定。溶解氧6–9 mg/L范围内抑制排放(抑制产甲烷菌、促进甲烷氧化),但超过9 mg/L时因增强硝化导致N
2O排放反弹。较高海拔通过低温、结冰和强紫外线减弱微生物活性和气体扩散而抑制排放。
### 讨论与结论
尽管水电相比化石燃料发电属低碳能源,但水库衍生GHG排放构成不可忽视的气候足迹,尤其在中国水电持续扩张背景下。若不实施适当减缓措施,水库面积扩大和气候变暖可能加剧未来排放。
本研究的创新在于超越简单排放清单,首次将全国多气体综合清单与基于机器学习的驱动因素归因相结合。基于79座覆盖中国主要流域、贡献超60%全国水电发电量的水库样本,研究人员发现显著的GHG排放强度空间异质性,高海拔地区水库通常具有较低排放强度。N
2O是主要排放组分,其次为CO
2和CH
4。RF重要性评估定量证明水库特定属性共同解释总GHG排放方差的40.37%,其中水库面积以MDI得分1.41的绝对优势成为主导驱动因素,其他重要性超过0.5的因素包括NH
4+浓度、溶解氧、海拔、水温、流域面积、总磷和气温。偏依赖图量化的边际效应表明:排放随水库面积扩大、NH
4+浓度升高(尤其超过0.15–0.2 mg/L阈值)、以及流域面积在360,000–680,000 km
2范围内而显著上升,而6–9 mg/L的溶解氧和较高海拔具有显著抑制作用。相比之下,降雨、平均水库水深和NO
3?浓度重要性较低,表明影响有限。研究同时也指出,微生物群落组成、水库年龄、详细调度方案或土地利用动态等未测量变量也可能影响排放,值得未来关注。本研究最终为减少水库GHG排放提供了具有全球启示意义的建议。