一种预测河流溶解N2O浓度的机器学习方法技术

本发明专利技术公开了一种预测河流溶解N2O浓度的机器学习方法，包括以下步骤：计算目标流域各区域的N2O溶存浓度，根据N2O溶存浓度进行各区域N2O浓度分组；分别获取目标流域的宏观特征、环境物理化学指标与微观特征并作为解释变量，将各区域的N2O浓度分组结果作为响应变量，构建数据集分别训练对应的分类模型，选取分类效果最好的分类模型对应的解释变量，将N2O溶存浓度作为响应变量，构建新的数据集训练回归模型；从解释变量中筛选最优参数，使用最优参数训练最优回归模型，根据最优回归模型预测的N2O溶存浓度计算N2O排放通量预测值。本发明专利技术在提升N2O浓度预测精度的同时，揭示微生物对N2O生成的关键调控机制。

【技术实现步骤摘要】

本专利技术涉及环境，尤其涉及一种预测河流溶解n2o浓度的机器学习方法。

技术介绍

1、氧化亚氮(n2o)是一种重要的温室气体，其温室效应潜力远高于其他温室气体，对全球变暖具有显著贡献。因此，n2o的排放已成为全球变暖研究中的关键议题。n2o广泛存在于天然和人为改变的水体中，n2o在水体中的生成、转化和消耗过程受多重因素调控，包括氮输入、微生物活动(硝化/反硝化)、环境条件(溶解氧、温度、ph)、水文特征(流速、水位)及底泥特性(有机质、颗粒大小)。其中，氮素作为关键底物，通过微生物代谢驱动n2o的生成与排放。n2o基本上通过微生物硝化作用和不完全反硝化生成。据估计，河流n2o的排放为254.9±46.2gg n yr-1，占全球内陆水体n2o排放(319.6±58.2gg n yr-1)的79.8％。因此，监测河流n2o的浓度，并及时采取相应的减排措施，对生态环境保护具有重要意义。目前，传统的n2o的监测方法是顶空气相色谱法(hs-gc)，这种方法基于水样采集测量，适合痕量n2o的精确检测，但时空分辨率低，且易受基质效应干扰，且只能获取空间离散的数据，难以本文档来自技高网...

【技术保护点】

1.一种预测河流溶解N2O浓度的机器学习方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的预测河流溶解N2O浓度的机器学习方法，其特征在于，计算目标流域各区域的N2O溶存浓度时，具体是在目标流域各区域的采样点采集水体样本，将水体样本通过硅胶管以最小的湍流缓慢排入样品瓶底部，水体样本装满样品瓶后让水溢出以避免大气中的N2O污染水样，然后向样品瓶注入HgCl2直至最终浓度为0.5％v/v以抑制微生物活性，将样品瓶低温保存并采用顶空平衡-气相色谱法测定样品瓶的水中溶解态N2O。

3.根据权利要求1所述的预测河流溶解N2O浓度的机器学习方法，其特征在于，获取目标流...

【技术特征摘要】

1.一种预测河流溶解n2o浓度的机器学习方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的预测河流溶解n2o浓度的机器学习方法，其特征在于，计算目标流域各区域的n2o溶存浓度时，具体是在目标流域各区域的采样点采集水体样本，将水体样本通过硅胶管以最小的湍流缓慢排入样品瓶底部，水体样本装满样品瓶后让水溢出以避免大气中的n2o污染水样，然后向样品瓶注入hgcl2直至最终浓度为0.5％v/v以抑制微生物活性，将样品瓶低温保存并采用顶空平衡-气相色谱法测定样品瓶的水中溶解态n2o。

3.根据权利要求1所述的预测河流溶解n2o浓度的机器学习方法，其特征在于，获取目标流域各区域的宏观特征时，具体是构建目标流域的水文模型，引入污染源数据库到水文模型中，对水文模型进行参数化和校准，获取校准后的水文模型输出各区域的河流信息数据。

4.根据权利要求1所述的预测河流溶解n2o浓度的机器学习方法，其特征在于，获取目标流域各区域的环境物理化学指标时，具体是在目标流域各区域的采样点通过原位监测和计算，测得水体与沉积物的物理化学参数，水体的物理化学参数包括水温、ph值、溶解氧、水中总氮、铵态氮、硝酸盐和总磷的浓度的一种或者多种，沉积物的物理化学参数包括沉积物中总氮、铵态氮、硝酸盐和总磷的浓度的一种或者多种。

5.根据权利要求1所述的预测河流溶解n2o浓度的机器学习方法，其特征在于，获取目标流域各区域的微...

【专利技术属性】
技术研发人员：梁婕，杜燃，朱子倩，丁俊杰，李玮翔，
申请(专利权)人：湖南大学，
类型：发明
国别省市：