Predicting Nitrous Oxide Emission From China's Waterbodies With Multiple Deep Learning Algorithms
Notice bibliographique
Résumé
Abstract Many studies have been conducted on the prediction of nitrous oxide (N2O) emissions from soils. Comparably, prediction of N2O water–air emissions is much more limited, especially at the national level. Here, we collected published N2O emission data across China's watersheds and analyzed spatiotemporal patterns during dry and wet seasons. We predicted N2O emission fluxes from these waterbodies for 2026–2028 using a traditional gray prediction model (GM) coupled with several deep learning models: Long Short‐Term Memory (LSTM), Gated Recurrent Unit (GRU), and Bidirectional Long Short‐Term Memory (BiLSTM). The study showed large regional variation in emissions from subtropical to boreal watersheds. Average emission rates varied from 13.95 (±27.15) μg m−2 h−1 in the Yellow River Basin to 68.71 (±102.62) μg m−2 h−1 in Southwest China. N2O emissions were clearly higher in the dry season than the wet season in all regions except the Yellow River Basin, indicating strong influence from wetland vegetation. Regarding model performance, higher accuracy was achieved by GRU and BiLSTM, which successfully predicted fluctuating increases of N2O emission fluxes in most regions from 2026 to 2028, reflecting seasonal changes. While LSTM performed less accurately, GRU and BiLSTM, evolved from LSTM, may be more appropriate for complex situations. These findings provide insights into national spatiotemporal patterns of N2O emissions and can guide regional and national mitigation strategies as well as future research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».