基于分散的循环神经网络模型用于阿尔伯塔省尾矿池中的甲监测
Esha Saha1, Oscar Wang2, Amit K Chakraborty1
1Interdisciplinary Lab for Mathematical Ecology and Epidemiology (ILMEE) & Department of Mathematical and Statistical Sciences, University of Alberta, Edmonton, Alberta, T6G 2R3, Canada.
Journal of environmental management
|November 4, 2025
概括
加拿大的油砂行业从尾矿池中释放出大量的甲排放. 一个新的基于分散的循环神经网络 (DIRNN) 模型估计了这些排放,揭示了官方报告中的潜在低估值.
科学领域:
- 环境科学 环境科学
- 地质化学 地质化学
- 大气科学 大气科学
背景情况:
- 加拿大阿塔巴斯卡油砂地区的矿开采是温室气体排放的主要来源.
- 甲是一种强大的温室气体,是由油砂尾矿池中的碳化合物的无氧生物降解产生的.
研究的目的:
- 开发一个数据驱动的建模框架,以评估油砂尾矿池的甲排放潜力.
- 通过一种新的深度学习方法来预测未来的甲排放.
主要方法:
- 利用基于分散的循环神经网络 (DIRNN) 模型进行数据驱动的甲排放预测.
- 集成的大气运输建模用于预测甲排放和度.
- 采用反向分散建模来识别活跃排放源.
主要成果:
- DIRNN模型准确地预测甲排放和度,优于其他深度学习方法.
- 估计有56,303甲 (相当于150万二氧化碳) 来自阿塔巴斯卡油砂的尾矿.
- 在官方排放报告中发现了显著的低估 (至少是三倍).
结论:
- 开发的DIRNN框架提供了一种可靠的方法来量化工业尾矿池的甲排放.
- 调查结果强调,需要对油砂行业的排放报告和管理策略进行修订.
- 这项研究有助于更准确地了解油砂运营对温室气体的贡献.
