全球水庫CO2通量分布格局及影響因素分析

歐陽常悅,秦 宇*,方 鵬,梁 越

全球水庫CO2通量分布格局及影響因素分析

歐陽常悅1,秦 宇1*,方 鵬2,梁 越1

(1.重慶交通大學(xué),水利水運工程教育部重點實驗室,重慶 400074；2.重慶航天火箭電子技術(shù)有限公司,重慶 400039)

根據(jù)全球234個水庫的277組CO2通量排放數(shù)據(jù),探索全球視角下水庫CO2通量的分布格局與時空變化特征,分析各因素對水庫CO2通量的影響.結(jié)果表明:位于熱帶的水庫CO2通量顯著高于其他氣候帶.法屬圭亞那和巴西的水庫CO2通量顯著高于其他國家.全球水庫CO2通量與庫齡、緯度和初級凈生產(chǎn)力(NPP0)呈極顯著相關(guān)(<0.001),且隨著庫齡和緯度的增加,水庫CO2通量最初呈指數(shù)級劇烈下降,之后下降速度趨于平緩.水溫、Chl-a濃度、DOC濃度和TP濃度與全球水庫CO2通量的相關(guān)性均不顯著.青年水庫的CO2通量是中年水庫、老年水庫的2.16、3.077倍;低緯度地區(qū)的CO2通量是中、高緯度地區(qū)的2.042、3.91倍.各因素重要性順序依次為緯度>庫齡>NPP0>Chl-a濃度>DOC濃度,全球尺度下,地理位置、水庫老化情況和流域NPP0等具有全球?qū)傩缘闹笜?biāo)重要性遠(yuǎn)高于單個水庫的碳含量和富營養(yǎng)化水平.在未來的水電開發(fā)中,應(yīng)盡可能地考慮如何選址才能將新水庫的CO2排放量降到最低,尤其是對于熱帶地區(qū)的水庫建設(shè).

全球水庫；CO2通量；影響因素；隨機森林算法

目前,全球已建設(shè)有超過100萬座大壩[1],且在許多地區(qū)還有大量大壩正在計劃或建設(shè)中[2].水庫的建設(shè)與運營為不斷增長的人口提供了發(fā)電、防洪等重要服務(wù),但也顯著改變了自然水生態(tài)系統(tǒng)的生物地球化學(xué)循環(huán).人工水庫在許多方面與自然河流的不同將極大程度地增加水體的溫室氣體(GHG)排放量,導(dǎo)致水庫成為GHG的重要來源[3-4].然而,受限于現(xiàn)場觀測數(shù)量和研究頻率,水庫的CO2排放量具有高度的時空異質(zhì)性[5].此外,地理位置、庫齡、環(huán)境因素等造成的差異增加了估算水庫CO2排放量的難度.

一項全球估算研究表明:全球水庫每年排放13.4Tg CH4-C、36.8Tg CO2-C和0.03Tg N2O-N,且在100年的時間跨度內(nèi),水庫水-氣界面每年貢獻0.8Pg CO2當(dāng)量,約為全球人類活動CO2排放當(dāng)量的1.5%[4].

水庫排放的CO2主要來自于有機質(zhì)的微生物降解、無機碳(DIC)的外源輸入、植物的代謝和巖石風(fēng)化等過程[6-8],這些途徑在不同水庫中會有不同的貢獻比例.其次,水庫的CO2排放主要受水環(huán)境、水深和水面面積等影響,例如營養(yǎng)化水平越高的水庫通常會有較高的GHG排放.從更宏觀的角度講,水庫CO2的排放量受水庫運行、地理位置等共同控制.熱帶(尤其是亞馬遜流域)水庫的溫室氣體排放量顯著高于溫帶和寒帶地區(qū)[9-10].巴西的Balbina、Tucurui和Samuel水庫,以及法屬圭亞那的 Petit- Saut水庫的CO2排放速率分別為91.3×104、285× 104、1172×104和123×104μg/(m2·d)[11-12],均遠(yuǎn)高于世界平均水平40.8×104μg/(m2·d)[13].一些全球研究表明庫齡對水庫溫室氣體排放的影響也不可忽略.庫齡較低的年輕水庫的溫室氣體排放量往往較高,在老化過程中,排放量顯著下降,且最終趨于平穩(wěn)[14].

近些年來,水庫的溫室氣體排放受到廣泛的關(guān)注和研究,但現(xiàn)目前大量的研究集中在對單個水庫系統(tǒng)(例如三峽水庫[15-16])的排放規(guī)律研究,或者不同水環(huán)境或水動力對其影響.少數(shù)關(guān)于全球水庫溫室氣體排放的研究專注于對全球排放量的估算. 2000年,在有限的數(shù)據(jù)集下(22個水庫排放量樣本),St.Louis等[17]首次進行了水庫碳排放的全球估算,且得出水庫可能是重要的溫室氣體的源.2011年,Barros等[14]根據(jù)當(dāng)時85座水電站的數(shù)據(jù)估算出全球水力發(fā)電水庫的CO2和CH4排放量約為每年48TgC和3TgC,且排放量與庫齡、緯度顯著相關(guān).2016年,Deemer等[4]估算了水庫NO2的全球排放量,進一步完善了水庫溫室氣體排放的全球評估. 2022年,Soued等[18]研究表明,全球水庫碳排放量在1987年達到峰值(4.4TmolC/a),此后由于庫齡增長,CO2排放開始下降.而水庫CH4排放持續(xù)增加,到2020年,水庫CH4排放量占全球人為CH4排放量的5.2%.本研究在前人的研究基礎(chǔ)上,根據(jù)更加完善的數(shù)據(jù)集,探索全球視角下水庫CO2通量的分布格局與時空變化特征,分析全球尺度下地理因素、水環(huán)境因素、生產(chǎn)力、庫齡等對水庫CO2通量的影響.此外,據(jù)我們所知,目前沒有研究使用機器學(xué)習(xí)算法研究全球尺度下的水庫CO2通量排放,故本研究最后引入機器學(xué)習(xí),采用隨機森林算法分析各因素對水庫CO2通量的貢獻度和重要性排序.本研究旨在探索水庫CO2排放的全球分布格局和影響因素,為控制和管理全球水庫水生態(tài)系統(tǒng)的碳排放提供理論支持和科學(xué)依據(jù).

1 方法學(xué)研究

1.1 數(shù)據(jù)收集和分析方法

本研究收集了全球范圍內(nèi)水庫CO2通量的研究數(shù)據(jù),共61篇文獻,共包含234個水庫(含湖泊),277組數(shù)據(jù)(一些水庫有不同庫齡下的多組數(shù)據(jù),具體數(shù)據(jù)集見補充材料).數(shù)據(jù)均來自于Web of science上公開發(fā)表的文獻或其補充材料中的數(shù)據(jù)集[4,14,19],搜索關(guān)鍵詞為CO2flux, CO2diffusion flux, greenhouse gas emissions from reservoir.所有文獻中,CO2通量監(jiān)測方法為靜態(tài)箱法或基于溶存CO2濃度的薄邊界模型法(TBL).所有通量估算均為一年中每個水庫的CO2通量均值(采樣點數(shù)量至少2個,且采樣頻率至少2次).文獻中監(jiān)測的相關(guān)水質(zhì)參數(shù)也收集至本研究的數(shù)據(jù)集中用于相關(guān)影響因素的分析,但數(shù)據(jù)集中部分參數(shù)(如Chl-a濃度、DOC、TP等)存在一些缺失值.水庫所在地潛在植被的凈初級生產(chǎn)力(NPP0)提取自人類凈初級生產(chǎn)圖[19].本研究通過線性回歸和指數(shù)回歸分析變量之間的相關(guān)關(guān)系,使用<0.05作為回歸中每個變量的顯著性概率.全球分布圖采用Arcgis10.7軟件繪制,所有數(shù)學(xué)統(tǒng)計分析及繪圖均使用Origin2022軟件.

1.2 機器學(xué)習(xí)算法

隨機森林(RF)是一種基于bagging思想的分類樹算法[20],通過自助重采樣技術(shù)(bootstrap),從原始訓(xùn)練樣本集N中,多次有放回地隨機抽取個樣本生成決策樹,重復(fù)上述步驟生成棵決策樹并建立隨機森林.計算結(jié)果由決策樹的投票數(shù)所得分?jǐn)?shù)決定,其實質(zhì)是對決策樹算法的改進[21].此外,隨機森林在進行數(shù)據(jù)聚類分析的同時還能夠得到各變量對于聚類的貢獻度,所以RF也是近年來研究水體理化指標(biāo)等環(huán)境因素對水庫CO2排放通量貢獻度的一種新興的算法[22-24].

2 結(jié)果與分析

2.1 全球水庫CO2通量分布特征分析

全球234個水庫CO2通量的分布格局如圖1(a)所示,每個點代表一個水庫.結(jié)果表明,水庫CO2通量排放研究主要集中在北美洲大陸,其次是南美洲大陸和亞歐大陸,澳大利亞大陸和非洲大陸的研究相對較少.此外,大部分水庫是大氣CO2的源,只有少數(shù)水庫是CO2的匯,且這些CO2匯的水庫主要分布在北美洲大陸.

CO2通量在不同氣候帶的分布如圖1(b)所示.氣候帶的劃分參考了每個水庫所在的具體地理位置,而非按緯度邊界(0～23.5°熱帶,23.5～30°亞熱帶,30～ 50°溫帶,50～70°寒帶[14])來直接劃分,這是因為考慮到氣候地理分布的特殊性.例如巴西的Serra da Mesa水庫位于南緯13.85°,但其位于巴西東南部的Tocantins河上,該地區(qū)屬于亞熱帶季風(fēng)性濕潤氣候.從氣候帶的角度分析,位于熱帶的水庫CO2通量(936.74±1013.39)mgC/(m2·d)顯著高于寒帶(451.73± 452.43)mgC/(m2·d)、溫帶(242.10±340.13)mgC/ (m2·d)和亞熱帶(288.41±314.63)mgC/(m2·d).水庫CO2通量的源匯在4種氣候帶中均有分布,但以CO2源為主.

國家尺度下的水庫CO2通量分布如圖1(c)所示.結(jié)果表明法國(法屬圭亞那)(1707.58± 546.42)mgC/ (m2·d)和巴西(878.92±968.87)mgC/(m2·d)的水庫CO2通量顯著高于其他國家.在研究數(shù)量上,呈現(xiàn)加拿大>美國>巴西>其他國家的趨勢,發(fā)達國家和發(fā)展中國家的水庫CO2排放受到更廣泛研究和關(guān)注.

圖1 水庫CO2通量的全球(a)、氣候(b)和國家(c)分布格局

2.2 全球水庫CO2通量關(guān)鍵影響因素識別

水庫CO2通量與庫齡、地理因素、環(huán)境因素的相關(guān)性分析如圖2所示.由于收集到的部分文獻環(huán)境因素存在缺失值,故樣本數(shù)量有所不同.緯度和經(jīng)度的樣本數(shù)量最高(=277),之后依次是NPP0(= 272)、庫齡(=266)、水溫(=167)、Chl-a濃度(=71)、DOC濃度(=59)和TP濃度(=47).結(jié)果表明,在全球尺度上,水庫CO2通量與庫齡、緯度和NPP0呈極顯著相關(guān)(<0.001).而在不同的氣候帶下,這些因素與CO2通量的相關(guān)性不一定顯著,例如在溫帶氣候中的水庫CO2通量與庫齡、緯度和NPP0相關(guān)性均不顯著(>0.05).此外,水庫庫齡和緯度在增加的過程中,水庫CO2通量最初呈指數(shù)級劇烈下降,之后下降速度趨于平緩(圖2(a)和圖2(b)).水溫、Chl-a濃度、DOC濃度和TP濃度等水環(huán)境因素在全球尺度上與水庫CO2通量的相關(guān)性均不顯著,僅在局部區(qū)域,例如在熱帶氣候區(qū)域的水庫CO2通量與Chl-a濃度呈顯著負(fù)相關(guān).

圖3 不同庫齡、緯度和NPP0下的水庫CO2通量

將水庫庫齡按0～20、20～50和50～100劃分為青年水庫、中年水庫和老年水庫[25],緯度按照0～30、30～60和60～90劃分為低緯度、中緯度和高緯度, NPP0根據(jù)0～400、400～800和800～1200mgC/(m2·d)分為低NPP0、中NPP0和高NPP0(圖3).如圖3所示,隨著水庫的老化和緯度的升高,水庫CO2通量呈現(xiàn)顯著的下降趨勢.青年水庫的CO2通量最高(720.21mgC/(m2·d)),是中年水庫(332.75mgC/(m2·d))和老年水庫(234.057mgC/(m2·d))的2.16倍和3.077倍.低緯度、中緯度和高緯度地區(qū)的水庫CO2通量均值依次為657.98mgC/(m2·d)、322.15mgC/(m2·d)和168.25mgC/(m2·d),低緯度地區(qū)的CO2通量是高緯度地區(qū)的3.91倍.NPP0與水庫CO2通量呈現(xiàn)同向變動趨勢,高NPP0的CO2通量(846.26mgC/(m2·d))是低NPP0地區(qū)(196.90mgC/(m2·d))的4.30倍.

2.3 全球水庫CO2通量影響因素重要性

指標(biāo)

為了進一步探索各類相關(guān)因素與全球水庫CO2通量之間的潛在聯(lián)系且確保評估結(jié)果的準(zhǔn)確性,本研究使用隨機森林算法運行100次后的特征重要性的平均值來評估各類因素的重要性,選取基尼指數(shù)為劃分依據(jù).值得注意的是輸入特征的獨立性和代表性,隨機森林算法的輸入特征之間的自相關(guān)性越低,其輸出結(jié)果的精確度更高[22-24](例如代表營養(yǎng)水平的Chl-a濃度和TP濃度呈顯著正相關(guān),只保留一個輸入特征即可).考慮到輸入特征的相關(guān)性計算結(jié)果和各指標(biāo)的代表性,最終篩選了較為獨立的5個輸入特征.隨機森林算法的輸出結(jié)果表明其重要性順序依次為緯度>庫齡>NPP0>Chl-a濃度>DOC濃度,這表明在全球尺度上,地理位置、水庫老化情況和流域初級凈生產(chǎn)力等具有全球?qū)傩缘闹笜?biāo)重要性遠(yuǎn)高于單個水庫的有機碳含量和富營養(yǎng)化水平.

3 討論

在單個水庫系統(tǒng)中,水庫CO2通量受水環(huán)境影響較大.水溫一般被認(rèn)為是較為重要的影響因素[26-27],主要是因為較高的水溫能提高微生物酶的活性,促進有機質(zhì)加速轉(zhuǎn)化為CO2[28].沉積物和水體中的有機碳含量也會直接影響 CH4和 CO2的產(chǎn)量[29-31].此外,營養(yǎng)物質(zhì)的增加會促進水中浮游植物的生長和光合作用下的碳固存,富營養(yǎng)化有利于水體成為大氣CO2的匯[32].大部分富營養(yǎng)化(Chl-a濃度超過30.0μg/L)的水庫都是CO2的匯,例如Chl-a濃度分別為44.0,49.0,41.0μg/L的Lake Darling、Prairie Rose、Green Valley[33].但本研究中,水環(huán)境指標(biāo)(圖2中的水溫、DOC濃度、Chl-a濃度和TP濃度)與水庫CO2通量的相關(guān)性均不顯著(>0.05),隨機森林算法的結(jié)果也表明緯度、庫齡和NPP0的重要性遠(yuǎn)高于DOC濃度和Chl-a濃度(圖4).顯然,全球尺度下單個水庫的水環(huán)境對CO2排放的控制和影響被顯著削弱了.

一些全球研究表明庫齡是水庫CO2通量的重要影響因素[14,34],本研究也得到了類似的結(jié)論(圖2a).年輕水庫溫室氣體排放量相對較高,主要是由于年輕水庫處于陸地到水域的過度中[35-36],此階段淹沒陸地中的大量有機碳迅速轉(zhuǎn)化為溫室氣體[37].而水庫老化過程中,淹沒有機物質(zhì)逐步分解最終使溫室氣體排放量下降并趨于穩(wěn)定.緯度與全球水庫CO2通量的顯著負(fù)相關(guān)(圖2b)反映了全球氣候分布對水庫溫室氣排放的顯著影響.低緯度地區(qū)的較高氣溫和水溫(圖5a)會促進溫室氣體的排放[4].但本研究中的水溫對全球水庫CO2通量的影響并不顯著(圖2e),這可能是因為單個水庫的水溫受晝夜和季節(jié)變化影響較大[38],導(dǎo)致在全球尺度上其影響被減弱.此外,低緯度區(qū)域的NPP0通常較高(圖5b),這會促進陸地有機質(zhì)向水體的轉(zhuǎn)移,從而增加熱帶水庫的碳排放量[4].

圖5 緯度與水溫、NPP0的Pearson相關(guān)性

Barro等[14]根據(jù)不同緯度的平均排放量估算表明,水庫的水域面積擴增5000km2如果發(fā)生在北溫帶等高緯度區(qū)域,CO2當(dāng)量可能僅增加1-2Tg·C/a,在熱帶非亞馬遜地區(qū)會增加4Tg·C/a,而在熱帶亞馬遜地區(qū)會進一步增加到7Tg·C/a.這與本研究的結(jié)論基本一致,即低緯度地區(qū)水庫的CO2通量是中、高緯度地區(qū)的2.042、3.91倍(圖3(b)).在未來的水電開發(fā)中,除了注意最大限度地減少對局部環(huán)境的影響以外,還應(yīng)盡可能地考慮如何選址才能將新水庫的CO2排放量降到最低,尤其是對于低緯度地區(qū)的水庫建設(shè).

本文研究分析的277組水庫CO2排放數(shù)據(jù)來源于Web of science上公開發(fā)表的61篇文獻.因此,對全球水庫CO2排放格局的研究可能存在一定的不確定性,例如一些水庫尚未被研究,或者研究數(shù)據(jù)沒有在Web of science上公開發(fā)表等.此外,水庫CO2排放數(shù)據(jù)主要采用薄邊界模型或靜態(tài)箱法監(jiān)測,雖然這是目前最主要的兩種可靠的GHG通量監(jiān)測方法,但有研究表明,薄邊界模型估算的GHG擴散通量不包括以氣泡形式釋放的GHG,其估算值相對低于靜態(tài)箱法[39].另外,由于水-氣界面GHG通量的高度時空異質(zhì)性,采樣點數(shù)量和監(jiān)測頻率也會對數(shù)據(jù)的準(zhǔn)確性產(chǎn)生較大影響,本研究盡可能篩選采樣點數(shù)較多且監(jiān)測頻率較高的文獻數(shù)據(jù).雖然有上述不確定性.但總體來看,277組分布于全球水庫的CO2排放數(shù)據(jù)數(shù)量足夠且來源可靠,故本研究的結(jié)論仍具有一定的科學(xué)價值和可靠性.

4 結(jié)論

4.1 全球水庫CO2通量排放研究主要集中在北美洲大陸,其次是南美洲大陸和亞歐大陸,澳大利亞大陸和非洲大陸的研究相對較少,大部分水庫為CO2源.位于熱帶地區(qū)的水庫CO2通量顯著高于其他氣候帶,法屬圭亞那和巴西的水庫CO2通量顯著高于其他國家.

4.2 全球水庫CO2通量與庫齡、緯度和NPP0呈極顯著相關(guān)(<0.001),隨著庫齡和緯度的增加,水庫CO2通量最初呈指數(shù)級劇烈下降,之后下降速度趨于平緩.水溫、Chl-a濃度、DOC濃度和TP濃度與全球水庫CO2通量的相關(guān)性均不顯著.

4.3 青年水庫的CO2通量是中年水庫、老年水庫的2.16、3.077倍.低緯度地區(qū)的CO2通量是中、高緯度地區(qū)的2.042、3.91倍.高NPP0的水庫CO2通量是低NPP0地區(qū)的4.30倍.

4.4 各因素重要性順序依次為緯度>庫齡>NPP0> Chl-a濃度>DOC濃度,全球尺度下,地理位置、水庫老化情況和流域NPP0等具有全球?qū)傩缘闹笜?biāo)重要性遠(yuǎn)高于單個水庫的碳含量和富營養(yǎng)化水平.

4.5 在未來的水電開發(fā)中,除了注意最大限度地減少對局部環(huán)境的影響以外,還應(yīng)盡可能地考慮如何選址才能將新水庫的CO2排放量降到最低,尤其是對于低緯度地區(qū)的水庫建設(shè).

[1] Lehner B, Liermann C R, Revenga C, et al. High-resolution mapping of the world’s reservoirs and dams for sustainable river-flow management [J]. Frontiers in Ecology and the Environment, 2011,9:494–502.

[2] Zarfl C, Lumsdon AE, Berlekamp J, et al. A global boom in hydropower dam construction [J]. Aquatic Sciences, 2015,77:161–170.

[3] Maeck A, DelSontro T, McGinnis D F, et al. Sediment trapping by dams creates methane emission hot spots [J]. Environmental Science and Technology, 2013,47:8130–8137.

[4] Deemer B R, Harrison J A, Li S, et al. Greenhouse gas emissions from reservoir water surfaces: a new global synthesis [J]. Bioscience, 2016,66:949–964.

[5] Prairie Y T, Alm J, Beaulieu J, et al. Greenhouse gas emissions from freshwater reservoirs:What does the atmosphere see？[J]. Ecosystems, 2017,21(5):1-14.

[6] Johnson M S, Lehmann J, Riha S J, et al. CO2efflux from Amazonian headwater streams represents a significant fate for deep soil respiration [J]. Geophysical Research Letters, 2008,35(17).

[7] Abril G, Guérin F, Richard S, et al. Carbon dioxide and methane emissions and the carbon budget of a 10-year old tropical reservoir (Petit Saut, French Guiana) [J]. Glob. Biogeochem, 2005,19(4).

[8] Teodoru C, Prairie Y, del Giorgio P. Spatial heterogeneity of surface CO2fluxes in a newly created Eastmain-1reservoir in Northern Quebec, Canada [J]. Ecosystems, 2010,14:28–46.

[9] Fearnside P M, Pueyo S. Greenhouse-gas emissions from tropical dams [J]. Nature Climate Change, 2012,2(6):382-384.

[10] Maavara T, Chen Q, Van Meter K, et al. River dam impacts on biogeochemical cycling [J]. Nature Reviews Earth & Environment, 2020,1(2):103-116.

[11] Guérin F, Abril G, Richard S, et al. Methane and carbon dioxide emissions from tropical reservoirs:Significance of downstream rivers [J]. Geophysical Research Letters, 2006,33(21):493-495.

[12] Santos M a D, Rosa L P, Sikar B, et al. Gross greenhouse gas fluxes from hydro-power reservoir compared to thermo-power plants [J]. Energy Policy, 2006,34(4):481-488.

[13] Shi W, Chen Q, Yi Q, et al. Carbon emission from Cascade Reservoirs:Spatial heterogeneity and mechanisms [J]. Environmental Science & Technology, 2017,51(21):12175-12181.

[14] Barros N, Cole J J, Tranvik L J, et al. Carbon emission from hydroelectric reservoirs linked to reservoir age and latitude [J]. Nature Geoscience, 2011,4(9):593-596.

[15] Liu J, Xiao S B, Wang C H, et al. Spatial and temporal variability of dissolved methane concentrations and difusive emissions in the Three Gorges Reservoir [J]. Water Res., 2021.

[16] Li Z, Lu L H, Lv P Y, et al. Imbalanced stoichiometric reservoir sedimentation regulates methane accumulation in China’s Three Gorges Reservoir [J]. Water Resour. Res., 2020,Doi:10.1029/2019WR02644.

[17] St Louis VL, Kelly CA, Duchemin é, et al. Reservoir surfaces as sources of greenhouse gases to the atmosphere: A global estimate [J]. BioScience, 2000,50:766–775.

[18] Soued C, Harrison J A, Mercier-Blais S. et al. Reservoir CO2and CH4emissions and their climate impact over the period 1900～2060 [J]. Nat. Geosci. 2022,15(9):700–705.

[19] Chen Z H, Ye X Q, Huang P. Estimating carbon dioxide (CO2) emissions from reservoirs using artificial neural networks [J]. Water, 2018,DOI:10.3390/W10010026.

[20] 盧鋆鏌,曾穗平,曾 堅,等.基于隨機森林的高分辨率PM2.5濃度時空變化模擬——以中原城市群核心區(qū)為例[J]. 中國環(huán)境科學(xué), 2023,43(7):3299-3311. Lu J M, Zeng S P, Zeng J, et al. High resolution simulation of temporal and spatial variation of PM2.5concentration based on random forest——A case study of Central Plains Urban Agglomeration Core Area [J]. China Environmental Science, 2023,43(7):3299-3311.

[21] Breiman L. Statistical modeling: The two cultures [J]. Statistical Science, 2011,16:199-215.

[22] Qin Y, Ou yang C Y, Gou Y J, et al. The characteristics and influencing factors of dissolved methane concentrations in Chongqing’s central urban area in the Three Gorges Reservoir, China [J]. Environmental Science and Pollution Research, 2022,29(47):72045-72057.

[23] 秦 宇,歐陽常悅,王雨瀟,等.三峽庫區(qū)萬州段河流水-氣界面CO2通量支干流對比及影響機制初探[J]. 環(huán)境科學(xué), 2022,43(1):377-386. Qin Y, Ou yang C Y, Wang Y X, et al. Comparison between tributary and main stream and preliminary influence mechanism of CO2flux across water-air interface in Wanzhou in the Three Gorges Reservoir area [J]. Environmental. Sci. 2022,43(1):377–386.

[24] 歐陽常悅,秦 宇,劉 臻,等.基于機器學(xué)習(xí)的水-氣界面CO2、CH4擴散通量預(yù)測及影響因素分析——以三峽水庫為例[J]. 湖泊科學(xué), 2023,35(2):449-459. Ouyang C Y, Qin Y, Liu Z, et al. Prediction of CO2, CH4diffusion fluxes at the water-air interface and analysis of its influencing factors using machine learning algorithms in the Three Gorges Reservoir [J]. J. Lake Sci., 2023,35(2):449-459.

[25] 張 翎,王遠(yuǎn)見,夏星輝.水庫建成與運行對溫室氣體排放的影響[J]. 環(huán)境科學(xué)學(xué)報, 2022,42(1):298-307. Zhang L, Wang Y J,Xia X H. Influence of reservoir construction and operation on greenhouse gas emission [J]. Acta Scientiae Circumstantiae, 2022,42(1):298-307.

[26] Treat C C, Wollheim W M, Varner R K, et al. Temperature and peat type control CO2and CH4production in Alaskan permafrost peats [J]. Global Change Biol, 2014,20(8):2674–2686.

[27] Dinsmore K J, Billett M F, Dyson K E, Temperature and precipitation drive temporal variability in aquatic carbon and GHG concentrations and fluxes in a peatland catchment [J]. Global Change Biology, 2013, 19(7):2133–2148.

[28] Rantakari M, Kortelainen P. Interannual variation and climateic regulation of the CO2emission from large boreal lakes [J]. Global Change Biology, 2005,11(8):1368-1380.

[29] Liikanen A, Tanskanen H, Murtoniemi T, et al. A laboratory microcosm for simultaneous gas and nutrient flux measurements in sediments [J]. Boreal Environ. Res., 2002,7(2):151-160.

[30] Algesten G, Sobek S, Bergstr?m A K, et al. Contribution of sediment respiration to summer CO2emission from low productive boreal and subarctic lakes [J]. Microbial Ecology, 2005,50(4):529-535.

[31] Schrieruijl A P, Veraart A J, Leffelaar P A, et al. Release of CO2and CH4from lakes and drainage ditches in temperate wetlands [J]. Biogeochemistry, 2011,102(1/3):265-279.

[32] Pacheco F S, Soares M C S, Assireu A T, et al. The effects of river inflow and retention time on the spatial heterogeneity of chlorophyll and water–air CO2fluxes in a tropical hydropower reservoir [J]. Biogeosciences, 2015,12:147–162.

[33] Pacheco F, Roland F, Downing J, Eutrophication reverses whole-lake carbon budgets [J]. Inland Waters, 2013,4:41–48.

[34] Hertwich E G. Addressing biogenic greenhouse gas emissions fromhydropower in LCA [J]. Environmental Science and Technology, 2013,47:9604–9611.

[35] Bastien J, Demarty M, Tremblay A. CO2and CH4diffusive and degassing fluxes from 2003 to 2009 at Eastmain 1reservoir, Québec, Canada [J]. Inland Waters, 2011,1:113–123.

[36] Teodoru C R, Bastien J, Bonneville M C, et al. The net carbon footprint of a newly created boreal hydroelectric reservoir [J]. Global Biogeochemical Cycles, 2012,DOI:10.1029/2011GB004187.

[37] Abril G L, Guérin F, Richard S, et al. Carbon dioxide and methane emissions and the carbon budget of a 10-year old tropical reservoir (Petit Saut, French Guiana) [J]. Global Biogeochemical Cycles, 2006, DOI:10.1029/2006GL027929.

[38] 裘思謙,許 尤,徐雅倩,等.瀾滄江－怒江中上游河段水溫時空特性及差異分析[J].長江流域資源與環(huán)境, 2022,31(10):2186-2196.Qiu S Q, Xu Y, Xu Y Q, et al. Spatio-temporal variations characteristics and differences of water temperature in upper and middle reaches of Lancang-Nujiang River [J]. Resources and Environment in the Yangtze Basin, 2022,31(10):2186-2196.

[39] Duchemin, E., Lucotte, M., Canuel, R. Comparison of static chamber and thin boundary layer equation methods for measuring greenhouse gas emissions from large water bodies [J]. Environ. Sci. Technol., 1999,33:350–357.

A Study on distribution pattern and influencing factors of CO2flux in global reservoirs.

OUYANG Chang-yue1, QIN Yu1*, FANG Peng2, LIANG Yue1

(1.Key Laboratory of Hydraulic and Waterway Engineering, Ministry of Education, Chongqing Jiaotong University, Chongqing 400074, China；2.Chongqing Aerospace Rocket Electronic Technology Co., Ltd, Chongqing 400039, China)., 2023,43(11)：5671～5677

This study explored the distribution pattern, spatial changes and influencing factors of CO2flux in reservoirs from a global perspective, based on 277 sets of CO2flux emission data from 234reservoirs around the world.The study showed that CO2fluxes in tropical reservoirs were significantly higher than in other climates, and those in French Guiana and Brazil were significantly higher than in other countries.The CO2fluxes of global reservoirs were significantly correlated with reservoir age, latitude and primary net productivity (NPP0) (<0.001). With the increase of age and latitude, the CO2flux dramatically decreased exponentially, and then the decline rate slowed down.No significant correlations were observed between water temperature, chlorophyll-a (Chl-a), dissolved organic carbon (DOC), total phosphorus and CO2fluxes in global reservoirs.The CO2fluxes in the young reservoir were 2.16 and 3.077 times of those in the middle and old reservoirs respectively, while in low latitudes was 2.042 and 3.91 times that in middle and high latitudes.The importance of factors on CO2fluxes in global reservoirs was in the order of latitude > reservoir age >NPP0>Chl-a >DOC.On a global scale, the importance of global indicators such as geographical location, reservoir age and NPP0were much higher than that of carbon content and eutrophication in individual reservoirs.In future hydropower development, location of new reservoirs should be considered as much as possible to minimize carbon dioxide emissions, especially in tropical regions.

global reservoir；CO2flux；influencing factors；random forest algorithm

X511

A

1000-6923(2023)11-5671-07

歐陽常悅(1998-),女,重慶人,重慶交通大學(xué)博士研究生,研究方向為水生態(tài)系統(tǒng)碳排放及機器學(xué)習(xí).CyOuyang@126.com.

歐陽常悅,秦 宇,方 鵬,等.全球水庫CO2通量分布格局及影響因素分析 [J]. 中國環(huán)境科學(xué), 2023,43(11):5671-5677.

Ouyang C Y, Qin Y, Fang P, et al. A Study on distribution pattern and influencing factors of CO2flux in global reservoirs [J]. China Environmental Science, 2023,43(11):5671-5677.

2023-03-31

國家自然科學(xué)基金資助項目(51609026);重慶市研究生聯(lián)合培養(yǎng)基地建設(shè)項目(JDLHPYJD2020025)

* 責(zé)任作者, 教授, qinyu@cqjtu.edu.cn