1 论文标题：机器学习在黄土高原沟壑区插补二氧化碳浓度的潜力评估
2 作者信息：邓 炜：西安理工大学水利水电学院，旱区水工程生态环境全国重点实验室，陕西 西安；赣江下游水文水资源监测中心新余水文监测大队，江西 新余；刘登峰*, 郭凤年, 孟静静, 黄 强：西安理工大学水利水电学院，旱区水工程生态环境全国重点实验室，陕西 西安；李明亮：水利部水利水电规划设计总院，北京
3 出处和链接：邓炜, 刘登峰, 李明亮, 郭凤年, 孟静静, 黄强. 机器学习在黄土高原沟壑区插补二氧化碳浓度的潜力评估[J]. 气候变化研究快报, 2026, 15(3): 674-687.
https://doi.org/10.12677/ccrl.2026.1530724 摘要：以陕西的淳化生态水文实验基地的沟底和塬上的实测二氧化碳浓度数据和空气温度数据，用沟底观测数据评价了多层感知机(MLP)、双向长短期记忆神经网络(Bi-LSTM)、随机森林(RF)、多元线性回归(MLR)等机器学习方法模拟空气二氧化碳浓度的潜力，遴选性能较好的机器学习方法对塬上二氧化碳浓度进行了模拟、插补，并评估插补值的质量。结果表明：在沟底植被覆盖度不同的区域，仅以实测二氧化碳浓度为输入，机器学习方法即可达到可接受的模拟精度；增加空气温度作为输入后，MLP和RF模型能进一步提升模拟精度。利用沟底二氧化碳浓度数据插补塬上浓度时，MLP和RF仍表现出较高的可行性，能有效还原变化趋势，虽然在部分时段对高值存在轻微低估，但其插补结果与实测值的均值、极大值、极小值的最大偏差仅为5%。MLP和RF可以用于进行区域二氧化碳浓度模拟与数据插补。
