Uncovering the Drivers of Greenhouse Gas Emissions from Hydropower Reservoirs in China Based on Machine Learning

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a robust ML framework for attributing GHG emissions to environmental factors, applicable to other regions and reservoir types.

🏢実務担当者:Highlights that minimizing reservoir area and managing water quality (NH4+, DO) can reduce emissions, useful for project design and operation.

🏛政策担当者:Offers evidence that hydropower's climate benefits can be partially offset by emissions; supports policy for emission monitoring and siting guidelines.

中国は主要な気候変動緩和戦略として水力発電容量を拡大しているが、貯水池からの温室効果ガス（GHG）排出はこの便益を大幅に相殺し得る。これらの排出に対する特定の環境要因の影響は未だ十分に理解されておらず、これまでの研究では多因子条件下でのそれらの相対的重要度を定量化したものはほとんどない。このギャップを埋めるため、本研究では、G-resモデルとIMAGE-DGNMモデルを統合することにより、中国全土の79の主要な水力発電貯水池（全国の水力発電量の60%以上を占める）からのCO2、CH4、N2O排出量を定量化する。次に、ランダムフォレスト（RF）モデルを用いて、15の環境要因の重要性と限界効果を評価する。結果は、貯水池固有の特性が総GHG排出量の分散の40.37%を集合的に説明し、貯水池面積が圧倒的に支配的な要因（MDI重要度スコア = 1.41）として浮上し、NH4+濃度、溶存酸素、標高、水温、集水域面積、全リン、気温などの他の主要変数（すべてMDI重要度 > 0.5）をはるかに上回ることを示している。部分依存性分析により、排出量は貯水池面積の拡大、0.15～0.2 mg/Lを超えるNH4+濃度、36万～68万 km2の範囲の集水域面積に伴って急増する一方、高い溶存酸素（6～9 mg/L）と高い標高は排出を抑制することがさらに明らかになった。本研究は、単純な排出インベントリを超え、相互作用する環境要因への貯水池GHG排出量の全国規模のデータ駆動型帰属を提供し、持続可能な水力発電計画に実践可能な洞察をもたらす。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

China is expanding hydropower capacity as a key climate change mitigation strategy, yet greenhouse gas (GHG) emissions from reservoirs can substantially offset this benefit. The influence of specific environmental drivers on these emissions remains poorly understood, and previous studies have rarely quantified their relative importance under multifactorial conditions. To fill this gap, this study quantifies CO2, CH4, and N2O emissions from 79 major hydroelectric reservoirs across China—representing over 60% of national hydropower generation—by integrating the G-res model and the IMAGE-DGNM model. We then employ a random forest (RF) model to evaluate the significance and marginal effects of 15 environmental drivers. Results show that reservoir-specific properties collectively explain 40.37% of the variance in total GHG emissions, and reservoir area emerges as the overwhelmingly dominant driver (MDI importance score = 1.41), far exceeding other key variables such as NH4+ concentration, dissolved oxygen, altitude, water temperature, catchment area, total phosphorus, and air temperature (all with MDI importance > 0.5). Partial dependence analysis further reveals that emissions rise sharply with expanding reservoir area, NH4+ concentrations above 0.15–0.2 mg/L, and catchment areas in the 360,000–680,000 km2 range, while elevated dissolved oxygen (6–9 mg/L) and higher altitude suppress emissions. This study moves beyond simple emission inventories by providing a national-scale, data-driven attribution of reservoir GHG emissions to interacting environmental factors, thereby offering actionable insights for sustainable hydropower planning.

• crossref https://doi.org/10.3390/w18131610first seen 2026-07-03 06:19:51 · last seen 2026-07-16 07:18:26
• openalex https://doi.org/10.3390/w18131610first seen 2026-07-04 05:03:53