甲烷是仅次于 CO₂ 的重要温室气体，100 年尺度全球变暖潜能约为 CO₂ 的 28 倍，20 年尺度约 80 倍。加拿大油气活动是甲烷排放的重要来源之一；Alberta 通过 WBEA 等机构对 Wood Buffalo 等区域进行 24×7 空气质量监测，数据公开但深度建模仍相对不足。Luo、Wang 与 Gates（2024）在 Environmental Modeling & Assessment 发表 多变量 LSTM 研究，在 七个固定监测站 的小时数据上，比较 仅甲烷 与 叠加温度、风速风向 四类输入组合的预报效果。场景为 地表空气质量网（油气产区），与井下瓦斯传感器链路不同，但 多变量时序 + 外生气象协变量 的设计对矿井通风与厂区甲烷监测仍有参考价值。

1. 研究动机

1.1 从单变量 ARIMA 到多变量深度学习

传统 ARIMA 等多用 单变量甲烷序列，难以显式纳入环境温度、风场等已知影响因子。近年机器学习在温室气体与大气污染预报中应用广泛，但 将气候变量与 LSTM 结合用于甲烷浓度时序 的系统性对比仍较少——本文填补的是：温度、风速、风向是否、以及如何改善 LSTM 预报。

1.2 政策与数据背景

研究以 Alberta 油气扩张带来的排放监测需求为背景，数据来自 Alberta Air Data Warehouse，由 Wood Buffalo Environmental Association（WBEA） 运维的七个站点（2010–2021 年时段因站而异）：

| 监测站 | |--------| | Anzac | | Bruderheim | | Buffalo Viewpoint | | Fort McMurray—Athabasca Valley | | Fort McMurray—Patricia McInnes | | Lower Camp | | Mildred Lake |

各站 甲烷、气温、风速、风向 采样点数一致；数据经 CEMS 规范与 WBEA–AEP 质控流程约束。

2. 数据与预处理

2.1 输入变量

| 变量 | 含义 | 备注 | |------|------|------| | 甲烷浓度 | 目标量，ppm | 小时分辨率 | | 气温 | 外生气象 | °C | | 风速 U、风向 ∅ | 分解为分量 | (U_x = U\cos\varnothing)，(U_y = U\sin\varnothing)（弧度） |

Bruderheim 等站显示：冬季低温时浓度往往偏高、夏季偏低，但个别年份暖季亦出现峰値，说明 非简单单调关系，适合非线性时序模型。

2.2 异常与滚动窗口

无效点处理采用 Z-score 检测，并以 Isolation Forest 复核，避免异常值拉偏均值/标准差。序列经 滚动窗口（lookback (\Delta t)） 构造成监督样本：用 (t-\Delta t,\ldots,t) 预测 (t+1)。lookback 长度经网格搜索优化。

2.3 划分与防泄漏

每站独立划分：80% 训练、10% 测试、10% 交叉验证；站与站之间 不混合。

时序交叉验证采用 blocked time-series CV：

  • 训练集与验证集之间设 gap，避免滞后特征泄漏；
  • 各折之间再留与 lookback 等长的间隔，减轻对前一样本模式的记忆。

3. 模型：多分支 LSTM 与四种输入组合

3.1 网络结构（概念）

原始序列 → 异常剔除 → 滚动窗口 + 归一化
                ↓
    各协变量独立 LSTM 支路 → 拼接（concat）→ 全连接 → 甲烷预报

每个外生变量 单独一条 LSTM 支路，再融合预测——便于比较不同变量组合的边际贡献。

超参通过 网格搜索 优化（原文 Table 3 列出搜索空间）。评价指标：RMSE、MAE（MAE 为相对误差形式：(\sum |Y_t-P_t|/Y_t)）。

3.2 四类对比模型

| 代号 | 训练输入 | |------|----------| | Methane-only | 仅历史甲烷 | | Methane + Temp | 甲烷 + 气温 | | Methane + Wind | 甲烷 + (U_x, U_y) | | Methane + Temp + Wind | 三者全用 |

4. 主要结果（文献）

4.1 训练/验证阶段

总体趋势（七站平均意义下，以原文表述为准）：

  • 加入气温 多数情况下优于 仅甲烷 与 甲烷+风；
  • 甲烷+风 往往 差于仅甲烷；
  • 全变量 在部分站点最优，在另一些站点却 不如甲烷+气温。

Anzac 站 MAE 示例（训练+验证，ppm）：

| 模型 | MAE | |------|-----| | Methane-only | 0.00245 | | Methane + Temp | 0.00207 | | Methane + Wind | 0.00322 | | Methane + Temp + Wind | 0.00168 |

Fort McMurray—Athabasca Valley 站 RMSE 示例： 仅甲烷 0.000410；加风 0.000412；加温 0.000439（该站加温未降 RMSE，说明 站点异质性强）。

4.2 预报阶段（未见数据）

未见数据段误差 整体高于训练/验证约一个数量级（MAE、RMSE 均如此），提示部署时必须做 时间外推验证，不能只看拟合期指标。

Fort McMurray—Patricia McInnes 预报 MAE 示例： 仅甲烷 0.0478 ppm；加风 0.0486；加温 0.0457；全变量 RMSE 0.0464（仅甲烷 RMSE 0.109，加温 0.107）。

4.3 方差与风场结论

  • 作者比较各站甲烷方差与误差：输入方差大小与预报性能无简单对应（如 Bruderheim 方差大但训练 RMSE 仍低）。
  • 风场 物理上可通过稀释降低浓度，但与本数据集的组合下 未稳定提升预测；作者认为风场随机性强、与浓度缺乏稳定可学习映射。
  • 气温 更常带来改进：与理想气体体积、水中/油中甲烷溶解度随温度变化等机制一致（油气开采区溶解气脱气等）。

5. 局限（原文归纳）

  • LSTM 过拟合、超参非最优、异常检测残留 等风险；
  • 不同站点性能差异大，难以用同一套模型全国/全区推广；
  • 未与 ARIMA、Prophet 等做同表对比（引言中讨论过相关方向）；
  • 场景为 近地面空气质量网，不能直接等同于 井下瓦斯浓度 或 工作面涌出量。

6. 工程启示（迁移阅读）

  • 协变量不是越多越好：风场在本研究中常拖累精度，说明特征工程需结合 物理机制与本地数据试验，而非堆传感器。
  • 站点分模型：七站独立训练的做法适合监测网；矿井亦宜 按工作面/盘区 建模，避免混训。
  • 时序验证纪律：blocked CV + 预报段误差跃升，对任何 瓦斯/甲烷在线预报 都有警示意义。
  • 数据质量前置：Z-score + Isolation Forest 双道质检，可类比矿井监测的 野值剔除 + 冗余校验。
  • 开放数据：原文数据可经 Alberta Airsheds Council 获取，便于复现与对照。

参考文献

Luo, R.; Wang, J.; Gates, I. Forecasting Methane Data Using Multivariate Long Short-Term Memory Neural Networks. Environmental Modeling & Assessment 2024, 29, 441–454.