露天矿区面源甲烷（GHG）逸散难以靠清单法准确量化——矿坑地形改变风场、感热通量与烟羽输送。Kia 等（2022）在 Atmosphere 将 WRF 4.0 被动示踪弥散 与 机器学习代理模型 结合，预报加拿大北部某 露天矿设施 的 平流甲烷通量（作为排放通量代理），对象包括 老矿坑、新矿坑与尾矿库。下文按「背景—WRF—ML—结果—局限—工程启示」归纳。

场景说明： 本文为 露天/油砂区域地表逸散 CH₄ 通量，非井下工作面瓦斯浓度监测。但其 「物理模型训、ML 推」 思路与矿井环境快速预报有可比性。

1. 问题背景

1.1 量化难点

| 手段 | 优势 | 在复杂矿坑地形的局限 | |------|------|----------------------| | 点位/通量箱测量 | 直接 | 空间代表性差，难以覆盖坑壁 | | 诊断式扩散（如 CALPUFF） | 计算快 | 复杂地形与稳定层结下偏差大 | | WRF 等中尺度模式 | 物理更完整 | 代价高，难以在线滚动 | | 纯 ML | 推理快 | 依赖训练数据，难跨矿体泛化 |

文献指出，清单法与飞机原位探测的露天矿 CO₂ 通量可相差 13%–123%。

1.2 本文目标

建立 业务可用的代理模型：以 WRF 预报通量 + 气象场 训练 ML，在保持 日变化与季节变化 的同时，显著降低相对完整 WRF 重算的成本。

2. 场地与 WRF 设置

2.1 排放源

  • 老矿坑： 深约 100 m，跨度约 2000 m（主采区）
  • 新矿坑： 规模较小，开采更活跃 → 通量更高
  • 尾矿库： 释放区面积约 30 km²（各源网格化面积一致）

四轮外场 + 模拟（合计 100 天、2400 小时 逐时记录）：

| 战役 | 时间 | 代号 | |------|------|------| | S18 | 2018 年 5 月 | 20 天 | | W19 | 2019 年 2–3 月 | 20 天 | | S19 | 2019 年 7–8 月 | 30 天 | | F19 | 2019 年 10–11 月 | 30 天 |

2.2 WRF 示踪方法

  • WRF 4.0，五层嵌套；最内层水平分辨率约 0.51 km
  • LiDAR + SRTM 地形，MODIS 土地利用（坑、库、厂区、林地）
  • 近地面 CH₄ 混合比（LGR 分析仪，15 min 采样 → 4 h 平均）作为最低层边界强迫
  • 被动示踪 输送；平流通量 Fₐ 视为总通量主项（F ≈ Fₐ，先前工作认为 >95%）
  • 通量单位：Tonnes h⁻¹
  • 综合风场与混合比偏差，估计 WRF 通量不确定度约 13%

3. ML 流程

WRF 气象 + WRF 通量（参照）→ 80% 训练 / 20% 测试 → ML 代理 → 通量预报

评估 10 种算法，选出 4 种可业务化模型：

  • MLP（ReLU + Adam，1 隐层 100 节点）
  • 梯度提升 GBR
  • XGBoost
  • SVM（RBF 核）

LSTM 仅作 研究对比——逐小时连续通量观测难以支撑在线自回归预报。

输入（最多 10 个 WRF 特征）： 日变化时刻、季节、10 m 风速、2 m 温度、降水、边界层高度、地面气压、相对湿度、感热/潜热通量（按各源区平均）。

输出： 各源的 WRF 平流甲烷通量。

4. 结果

4.1 驱动因子

  • 通量与 10 m 风速 强相关（PCC 最高约 0.89）
  • 矿坑： 暖季与 地表感热通量 正相关
  • 尾矿库： 暖季与感热通量 负相关（水体热容量效应）；冷季符号可反转
  • 新矿坑 日变化更明显，与开采作息相关

4.2 ML 相对 WRF（测试集）

| 源 | WRF 平均通量 (Tonnes h⁻¹) | ML 相对 WRF 平均偏差 | R²（四 ML 平均） | |----|---------------------------|----------------------|------------------| | 老坑 | 9.90 | 6.3% | > 0.8 | | 新坑 | 11.15 | 3.3% | 三者中最高 | | 尾矿库 | 9.19 | 0.3% | > 0.8 |

GBR、XGB 在各源/各季整体最优。合并所有源、季节与四种 ML：Bias −0.32、RMSE 3.63 Tonnes h⁻¹、R² 0.88（以 WRF 为参照）。

RMSE 约为 WRF 通量量级的 30%——作者与低偏差一并讨论。

5. 局限与复现注意

  1. ML 学习的是 WRF 输出，继承约 13% 的模式不确定度，非独立真值检验。
  2. 绝对年排放清单 仍有争议；论文侧重 日/季变化规律。
  3. 露天油砂区域场景，不可直接套用于 井下瓦斯安全阈值。
  4. 模型具矿体特异性，换坑形需重新训练或迁移验证。
  5. 面向 碳排/mitigation 与面向 井下爆炸预警 的链路不同，接入安全系统前需做领域映射。

6. 工程启示

  • WRF（物理）+ Boosting/SVM（代理） 是可复用的「重算太慢时」范式。
  • 风速 是坑/库共同的 dominant driver——监测网络应优先保证风场质量。
  • 水体 vs 采坑 应分区建模或分特征处理，感热耦合随季节变号。
  • 业务部署可优先 GBR/XGB，小样本表格型 WRF 输出上往往优于 MLP。
  • 通量预报宜接入 减排与排程/reporting，而非直接替代工作面甲烷联锁。

参考文献

Kia, S.; Nambiar, M. K.; Thé, J.; Gharabaghi, B.; Aliabadi, A. A. Machine Learning to Predict Area Fugitive Emission Fluxes of GHGs from Open-Pit Mines. Atmosphere 2022, 13 (2), 210.