一種基于大氣CO2濃度時空特征的碳排放分區(qū)估算方法

張少卿,雷莉萍,宋 豪,郭開元,吉張輝,繩夢雅

一種基于大氣CO2濃度時空特征的碳排放分區(qū)估算方法

張少卿1,2,3,雷莉萍1,2*,宋 豪4,郭開元1,2,3,吉張輝1,2,3,繩夢雅5,6

(1.中國科學院空天信息創(chuàng)新研究院,數(shù)字地球重點實驗室,北京 100094；2.可持續(xù)發(fā)展大數(shù)據(jù)國際研究中心,北京 100094；3.中國科學院大學,北京 100049；4.中國地質大學(北京),北京 100083；5.中國公路工程咨詢集團有限公司,北京 100094；6.空間信息應用與防災減災技術交通運輸行業(yè)研發(fā)中心中咨數(shù)據(jù)有限公司,北京 100094)

針對人為碳排放的空間分布量級差異大導致排放數(shù)據(jù)的非正態(tài)分布問題,提出了一種基于衛(wèi)星大氣CO2柱濃度(XCO2)時空變化特征聚類分區(qū)構建人為碳排放神經(jīng)網(wǎng)絡估算模型方法.通過利用與人為碳排放強相關的衛(wèi)星XCO2數(shù)據(jù)時空變化(2010～2021年)特征的聚類分區(qū),利用衛(wèi)星觀測的XCO2和SIF以及夜間燈光、人口密度和人為排放清單數(shù)據(jù)EDGAR作為訓練學習數(shù)據(jù),以聚類區(qū)為單位分別構建人為碳排放神經(jīng)網(wǎng)絡估算模型,估算了2021年研究區(qū)人為碳排放.與EDGAR交叉驗證結果顯示,相比以中國全區(qū)數(shù)據(jù)作為訓練學習樣本統(tǒng)一建模方法的估算,本研究提出的分區(qū)建模估算結果從相關系數(shù)(R)的0.43提高到了0.82;空間分布更為合理;平均偏差由0.039MtCO2降低到0.018MtCO2.研究表明利用多源數(shù)據(jù)的神經(jīng)網(wǎng)絡訓練學習進行人為碳排放的估算,能夠為區(qū)域碳排放特征和排放清單的不確定性提高提供評估分析依據(jù).

人為碳排放；神經(jīng)網(wǎng)絡；多源數(shù)據(jù)；機器學習

為應對氣候變化,各國都在采取人為碳排放控制措施,人為碳排放監(jiān)測必然成為評估減排效果的重要途經(jīng)之一.傳統(tǒng)的人為CO2排放估算方法是基于國家或地區(qū)尺度能源消耗部門或者行業(yè)部門的分類核算,采用清單統(tǒng)計的方式進行[1].目前各個機構發(fā)布的主流的人為排放清單數(shù)據(jù)有EDGAR、ODIAC、CHRED、PKU、MEIC等[2-6],將人為CO2排放根據(jù)夜光、人口密度等數(shù)據(jù)進行時間和空間的再分配.然而由于統(tǒng)計數(shù)據(jù)不充分,且在分配過程中利用的點源、面源輔助數(shù)據(jù)存在很大的不確定性,導致不同機構的排放清單數(shù)據(jù)存在較大的不一致性.特別是發(fā)展中國家的高排放區(qū),排放數(shù)據(jù)不確定性更大[7-8],另外清單數(shù)據(jù)依賴于行業(yè)和部門的統(tǒng)計數(shù)據(jù),也存在一定的滯后性.IPCC 2019新方針指出衛(wèi)星遙感觀測數(shù)據(jù)作為清單數(shù)據(jù)的補充檢驗,能夠較為客觀地掌握人為碳排放量[9].

衛(wèi)星遙感觀測具有觀測模式統(tǒng)一、時間序列長、覆蓋范圍廣等優(yōu)點,可以有效地獲取和檢測區(qū)域及全球大氣CO2濃度變化,多源溫室氣體遙感衛(wèi)星GOSAT、OCO-2以及OCO-3等已經(jīng)觀測積累了10年以上大氣CO2濃度數(shù)據(jù)[10-13].許多研究表明這些溫室氣體衛(wèi)星觀測反演的大氣CO2柱濃度(XCO2)能夠定量檢測排放點源和區(qū)域人為CO2排放量;已經(jīng)成為人為碳排檢測的重要發(fā)展手段[14-15];然而大氣CO2濃度的變化不僅受人為CO2排放的影響,還受大氣傳輸、植被生態(tài)吸收等多種因素的影響,這些因素的相互作用導致大氣CO2濃度變化與人為碳排放呈現(xiàn)非線性的關系,制約了人為碳排放衛(wèi)星遙感的估算.

多源衛(wèi)星遙感大數(shù)據(jù)的發(fā)展為機器學習在人為碳排放的應用提供了契機[16].數(shù)據(jù)驅動的機器學習方法通過數(shù)據(jù)樣本的訓練建立多源衛(wèi)星數(shù)據(jù)與人為碳排放之間的非線性關系,從而減少了復雜碳循環(huán)的影響[17-19].目前通用的一些機器學習算法如GRNN、ICSO-SVM、LASSO、RF等已被應用于人為碳排放的估算.Wen等[20]應用ICSO-SVM混合模型預測了中國上海住宅能源相關的二氧化碳排放;Leerbeck等[21]利用LASSO機器學習算法來預測丹麥投標區(qū)電網(wǎng)中的二氧化碳排放強度;Yang等[22]應用GRNN模型對中國區(qū)域人為碳排放進行了格網(wǎng)估算;隨后Mustafa等[23]同樣應用GRNN模型對西亞地區(qū)的人為碳排放進行了估算;Zhang等利用RF模型對全球的格網(wǎng)的人為碳排放進行了估算.然而以上研究在碳排放估算的過程中,沒有考慮人為排放非正態(tài)分布、空間分布不均衡的問題,在模型訓練中會引入系統(tǒng)偏差.本研究針對上述問題,選取中國大陸為研究區(qū),提出了一種基于大氣CO2濃度聚類特征的分區(qū)建模碳排放估算方法,該方法可以極大提高人為碳排放估算精度,為減排措施的制定提供更為準確的數(shù)據(jù)依據(jù).

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)獲取與處理

本研究收集了排放清單數(shù)據(jù)、衛(wèi)星XCO2、植被生態(tài)通量相關的葉綠素熒光以及與人為排放活動相關的夜間燈光、人口密度等數(shù)據(jù).針對中國大陸區(qū)域夜光和人口數(shù)據(jù)可以利用的時間范圍,收集了2012年～2021年數(shù)據(jù),以2012年～2020年為訓練學習數(shù)據(jù),構建模型,應用模型估算了2021年中國大陸區(qū)域人為碳排放.

為了在建模過程中保持時空分辨率的統(tǒng)一,本研究采用三次卷積內插法(cubic convolution interpolation)對將不同空間分辨率的數(shù)據(jù)統(tǒng)一為1°′1°格網(wǎng),隨后用簡單平均的方法將不同時間分辨率的數(shù)據(jù)統(tǒng)一為以年為單位.

1.1.1 人為排放清單數(shù)據(jù) 清單排放數(shù)據(jù)中, EDGAR(Emissions Database for Global Atmospheric Research)數(shù)據(jù)更新相對較快,且不確定性較小;因此采用EDGAR 作為模型訓練的目標數(shù)據(jù),收集了2012～2021 年EDGAR v7.0人為碳排放數(shù)據(jù). EDGAR利用了IEA(International Energy Agency)能源統(tǒng)計、BP(British Petroleum)統(tǒng)計、USGS(United States Geological Survey)、世界鋼鐵協(xié)會、GGFR/U.S (Global Gas Flaring Reduction Partnership)、NOAA (National Oceanic and Atmospheric Administration)和IFA (International Fertilizer Association)的統(tǒng)計數(shù)據(jù)獲得排放數(shù)據(jù),然后通過人口密度數(shù)據(jù),交通網(wǎng)絡數(shù)據(jù)、夜光數(shù)據(jù)、排放點源數(shù)據(jù)等空間輔助數(shù)據(jù)對人為排放進行空間上0.1度格網(wǎng)的分配(https:// edgar.jrc.ec.europa.eu/)[4].

1.1.2 衛(wèi)星XCO2數(shù)據(jù) 收集來自多顆溫室氣體衛(wèi)星GOSAT、OCO-2、OCO-3觀測數(shù)據(jù)生成的時空連續(xù)數(shù)據(jù)集(Mapping-XCO2).該數(shù)據(jù)集為融合利用GOSAT、OCO-2、OCO-3衛(wèi)星反演的XCO2數(shù)據(jù)基于時空地統(tǒng)計的克里格插值處理生成的2009年4月～2021年12月全球時空連續(xù)數(shù)據(jù)集(1°′1°格網(wǎng)、時間以月為單位)[24-26].該Mapping-XCO2解決了多源衛(wèi)星觀測數(shù)據(jù)的不一致問題,并填補了衛(wèi)星觀測數(shù)據(jù)的大量空白[27],該數(shù)據(jù)集已公開發(fā)布在哈佛大學的數(shù)據(jù)平臺上(https://dataverse.harvard.edu/ dataset.xhtml?persistentId=doi:10.7910/DVN/4WDTD8).

1.1.3 其他訓練數(shù)據(jù) 為解釋衛(wèi)星XCO2中包含的植被生態(tài)CO2通量信息,收集了太陽誘導葉綠素熒光數(shù)據(jù)集(GOSIF).相對于基于遙感的植被指數(shù),SIF被證明與植被光合作用關系更緊密,且更能捕捉環(huán)境因素導致的變異.該數(shù)據(jù)集是基于OCO-2的SIF數(shù)據(jù)、中分辨率成像光譜儀(MODIS)數(shù)據(jù)和氣象再分析數(shù)據(jù)處理生成[28].GOSIF數(shù)據(jù)覆蓋時期為2000～2021年,空間分辨率為0.05°,間隔為8d.

衛(wèi)星傳感器能夠探測到城市燈光、火點、交通等人類活動的信號,且不受大氣傳輸?shù)挠绊?可以直接作為人類排放活動檢測的數(shù)據(jù)源.因此,收集來自Suomi NPP/VIIRS衛(wèi)星觀測的2012～2021年空間分辨率為500m的夜光數(shù)據(jù).NPP-VIIRS衛(wèi)星運行從2012年至今,數(shù)據(jù)由Suomi國家極軌道伙伴關系衛(wèi)星(SNPP)搭載的可見光紅外成像輻射儀(VIIRS)拍攝.該數(shù)據(jù)集對地面微弱輻射信號有很強的探測能力,消除了霧霾和條紋,降低了由雜散光引起的偏移[29].

研究表明,人口因素是影響碳排放的重要因素之一.因此收集了2012～2021年LandScan的全球人口分布數(shù)據(jù)[30].LandScan利用空間數(shù)據(jù)和圖像分析以及多變量 dasymetric建模方法來分解行政邊界內的人口普查計數(shù),其空間分辨率為1km,每年更新1次.

為了分析在排放聚類區(qū)的土地覆蓋特征,收集全球 500m土地覆蓋產(chǎn)品(MCD12Q1) 的空間聚合和再投影數(shù)據(jù),空間分辨率為0.05°格網(wǎng),使用國際地圈生物圈計劃(InternationaI Geosphere Biosphere Programme, IGBP)分類方法的土地覆蓋類型,該分類方法定義了17個類別,包括11個自然植被類別、三個人為改變類別和三個非植被類別.

1.2 研究方法

以2012年～2020年的XCO2、SIF、夜間燈光、人口密度和EDGAR為訓練學習數(shù)據(jù)構建神經(jīng)網(wǎng)絡人為碳排放估算模型,應用模型估算了2021年研究區(qū)人為碳排放.

研究選取GRNN神經(jīng)網(wǎng)絡作為本研究的模型.GRNN是一種前饋式神經(jīng)網(wǎng)絡,不需要事先知道確定方程式,且只有一個超參數(shù)光滑因子,可以保證最大程度的減少人為主觀參數(shù)選擇對模型訓練的影響,保證模型對比的客觀性.GRNN具有較強的非線性映射能力和學習速度,能夠較好的預測樣本數(shù)據(jù)較少時的結果.此外,GRNN在利用衛(wèi)星數(shù)據(jù)估算目標參數(shù)的研究中已經(jīng)顯示了較為成功的應用[22-23].

人為活動在區(qū)域上存在很大差異,排放量的空間分布存在不均衡、非正態(tài)分布問題,如中國大陸區(qū)域的人為活動強烈的東部和活動稀少的西部.利用全區(qū)數(shù)據(jù)進行訓練學習建模過程中,由于排放的區(qū)域差異太大導致模型擬合效果差.通過大氣CO2濃度時空變化特征進行聚類,聚類區(qū)域內大氣傳輸以及植被覆蓋具有相似特征,進而可以增強區(qū)域內來自排放源的CO2排放.據(jù)此,本論文提出了一種基于大氣CO2濃度時空變化特征聚類的分區(qū)建模機器學習方法,利用2009～2020年XCO2、SIF、人口密度、夜間燈光在各個聚類區(qū)內分別訓練,建立與EDGAR清單數(shù)據(jù)的關系,并對2021年人為碳排放進行估算,旨在提高人為碳排放估算精度.

1.2.1 神經(jīng)網(wǎng)絡構建參數(shù) 1) GRNN理論基礎GRNN以概率密度函數(shù)(Probability Density Function,PDF)代替固有的方程形式通過執(zhí)行 Parzen非參數(shù)估計[31],計算觀測樣本中自變量和因變量之間的聯(lián)結概率密度函數(shù)來計算因變量對自變量的回歸值.這里的自變量是XCO2、SIF、夜間燈光、人口密度,因變量是EDGAR.設隨機向量和的聯(lián)合概率密度函數(shù)為(,),取值為0,對0的回歸值式為(1)

式中:為樣本容量,為的維數(shù).為高斯函數(shù)的寬度系數(shù),即光滑因子.

將式(3)式帶入式(2),并交換積分與加和的順序,將有:

2)GRNN的網(wǎng)絡結構

GRNN網(wǎng)絡由四層結構構成,分別為輸入層(input layer)、模式層(pattern layer)、加和層(summation layer)和輸出層(output layer)[38].

(1)輸入層直接將輸入變量傳遞給模式層.在本研究中利用的訓練樣本為XCO2、SIF、夜間燈光、人口密度和EDGAR,輸入層神經(jīng)元的數(shù)目與樣本向量維數(shù)相同.

(2)模式層又稱為隱回歸層,模式層神經(jīng)元的數(shù)目與訓練樣本的個數(shù)相同.計算訓練樣本與第個神經(jīng)單元的學習樣本間的Euclid距離平方指數(shù),并輸入到加和層.

(3)加和層使用兩種模式求和,一種是對模式層的輸出進行算數(shù)求和,第二類是加權求和,通過模式層中神經(jīng)元與求和層總神經(jīng)元的鏈接傳遞函數(shù)進行加權求和.

(4)輸出層通過計算加和層兩種求和模式結果的比值,得到估算結果.

3)光滑因子的優(yōu)化

光滑因子選擇的好壞,關系到模型最終結果的輸出.為獲得模型最優(yōu)值,本研究采用逐一選取的方式,設置值范圍為0.1～2,以0.1步長逐一計算每個值條件下的估算結果,選取最優(yōu)結果值作為估算模型的光滑因子參數(shù).同時在進行樣本訓練時,采用折交叉驗證的方法避免過擬合現(xiàn)象的出現(xiàn).

交叉驗證是機器學習建立模型和驗證模型常用辦法,可以在一定程度上減少過擬合現(xiàn)象的發(fā)生.本研究將設置為10,將訓練數(shù)據(jù)分為10組,在10次迭代中,9組用于訓練,1組用于測試數(shù)據(jù)集的模型評估.將2012～2020年的訓練數(shù)據(jù)隨機分為10份數(shù)據(jù),數(shù)據(jù)間不重復;從中挑選一個子集為測試集,剩余子集用于模型訓練;隨后訓練模型估算測試集并記錄估算偏差;重復上述步驟10次,保證每一個子集都成為過測試集;計算10組數(shù)據(jù)的平均偏差作為模型精度的估計來減少模型對數(shù)據(jù)的敏感性.

1.2.2 分區(qū)構建模型 已有研究證明,衛(wèi)星觀測反演的XCO2與人為排放清單數(shù)據(jù)在時間和空間上都具有很強的相關性[32-34].因此,本研究利用中國大陸區(qū)域長時間序列2009年4月～2021年12月XCO2數(shù)據(jù),應用K-means 聚類算法(K-means clustering algorithm)進行了時空特征聚類.K-Means算法是一種基于形心劃分數(shù)據(jù)的無監(jiān)督聚類算法.該方法是最普及且最常用的聚類方法,其算法收斂速度快,可解釋度較強[35].

考慮各聚類區(qū)對應的人為排放活動和自然區(qū)域特征且具有一定的數(shù)據(jù)量,聚類XCO2時空變化特征生成了10個聚類區(qū),結果如圖1所示.

對照EDGAR的人為排放(圖1(b))以及地表覆蓋(圖1(c))的空間分布,各聚類區(qū)綜合顯示了人為排放活動、地形、以及地表生態(tài)等區(qū)域特征.在東部高排放大城市區(qū)域,人為活動頻繁,對應耕地、水體、城市等復雜的地表覆蓋特征(圖1(d)),京津冀、長三角、和珠三角(D7、D4、D2)顯示了各區(qū)域特有的CO2濃度變化特征.在西北部低排放區(qū)域,對應了裸地、草原等相對簡單的地表覆蓋特征.

以圖1所示聚類區(qū)為單位,利用2012年到2020年的XCO2、SIF、夜間燈光、人口密度數(shù)據(jù)作為訓練樣本,EDGAR數(shù)據(jù)為人為CO2排放目標數(shù)據(jù),各個聚類區(qū)分別構建GRNN模型,共建立起10個GRNN模型.隨后將2021年的XCO2、SIF、夜間燈光和人口密度數(shù)據(jù),輸入到對應聚類區(qū)各自的模型中,對聚類區(qū)內各格網(wǎng)的人為CO2排放進行估算.為了對比分區(qū)建模估算結果,利用相同的訓練數(shù)據(jù)在中國大陸全區(qū)構建GRNN模型,應用該模型對全區(qū)進行了2021年排放估算.以上分區(qū)建模和全區(qū)建模的估算結果和對比分析將在下一章在論述.

圖1 (a)基于XCO2時空變化特征的聚類結果;以及(b)中國大陸區(qū)域EDGAR排放的空間分布、(c)地表土地覆蓋和(d)各土地覆蓋類型排放統(tǒng)計

Fig 1 (a) Clustering results based on temporal and spatial variation characteristics of XCO2; And (b) spatial distribution of EDGAR emissions in China, (c) land cover and (d) emission statistics of each land cover type審圖號:GS(2019)1829

2 結果與討論

2.1 估算偏差

利用2021年EDGAR排放數(shù)據(jù),對比驗證了GRNN模型估算結果.圖2分別顯示了研究區(qū)格網(wǎng)點EDGAR排放與分區(qū)建模估算和全區(qū)建模估算結果的相關性.結果顯示分區(qū)建模估算結果的相關系數(shù)(2=0.82)遠高于全區(qū)建模的0.43,更高的一致于EDAGR,表明分區(qū)建模能夠更好地訓練學習到人為排放的空間信息.

本研究進一步對比分析模型估算偏差與清單排放量的響應關系(如圖3所示),結果顯示分區(qū)建模估算偏差與清單排放量的相關性2為0.30,顯著低于全區(qū)建模估算偏差與清單排放量的相關性(2= 0.78).全區(qū)建模估算偏差與清單排放量顯示出的較好線性關系這一定程度上指出了該估算結果存在較大的系統(tǒng)偏差.

此外,本研究對中國大陸的碳排放估算結果進行統(tǒng)計.2021年EDGAR清單的CO2排放總量為12675Mt CO2,分區(qū)模型估算的碳排放量為12473Mt CO2,總體偏差202Mt CO2,標準差14.67Mt CO2,格網(wǎng)平均偏差0.018Mt CO2;全區(qū)模型估算的碳排放量為12245Mt CO2,總體偏差430Mt CO2,格網(wǎng)平均偏差0.039Mt CO2,標準差26.57Mt CO2.分區(qū)建模估算結果的偏差小于全區(qū)建模估算結果的偏差.這表明,采用分區(qū)建模方法能夠更準確地估算排放量,相對于全區(qū)建模方法具有更高的精度和可靠性.

Fig 3 Response of estimated bias to inventory emissions from cluster modeling (a) and whole region modeling (b)

2.2 估算結果的不確定性

2.2.1 排放估算的空間分布 圖4結果顯示,分區(qū)建模(圖4(b))和全區(qū)建模(圖4(c))的估算結果與EDGAR排放(圖1(b))均顯示了相似的空間分布特征;這表明兩種模型都能夠比較準確地捕捉到排放量的空間分布規(guī)律.然而,在偏差空間分布結果上,分區(qū)建模的排放估算在低排放區(qū)偏差整體在零值附近,而全區(qū)建模偏差結果則顯示了較低的偏差,特別是在高排放點源及城市區(qū)域,如上海、沈陽等地區(qū)偏差較大.這表明采用分區(qū)建模方法能夠更準確地估算低排放區(qū)的排放量.

分區(qū)建模和全區(qū)建模估算的排放量在高排放大城市如上海、武漢、沈陽等均顯示出低于清單排放值,而大城市周圍區(qū)域排放估算值高于清單值;該結果可能與EDGAR清單數(shù)據(jù)在空間分配中所使用的點源數(shù)據(jù)不確定性有關,而其在總排放中占據(jù)最大的比例.EDGAR清單數(shù)據(jù)在點源分配時所使用的CARMA電廠數(shù)據(jù)[36-37]中點源的地理位置存在較大的偏差[38-39].CARMA電廠數(shù)據(jù)往往將電廠所在城市的幾何中心的坐標作為該電廠的坐標,導致EDGAR以城市為中心分配了過多的排放量,相應在該城市郊區(qū)的排放就會低于真實排放.研究對CARMA數(shù)據(jù)進行了實地調查驗證,結果發(fā)現(xiàn)接近一半的電廠地理位置存在位置偏差,這與其他研究的結果相一致[40].也有研究指出CARMA數(shù)據(jù)在中國大陸區(qū)域忽略了1300個小型電廠[41].因此本研究的模型估算結果也在一定程度上印證了清單數(shù)據(jù)的不確定性.

圖4所示全區(qū)模型排放估算在低排放區(qū)整體高于EDGAR,而在沈陽、武漢、上海等大城市區(qū)低于EDGAR.這是由于全區(qū)建模訓練過程中,受區(qū)域碳排放空間非正態(tài)分布、量級差異大的影響,導致模型擬合誤差大,產(chǎn)生系統(tǒng)偏差.

2.2.2 估算偏差的區(qū)域性特征 針對小區(qū)域的排放估算偏差問題,在研究區(qū)選取了如圖5所示排放估算偏差較大且具有排放代表性的11個區(qū)域(ROI),圖中C1～C7為城市區(qū),S1～S4為農村和城鎮(zhèn).

表1的結果進一步驗證了基于XCO2時空特征聚類分區(qū)建模的排放估算方法的準確性和可行性.相比于全區(qū)建模,分區(qū)建模的排放估算偏差明顯降低,尤其是在沈陽、上海、武漢等大城市區(qū)域,減少了約119～211Mt CO2的估算誤差,這表明分區(qū)建模方法能更好地反映空間分布差異,精確提高排放估算的精度和可靠性.同時,分區(qū)建模估算結果中,排放量最高的城市與EDGAR的高排放區(qū)和排放順序相近,再次證明該方法在區(qū)域排放估算中的可靠性和實用性.表1的結果證明了基于XCO2時空特征聚類分區(qū)建模的排放估算方法的優(yōu)勢,為進一步改善我國大氣污染控制和減排方案提供了科學參考.

圖4 研究區(qū)域2021年(a)分區(qū)建模估算的人為碳排放、(b)全區(qū)建模估算的人為碳排放,(c)分區(qū)建模估算偏差、(d)全區(qū)建模估算偏差

審圖號:GS(2019)1829

圖5 ROI的位置分布,其中C1～C7為城市區(qū)域、S1～S4為城鎮(zhèn)和農村,底圖為分區(qū)建模估算結果的偏差(2021年)

審圖號:GS(2019)1829

在分區(qū)建模排放估算結果中,偏差最大的區(qū)域在包頭、邯鄲和攀枝花,這三個區(qū)域都屬于高排放點源集中的區(qū)域,其中包頭是中國重要的基礎工業(yè)基地[42],邯鄲是國家重點建設的老工業(yè)基地[43],攀枝花是西南地區(qū)最大的鐵礦石原料基地和全國最大的鈦原料基地,是全國四大鐵礦區(qū)之一[44].2.2.1節(jié)中提到EDGAR數(shù)據(jù)在點源分配時使用的CARMA點源數(shù)據(jù)存在較大的不確定性,因此會導致EDGAR在這三個區(qū)域的排放分配也存在較大的不確定性.而在成都、廣州、開封這樣重工業(yè)點源相對較少的區(qū)域,估算偏差相對較小.訓練數(shù)據(jù)中利用的XCO2是衛(wèi)星實時觀測到的柱濃度,包含了客觀的人為CO2排放信息,因此利用衛(wèi)星觀測得到的模型訓練結果對排放清單數(shù)據(jù)的不確定性具有評估驗證的參考價值.

表1 ROI區(qū)域排放和估算結果統(tǒng)計(Mt CO2)

由表2可見,與通常的碳排放統(tǒng)計結果一致,長三角、京津冀和珠三角這三個聚類區(qū)(D4、D7、D2)顯示出最大的排放量;而青海和西藏這兩個占據(jù)面積最大的聚類區(qū)(D6)則顯示出最小的排放量.同時,在這些區(qū)域內進行分區(qū)建模估算的結果,其偏差普遍低于整個區(qū)域的建模估算結果.

在10個聚類區(qū)中,分區(qū)模型估算偏差和平均偏差最大區(qū)域為京津冀地區(qū)和珠三角聚類區(qū)(D7、D2),京津冀地區(qū)的排放估算高于EDGAR排放188.74Mt CO2;而珠三角地區(qū)的排放估算低于EDGAR排放106.51Mt CO2,這些區(qū)域分布有多種行業(yè)的碳排放企業(yè),人為排放活動復雜多變,使得基于清單統(tǒng)計的EDGAR數(shù)據(jù)存在較大的不確定性,即EDGAR低估了京津冀地區(qū)排放而高估了珠三角地區(qū).另外,長三角地區(qū)(D4)顯示了分區(qū)估算標準偏差(44Mt CO2)明顯高于其他區(qū)域(均值為11Mt CO2).對照圖5所示偏差分布以及上述偏差分析結果,該區(qū)域估算偏差顯示的高標準差即偏差高離散度也指出了該區(qū)域排放點源分布的不確定性問題導致了格網(wǎng)點的高偏差.分區(qū)估算偏差較小的區(qū)域為新疆、西藏、青海(D5、D6),分別為1.65Mt CO2和1.96Mt CO2,這兩個區(qū)域地廣人稀,人為排放活動少,排放偏差也相對較小.

表2 各聚類區(qū)排放統(tǒng)計(Mt CO2)

3 結論

3.1 衛(wèi)星長時序XCO2數(shù)據(jù)的時空特征聚類分析揭示了人為碳排放、大氣傳輸以及地表生態(tài)通量的區(qū)域特征.在東部京津冀、長三角、和珠三角等XCO2聚類區(qū),人為碳排放較高,人為活動頻繁,對應人為活動頻繁的耕地、水體、城市等復雜的地表覆蓋特征.而在西北部XCO2聚類區(qū)域,人為碳排放較少,對應裸地、草原等相對簡單的地表覆蓋特征.

3.2 分區(qū)建模的碳排放估算精度高于全區(qū)建模.本研究提出的基于衛(wèi)星XCO2時空變化特征聚類分區(qū)建模的人為CO2排放估算方法,與EDGAR清單數(shù)據(jù)交叉驗證結果2=0.82遠高于全區(qū)建模結果(2= 0.43).格網(wǎng)平均偏差0.018Mt CO2,遠低于全區(qū)建模的0.039Mt CO2,較好地解決了人為碳排放非正態(tài)分布、量級差異大帶來的模型訓練系統(tǒng)偏差,顯示了更高的精度.

3.3 分區(qū)建模估算結果在不同尺度的碳排放研究中更有優(yōu)勢.無論是高排放城市點源尺度還是聚類區(qū)尺度,分區(qū)建模的估算結果偏差均小于全區(qū)建模,在區(qū)域碳排放分析中可以提供更準確的數(shù)據(jù)支持.

3.4 揭示出長三角地區(qū)人為碳排放具有一定的不確定性.與EDGAR數(shù)據(jù)的交叉驗證結果顯示,長三角地區(qū)排放估算的偏差較其它地區(qū)更大,這可能由于EDGAR在空間分配時所使用的CARMA點源排放數(shù)據(jù)源的不確定性有關.

[1] Andres R.J, Boden T.A, Higdon D. A new evaluation of the uncertainty associated with CDIAC estimates of fossil fuel carbon dioxide emission [J]. Tellus B Chem. Phys. Meteorol., 2014,66:23616.

[2] Oda T, Maksyutov S. A very high-resolution (1km × 1km) global fossil fuel CO2emission inventory derived using a point source database and satellite observations of nighttime lights [J]. Atmos. Chem. Phys., 2011,11:543–556.

[3] Oda T, Maksyutov S, Andres R.J. The Open-source Data Inventory for Anthropogenic Carbon dioxide (CO2), version 2016 (ODIAC 2016): A global, monthly fossil-fuel CO2gridded emission data product for tracer transport simulations and surface flux inversions [J]. Earth Syst, 2018,10:87–107.

[4] Janssens-Maenhout G, Crippa M, Guizzardi D, et al. Edgar v4.3.2global atlas of the three major greenhouse gas emissions for the period 1970～2012 [J]. Earth Syst, 2017,11:959–1002.

[5] Cai B, Liang S, Zhou J, et al. China high resolution emission database (CHRED) with point emission sources, gridded emission data, and supplementary socioeconomic data [J]. Resour. Conserv. Recycl, 2018, 129:232–239.

[6] Wang R, Tao S, Ciais P, et al. High-resolution mapping of combustion processes and implications for CO2emissions [J]. Atmos. Chem. Phys., 2013,13:5189–5203.

[7] Han P, Zeng N, Oda T, et al. Evaluating China’s fossil-fuel CO2emissions from a comprehensive dataset of nine inventories [J]. Atmos. Chem. Phys., 2020,20:11371–11385.

[8] Andres R.J, Boden T.A, Higdon D.M. Gridded uncertainty in fossil fuel carbon dioxide emission maps, a CDIAC example [J]. Atmos. Chem. Phys., 2016,16:14979–14995.

[9] IPCC, 2019. 2019 Refinement to the 2006 IPCC guidelines for national greenhouse gas inventories [EB/OL]. https:// www.ipcc.ch/ report/2019-refinement-to-the-2006-ipcc-guidelines-for-national-greenhouse-gas-inventories/.

[10] Cai W, Borlace S, Lengaigne M, et al. Increasing frequency of extreme El Ni?o events due to greenhouse warming [J]. Nature Climate Change, 2014,4:111-116.

[11] Buchwitz M. Retrieval of trace gas vertical columns from SCIAMACHY/ ENVISAT near-infrared nadir spectra: first preliminary results [J]. Advances in Space Research, 2004,34:809-814.

[12] Crisp D, Miller C E, DeCola P L. NASA Orbiting Carbon Observatory: Measuring the column averaged carbon dioxide mole fraction from space [J]. J. Appl. Remote Sens, 2008,2:142–154.

[13] Yoshida T, Yoshida Y, Eguchi N, et al. Global concentrations of CO2and CH4retrieved from GOSAT [J]. First preliminary results, 2009,5:160–163.

[14] Frankenberg C, Fisher J B, Worden J, et al. New global observations of the terrestrial carbon cycle from GOSAT: Patterns of plant fluorescence with gross primary productivity [J]. Geophys, 2011,38: AR L17706.

[15] Morino I, Uchino O, Inoue M, et al. Preliminary validation of column- averaged volume mixing ratios of carbon dioxide and methane retrieved from GOSAT short-wavelength infrared spectra [J]. Atmos. Meas. Tech., 2011,4:1061–1076.

[16] Kort E A, Frankenberg C, Miller C E, et al., Space-based observations of megacity carbon dioxide [J]. Geophysical Research Letters, 2012,39(17):17806.

[17] Belgiu M, Dr?gu t L. Random forest in remote sensing: A review of applications and future directions [J]. ISPRS J. Photogramm.Remote Sens, 2016,114:24–31.

[18] Tramontana G, Jung M, Schwalm C R, et al. Predicting carbon dioxide and energy fluxes across global FLUXNET sites with regression algorithms [J]. Biogeosciences, 2016,13:4291–4313.

[19] Mahdianpari M, Salehi B, Mohammadimanesh F, et al. Random forest wetland classification using ALOS-2L-band, RADARSAT-2C-band, and TerraSAR-X imagery [J]. ISPRS J. Photogramm, Remote Sens, 2017,130:13–31.

[20] Wen L, Cao Y. Influencing factors analysis and forecasting of residential energy-related CO2emissions utilizing optimized support vector machine [J]. J. Clean. Prod., 2020,250:119492.

[21] Leerbeck K, Bacher P, Junker R.G, et al. Short-term forecasting of CO2emission intensity in power grids by machine learning [J]. Appl. Energy, 2020,277:115527.

[22] Yang S Y, Lei L P, Zeng Z C, et al. An Assessment of Anthropogenic CO2Emissions by Satellite-Based Observations in China [J]. Sensors, 2019,19:1118.

[23] Mustafa F, Bu L, Wang Q, et al. Neural-network-based estimation of regional-scale anthropogenic CO2emissions using an Orbiting Carbon Observatory-2 (OCO-2) dataset over East and West Asia [J]. Atmos. Meas. Tech, 2021,14:7277–7290.

[24] Sheng M Y, Lei L P, Zeng Z C, et al. Detecting the Responses of CO2Column Abundances to Anthropogenic Emissions from Satellite Observations of GOSAT and OCO-2 [J]. Remote Sens, 2021,13:3524.

[25] Zeng Z C, Lei L P, Hou S S, et al. A regional gap-filling method based on spatiotemporal variogram model of columns [J]. IEEE Trans. Geosci. Remote Sens, 2014,52:3594–3603.

[26] Zeng Z C, Lei L P, Strong K, et al. Global land mapping of satellite- observed CO2total columns using spatio-temporal geostatistics [J]. Int. J. Digit. Earth, 2017,10:426–456.

[27] 吳長江,雷莉萍,曾招城.不同衛(wèi)星反演的大氣CO2濃度差異時空特征分析[J]. 中國科學院大學學報, 2019,36(3):331-337. Wu C J, Lei L P, Zeng Z C. Spatio-temporal analysis of differences among atmospheric CO2concentrations retrieved from different satellite obserbvations [J]. Journal of University of Chinese Academy of Sciences, 2019,36(3):331-337.

[28] Xiao J, Li X, He B, et al. Solar-induced chlorophyll fluorescence exhibits a universal relationship with gross primary productivity across a wide variety of biomes [J]. Glob. Change Biol., 2019,25:e4–e6.

[29] Lee S, Cao C. Soumi NPP VIIRS day/night band stray light characterization and correction using calibration view data [J]. Remote Sensing, 2015,8(2):138.

[30] Sims K, Reith A, Bright E, et al. LandScan Global 2021 [D]. Oak Ridge National Laboratory, 2022.

[31] Parzen E. On estimation of a probability density function and mode [J]. Annals of Mathematical Statistics, 1962,33(3):1065-1076.

[32] Sheng M Y, Lei L P, Zeng Z C, et al. Detecting the responses of CO2column abundances to anthropogenic emissions from satellite observations of GOSAT and OCO-2 [J]. Remote Sens., 2021,13:3524.

[33] Zhang S Q, Lei L P, Sheng M Y, et al. Evaluating Anthropogenic CO2Bottom-Up Emission Inventories Using Satellite Observations from GOSAT and OCO-2 [J]. Remote Sens., 2022,14:5024.

[34] 王震山,繩夢雅,肖 薇,等.基于多源碳衛(wèi)星融合產(chǎn)品的中國地區(qū)XCO2與人為CO2排放時空變化[J]. 中國環(huán)境科學, 2023,43(3): 1053-1063. Wang Z S, Sheng M Y, Xiao W, et al. Spatiotemporal variations of XCO2and anthropogenic CO2emissions in China based on multi- source carbon satellite fusion products [J]. China Environment Science, 2023,43(3):1053-1063.

[35] 陶 瑩,楊 鋒,劉 洋,等.K均值聚類算法的研究與優(yōu)化[J]. 計算機技術與發(fā)展, 2018,28(6):90-92. Tao Y, Yang F, Liu Y, et al. Research and optimization of K-means clustering algorithm [J]. Computer Technology and Development, 2018,28(6):90-92.

[36] Wheeler D, Ummel K. Calculating CARMA: Global estimation of CO2Emissions from the power sector [J]. Working Papers, 2008, DOI:10.2139/ssrn.1138690.

[37] Ummel K. CARMA revisited: An updated database of carbon dioxide emissions from power plants worldwide [M]. Center for Global development. 2012.

[38] Chevallier F, Broquet G, Zheng B, et al. Large CO2emitters as seen from satellite: Comparison to a gridded global emission inventory. Geophys. Res. Lett, 2020,49:e2021GL097540.

[39] Jonas M, Marland G, Krey V, et al. Uncertainty in an emissions- constrained world [J]. Clim. Change, 2014,124:459–476.

[40] Wang R, Tao S, Ciais P, et al. High-resolution mapping of combustion processes and implications for CO2emissions [J]. Atmos. Chem. Phys., 2013,13:5189–5203.

[41] Wang C, Corbett J.J, Firestone J. Improving Spatial Representation of Global Ship Emissions Inventories [J]. Environ. Sci. Technol., 2008, 42:193–199.

[42] 甄江紅,成 舜,郭永昌,等.包頭市工業(yè)用地土地集約利用潛力評價初步研究[J].經(jīng)濟地理, 2004,(2):250-253. Zhen J H, Cheng S, Guo Y C, et al. Preliminary study on land intensive utilization potential evaluation of industrial land in Baotou City [J]. Economic Geography, 2004,(2):250-253.

[43] 段文嬌,郎建壘,程水源,等.京津冀地區(qū)鋼鐵行業(yè)污染物排放清單及對PM2.5影響[J]. 環(huán)境科學, 2018,39(4):1445-1454. Duan W J, Lang J L, Cheng S Y, et al. Emission inventory of iron and steel industry and its impact on PM2.5in Beijing-Tianjin-Hebei region [J]. Environmental Science, 2018,39(4):1445-1454.

[44] 李厚民,王登紅,李立興,等.中國鐵礦成礦規(guī)律及重點礦集區(qū)資源潛力分析[J]. 中國地質, 2012,39(3):559-580. Li H M, Wang D H, Li L X, et al. Metallogenic regularity of iron ore and resource potential analysis of key ore concentration areas in China [J]. Geology in China, 2012,39(3):559-580.

A neural network partitioning method for carbon emission estimation based on spatial-temporal clustering of atmospheric CO2concentration.

ZHANG Shao-qing1,2,3, LEI Li-ping1,2*, SONG Hao4, GUO Kai-yuan1,2,3, JI Zhang-hui1,2,3, SHENG Meng-ya5,6

(1.Key Laboratory of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China；2.International Research Center of Big Data for Sustainable Development Goals, Beijing 100094, China；3.University of Chinese Academy of Sciences, Beijing 100049, China；4.China University of Geosciences (Beijing), Beijing 100083, China；5.China Highway Engineering Consultants Corporation, Beijing 100094, China；6.Space Information Application and Disaster Prevention and Mitigation Technology Transportation Industry R & D Center, Beijing 100094, China)., 2023,43(10)：5604～5613

Aiming at the non-normal distribution of anthropogenic carbon emissions due to the large spatial difference of magnitude, a neural network estimation model for anthropogenic carbon emissions was proposed in this study based on the clustering of spatial-temporal variation characteristics of satellite XCO2. Using the spatial and temporal variations of satellite XCO2(2010～2021), which are strongly correlated with anthropogenic carbon emissions, for clustering and partitioning, and utilizing satellite-observed SIF, nighttime lighting, as well as population density and anthropogenic emission inventory(EDGAR) as training data, neural network models for Carbon emission estimation were built respectively in each cluster region, and the anthropogenic carbon emissions of the study area were estimated for the year 2021. Cross-verification results with EDGAR show that compared with the unified modeling method based on the data of the whole study area, the estimation result of the partition modeling proposed in this study increased the correlation coefficient (2) from 0.43 to 0.82, with more reasonable spatial distribution, and the mean deviation decreased from 0.039Mt CO2to 0.018Mt CO2. The study shows that the estimation of anthropogenic carbon emissions using neural network training with multi-source data can provide data support for the characterization of regional carbon emissions and the assessment of uncertainty in emission inventories.

anthropogenic carbon emission；neural network；multi-source data；machine learning

X51

A

1000-6923(2023)10-5604-10

2023-03-09

國家重點研發(fā)計劃項目(2022YFC3800700);國家重點研發(fā)計劃項目(2020YFA0607503)

* 責任作者, 研究員, leilp@radi.ac.cn

張少卿(1994-),男,山東青州人,中國科學院空天信息創(chuàng)新研究院博士研究生,主要從事人為碳排放定量估算方面研究.發(fā)表論文1篇. zhangsq@radi.ac.cn.

張少卿,雷莉萍,宋 豪,等.一種基于大氣CO2濃度時空特征的碳排放分區(qū)估算方法 [J]. 中國環(huán)境科學, 2023,43(10):5604-5613.

Zhang S Q, Lei L P, Song H, et al. A neural network partitioning method for carbon emission estimation based on spatial-temporal clustering of atmospheric CO2concentration [J]. China Environmental Science, 2023,43(10):5604-5613.