Un jeu de données quotidien haute résolution du CO₂ pour la Chine (2016–2020)

Pourquoi il est important de suivre l’empreinte carbone de la Chine

Le dioxyde de carbone est le principal gaz d’origine humaine qui réchauffe la planète, et la Chine est aujourd’hui le plus grand émetteur mondial. Pourtant, même dans ce pays étroitement surveillé, nous avons manqué d’un portrait clair, jour après jour, de la façon dont la pollution carbonée et l’absorption naturelle du carbone varient à travers son vaste territoire. Cet article présente un nouveau jeu de données haute résolution qui cartographie le CO₂ atmosphérique au-dessus de la Chine chaque jour entre 2016 et 2020, offrant une loupe plus précise sur les sources d’émissions, les zones d’absorption et la façon dont ces schémas évoluent au fil des saisons.

Des trous dans la surveillance d’un gaz invisible

Le CO₂ lui‑même est invisible, tout comme beaucoup des processus qui le libèrent ou l’absorbent. Pendant des années, les scientifiques se sont appuyés sur deux outils principaux : des stations au sol dispersées qui mesurent l’air en des points fixes, et des satellites qui analysent l’atmosphère depuis l’espace. Les stations au sol sont très précises mais rares, laissant de larges zones non couvertes entre elles. Des satellites comme l’OCO‑2 de la NASA offrent une couverture étendue mais ne balayent la Terre que par bandes étroites à chaque orbite et sont souvent empêchés par les nuages et la brume. En conséquence, les cartes satellites brutes du CO₂ présentent de nombreux trous dans l’espace et le temps, ce qui limite leur utilité pour suivre les émissions régionales ou tester des politiques climatiques.

Combiner de nombreux indices pour clarifier l’image

Pour combler ces lacunes, les chercheurs ont développé une méthode qui apprend le comportement du CO₂ en combinant les lectures satellitaires avec une large gamme d’autres informations. Ils sont partis des mesures précises mais lacunaires de l’OCO‑2 et les ont alignées sur une grille fine couvrant la Chine à une résolution d’environ 10 kilomètres. Sur cette grille, ils ont superposé des données météorologiques, température, humidité, ensoleillement, humidité du sol, santé de la végétation, émissions liées aux combustibles fossiles, éclairage nocturne (proxy de l’activité économique) et émissions liées aux incendies, ainsi que d’autres produits satellitaires sur le CO₂ et des champs de réanalyse globale. Un puissant algorithme d’apprentissage automatique appelé XGBoost a ensuite été entraîné à prédire le CO₂ partout et chaque jour à partir de ces indices combinés, apprenant ainsi comment différentes conditions et activités laissent leur empreinte dans l’air.

Un entraînement plus intelligent pour un modèle complexe

Les modèles modernes d’apprentissage automatique peuvent saisir des schémas très subtils mais sont notoirement sensibles à leurs paramètres internes. Plutôt que d’ajuster ces paramètres manuellement, l’équipe a utilisé une stratégie empruntée aux statistiques appelée optimisation bayésienne. Cette approche explore méthodiquement les combinaisons de paramètres du modèle qui offrent les meilleures performances, guidée par des essais antérieurs plutôt que par des hypothèses aléatoires. Ils ont aussi utilisé une technique récente nommée SHAP, qui permet de décomposer chaque prédiction du modèle en contributions provenant de facteurs individuels, tels que les émissions fossiles, la végétation ou l’humidité. Cette transparence additionnelle aide à s’assurer que le modèle reflète un comportement physique réel — par exemple que les régions plus vertes ont tendance à extraire davantage de CO₂ de l’air — plutôt que des corrélations fortuites présentes dans les données.

Ce que révèlent les nouvelles cartes

Le jeu de données résultant fournit des cartes quotidiennes homogènes de la concentration de CO₂ en colonne moyenne sur la Chine entre 2016 et 2020. Comparées aux observations OCO‑2 retenues pour validation, les valeurs reconstruites concordent très bien, expliquant environ 98 % de la variation observée et présentant en moyenne un écart bien inférieur à 1 partie par million. Des vérifications indépendantes contre des stations au sol de haute précision à Hefei et Xianghe confirment que le nouveau produit est au moins aussi fiable que, et souvent meilleur que, les jeux de réanalyse globale établis. Les cartes mettent en évidence un schéma clair : des concentrations plus élevées de CO₂ au-dessus des régions industrielles de l’est et des agglomérations densément peuplées, et des valeurs plus faibles sur les hauts plateaux et les grandes zones forestières. Elles captent aussi de fortes variations saisonnières : le CO₂ augmente en hiver lorsque le chauffage et la demande d’énergie montent et que la croissance végétale ralentit, et il diminue en été quand la végétation est à son zénith.

Comment cela aide l’action climatique

Pour les non‑spécialistes, la conclusion essentielle est que nous disposons désormais d’une vision beaucoup plus nette et continue du CO₂ au‑dessus de la Chine — jour après jour, région par région. Ce jeu de données ne mesure pas directement les émissions des usines ou des villes, mais il améliore grandement notre capacité à discerner leurs empreintes dans l’atmosphère, à les séparer des variations naturelles et à vérifier si les efforts de réduction des émissions produisent un effet mesurable. Concrètement, ces cartes haute résolution peuvent aider les scientifiques à affiner les estimations des sources et puits de carbone, assister les décideurs dans le suivi des progrès vers les objectifs chinois de pic des émissions et de neutralité carbone, et guider les industries et les villes dans la planification d’un avenir plus propre et plus favorable au climat.

Citation: Yuan, Z., Liu, Y., Yang, A. et al. A high-resolution daily CO₂ dataset for China (2016–2020). Sci Data 13, 249 (2026). https://doi.org/10.1038/s41597-026-06569-w

Mots-clés: dioxyde de carbone, données satellitaires, émissions en Chine, apprentissage automatique, surveillance climatique