ערכת נתוני CO₂ יומית ברזולוציה גבוהה לסין (2016–2020)

מדוע ניטור טביעת הפחמן של סין חשוב

פחמן דו‑חמצני הוא הגז העיקרי שמקורו בפעילות אדם ומחמם את כוכב הלכת, וסין היא היום המפליטה הגדולה בעולם. ועדיין, אפילו במדינה שנצפית היטב זו חיסר לנו תמונה יומית ברורה של האופן שבו זיהום הפחמן והקליטה הטבעית של פחמן משתנים ברחבי שטחה העצום. מאמר זה מציג ערכת נתונים חדשה ברזולוציה גבוהה שממפה את CO₂ באטמוספירה מעל סין מדי יום בין השנים 2016–2020, ומציעה עדשה חדה יותר שמראה מאיפה מגיע הפחמן, היכן הוא נספג ואיך דפוסים אלה משתנים בהתאם לעונות השנה.

פערים במעקב אחרי גז בלתי נראה

ה‑CO₂ עצמו בלתי נראה, וכך גם רבים מהתהליכים שמשחררים או סופגים אותו. במשך שנים הסתמכו המדענים על שני כלים עיקריים: תחנות קרקע מפוזרות שמודדות את האוויר בנקודות קבועות, ולוויינים שסורקים את האטמוספירה מהחלל. תחנות הקרקע מדויקות מאוד אך נדירות, וכך מפספסות רוב השטח שביניהן. לוויינים כמו OCO‑2 מספקים כיסוי רחב אך רואים רק רצועות צרות של כדור הארץ בכל מסלול והם לעתים מוסתרים על ידי עננים ומעבר ערפל. כתוצאה מכך, מפת הלוויין הגולמית של CO₂ מלאה בחורים במרחב ובזמן, מה שמגביל את יעילותה במעקב אחרי פליטות אזוריות או בבחינת מדיניות אקלימית.

מיזוג רמזים רבים לתמונה ברורה אחת

כדי למלא את הפערים האלה, חוקרי הצוות פיתחו שיטה שלומדת כיצד ה‑CO₂ מתנהג על ידי שילוב קריאות לוויין עם מגוון רחב של מידע אחר. הם התחילו עם מדידות ה‑CO₂ המדויקות אך חסרות הרציפות של OCO‑2 ויישרו אותן על גריד עדין שמכסה את סין בריווח של כ‑10 קילומטרים. על הגריד הזה הם הציבו נתונים על מזג אוויר, טמפרטורה, לחות, קרינת שמש, לחות קרקע, בריאות הצמחייה, פליטות דלקים מאובנים, אורות לילה (כמדד לפעילות כלכלית) ופליטות אש, לצד מוצרי CO₂ לווייניים נוספים ושדות רענון גלובליים. אלגוריתם חזק של למידת מכונה בשם XGBoost הוכשר אז לחזות CO₂ בכל מקום ובכל יום מתוך הרמזים המשולבים הללו, ולמעשה ללמוד כיצד תנאים ופעילויות שונות מותירות את חותמן על האוויר שמעל.

הדרכה חכמה יותר למודל מורכב

מודלים מודרניים של למידת מכונה יכולים ללכוד דפוסים עדינים מאוד אך רגישים מאוד להגדרות הפנימיות שלהם. במקום לכייל ידנית הגדרות אלה, הצוות השתמש באסטרטגיה שנשאבה מתחום הסטטיסטיקה הנקראת אופטימיזציה בייזיאנית. גישה זו מחפשת באופן מתודי שילובים של פרמטרים שמניבים את הביצועים הטובים ביותר, מונחית על ידי ניסיונות קודמים במקום ניחושים אקראיים. הם גם השתמשו בטכניקה עדכנית בשם SHAP, שמאפשרת לפרק כל תחזית של המודל לתרומות של גורמים פרטניים, כגון פליטות דלקים מאובנים, צמחייה או לחות. השקיפות הנוספת הזו עוזרת לוודא שהמודל משקף התנהגות פיזיקלית אמיתית — למשל, שאזורים ירוקים נוטים לספוג יותר CO₂ מהאוויר — במקום דפוסים שגויים הטמונים בנתונים.

מה המפות החדשות חושפות

ערכת הנתונים שהתממשה מספקת מפות יומיות רציפות של ריכוז CO₂ הממוצע לעמודה מעל סין בין 2016 ל‑2020. בהשוואה לתצפיות OCO‑2 שנחסמו מן ההכשרה, הערכים המשוקמים מתאימים היטב ומסבירים כ‑98% מהשונות הנצפית כשהשגיאה הממוצעת נמוכה משמעותית מחלק לאחד במיליון. בדיקות בלתי תלויות מול תחנות קרקע מדויקות בהפיי ובשיאנגה מאשרות שהמוצר החדש אמין לפחות באותה מידה ולעתים אף טוב יותר מאשר ערכות רענון גלובליות מקובלות. המפות מדגישות דפוס ברור של ריכוזים גבוהים יותר של CO₂ באזורים תעשייתיים מזרחיים ובמרכזי ערים צפופים, ורמות נמוכות יותר בצורות גבוהות ובאזורי יער ייעודיים. הן גם לוכדות תנודות עונתיות חזקות: CO₂ עולה בחורף כאשר הביקוש לחימום ולחשמל גדל וצמיחת הצמחייה מואטת, ויורד בקיץ כאשר הצמחייה בשיאה.

כיצד זה מסייע לפעולה אקלימית

ללא‑מומחים, המסר המרכזי הוא שעכשיו יש לנו תמונה חדה ורציפה יותר של CO₂ מעל סין — יום אחר יום, אזור אחר אזור. ערכת נתונים זו אינה מודדת ישירות פליטות מפעלים או ערים, אך היא משפרת משמעותית את יכולתנו לזהות את טביעות האצבע שלהן באטמוספירה, להפרידן משינויים טבעיים, ולבדוק האם מאמצי הורדת הפליטות מביאים לשינוי מדיד. מבחינה מעשית, מפות ברזולוציה גבוהה אלה יכולות לסייע למדענים לדייק הערכות של מקורות ומשאבות פחמן, לסייע למקבלי החלטות במעקב אחר התקדמות לקראת שיא פליטות וניטרליות פחמן בסין, ולהנחות תעשיות וערים בתכנון עתידי נקי הידידותי יותר לאקלים.

ציטוט: 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

מילות מפתח: פחמן דו‑חמצני, נתוני לוויין, פליטות בסין, למידת מכונה, ניטור אקלים