Een dagdataset met hoge resolutie voor CO₂ in China (2016–2020)

Waarom het bijhouden van China’s koolstofvoetafdruk telt

Kooldioxide is het belangrijkste door mensen veroorzaakte broeikasgas dat de planeet opwarmt, en China is nu ’s werelds grootste uitstoter. Zelfs in dit nauwlettend gevolgde land ontbrak tot nu toe een helder, dagtotaalbeeld van hoe koolstofvervuiling en natuurlijke koolstofopname over het uitgestrekte grondgebied variëren. Dit artikel presenteert een nieuwe dataset met hoge resolutie die elke dag van 2016 tot 2020 de atmosferische CO₂ over China in kaart brengt, en biedt zo een scherper beeld van waar koolstof vandaan komt, waar het wordt opgenomen en hoe die patronen met de seizoenen veranderen.

Leemtes bij het volgen van een onzichtbaar gas

CO₂ zelf is onzichtbaar, en dat geldt ook voor veel processen die het vrijmaken of opnemen. Jarenlang vertrouwden wetenschappers op twee hoofdtools: verspreide grondstations die lucht op vaste punten meten, en satellieten die de atmosfeer vanuit de ruimte scannen. Grondstations zijn zeer nauwkeurig maar staan verspreid, waardoor het grootste deel van het land ertussen ontbreekt. Satellieten zoals NASA’s OCO‑2 bieden ruime dekking maar zien per omloop slechts smalle stroken van de aardbol en worden vaak gehinderd door wolken en nevel. Als gevolg daarvan zitten ruwe satellietkaarten van CO₂ vol gaten in ruimte en tijd, wat hun bruikbaarheid beperkt voor het volgen van regionale emissies of het toetsen van klimaatbeleid.

Veel aanwijzingen combineren tot één helder beeld

Om deze leemtes op te vullen ontwikkelden de onderzoekers een methode die leert hoe CO₂ zich gedraagt door satellietmetingen te combineren met een breed scala aan andere informatie. Ze begonnen met de precieze, maar onregelmatige, CO₂‑metingen van OCO‑2 en brachten die in kaart op een fijn raster over China met een dichtheid van ongeveer 10 kilometer. Op dit raster legden ze gegevens over weer, temperatuur, luchtvochtigheid, zoninstraling, bodemvocht, vegetatiegezondheid, fossiele‑brandstofemissies, nachtelijke verlichting (als proxy voor economische activiteit) en emissies door branden, samen met andere satelliet‑CO₂‑producten en wereldwijde reanalysevelden. Een krachtig machine‑learningalgoritme genaamd XGBoost werd vervolgens getraind om overal en elke dag CO₂ te voorspellen aan de hand van deze gecombineerde aanwijzingen, en leerde zo effectief hoe verschillende omstandigheden en activiteiten hun sporen in de lucht achterlaten.

Slimmere training voor een complex model

Moderne machine‑learningmodellen kunnen zeer subtiele patronen vastleggen, maar zijn berucht gevoelig voor hun interne instellingen. In plaats van deze instellingen handmatig af te stellen, gebruikte het team een strategie uit de statistiek genaamd Bayesian optimalisatie. Deze aanpak doorzoekt systematisch combinaties van modelparameters die de beste prestaties opleveren, gestuurd door eerdere proeven in plaats van willekeurige gokjes. Ze gebruikten ook een recente techniek genaamd SHAP, waarmee ze elke modelvoorspelling kunnen ontleden in bijdragen van afzonderlijke factoren, zoals fossiele‑brandstofemissies, vegetatie of luchtvochtigheid. Die extra transparantie helpt ervoor te zorgen dat het model echt fysisch gedrag weerspiegelt — bijvoorbeeld dat groener gebied doorgaans meer CO₂ uit de lucht opneemt — en niet door spookachtige patronen in de data wordt misleid.

Wat de nieuwe kaarten onthullen

De resulterende dataset levert naadloze dagelijkse kaarten van de kolomgemiddelde CO₂‑concentratie over China tussen 2016 en 2020. Vergeleken met achtergehouden OCO‑2‑waarnemingen sluiten de gereconstrueerde waarden zeer goed aan: ze verklaren ongeveer 98% van de waargenomen variatie en wijken gemiddeld ruim onder 1 deel per miljoen af. Onafhankelijke controles met hoogprecisiegrondstations in Hefei en Xianghe bevestigen dat het nieuwe product minstens zo betrouwbaar is als, en vaak beter dan, gevestigde wereldwijde reanalysis‑datasets. De kaarten tonen een duidelijk patroon van hogere CO₂‑waarden boven oostelijke industriële regio’s en dichtbevolkte stedelijke clustering, en lagere waarden boven hoge plateaus en grote bosgebieden. Ze vangen ook sterke seizoensschommelingen: CO₂ stijgt in de winter wanneer verwarming en stroomvraag toenemen en de plantengroei vertraagt, en daalt in de zomer wanneer de vegetatie op haar piek is.

Hoe dit klimaatactie helpt

Voor niet‑specialisten is de kernboodschap dat we nu een veel scherper en continu beeld van CO₂ over China hebben — dag na dag, regio per regio. Deze dataset meet niet direct fabrieks‑ of stadsuitstoot, maar verbetert sterk ons vermogen om hun vingerafdrukken in de atmosfeer te zien, ze te scheiden van natuurlijke variaties en te controleren of inspanningen om emissies te verminderen een meetbaar effect hebben. In praktische zin kunnen deze kaarten met hoge resolutie wetenschappers helpen bij het verfijnen van schattingen van koolstofbronnen en -putten, beleidsmakers ondersteunen bij het volgen van de voortgang naar China’s piek‑ en koolstofneutraliteitsdoelen, en industrieën en steden begeleiden bij het plannen van schonere, klimaatvriendelijkere toekomsten.

Bronvermelding: 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

Trefwoorden: kooldioxide, satellietgegevens, Chineese emissies, machine learning, klimaatmonitoring