En högupplöst daglig CO₂-dataset för Kina (2016–2020)

Varför det spelar roll att följa Kinas koldioxidavtryck

Koldioxid är den viktigaste människoskapade gasen som värmer planeten, och Kina är nu världens största utsläppare. Ändå har vi, även i detta noga bevakade land, saknat en tydlig dag‑för‑dag-bild av hur koldioxidutsläpp och naturlig upptagning varierar över dess vidsträckta territorium. Den här artikeln presenterar ett nytt högupplöst dataset som kartlägger atmosfärisk CO₂ över Kina varje dag från 2016 till 2020 och erbjuder en skarpare lins för var koldioxiden kommer ifrån, var den tas upp och hur dessa mönster förändras med årstiderna.

Brister i att övervaka en osynlig gas

CO₂ i sig är osynligt, liksom många av de processer som släpper ut eller absorberar den. Under åratal har forskare förlitat sig på två huvudverktyg: spridda markstationer som mäter luften på fasta punkter och satelliter som skannar atmosfären från rymden. Markstationerna är mycket noggranna men glest placerade och missar största delen av landet däremellan. Satelliter som Nasa:s OCO‑2 ger vid täckning men ser bara smala remsor av jorden vid varje omlopp och förmörkas ofta av moln och dis. Som en följd är råa satellitkartor över CO₂ fulla av luckor i både rum och tid, vilket begränsar deras användbarhet för att spåra regionala utsläpp eller pröva klimatpolitik.

Att sammanföra många ledtrådar till en tydlig bild

För att fylla dessa luckor utvecklade forskarna en metod som lär sig hur CO₂ beter sig genom att kombinera satellitmätningar med en bred uppsättning annan information. De utgick från OCO‑2:s precisa men fläckvisa CO₂-mätningar och anpassade dem till ett fint rutnät som täcker Kina med ungefär 10 kilometers mellanrum. På detta rutnät la de data om väder, temperatur, luftfuktighet, solljus, markfukt, växtlighetens hälsa, fossila utsläpp, nattliga ljus (en indikator på ekonomisk aktivitet) och utsläpp från bränder, tillsammans med andra satellitprodukter för CO₂ och globala reanalysfält. En kraftfull maskininlärningsalgoritm kallad XGBoost tränades sedan för att förutsäga CO₂ överallt och varje dag från dessa sammansatta ledtrådar, vilket i praktiken lärde sig hur olika förhållanden och aktiviteter lämnar avtryck i luften ovanför.

Smartare träning för en komplex modell

Moderna maskininlärningsmodeller kan fånga mycket subtila mönster men är ökända för att vara känsliga för sina interna inställningar. Istället för att manuellt justera dessa inställningar använde teamet en strategi lånad från statistiken kallad bayesisk optimering. Denna metod söker metodiskt efter kombinationer av modellparametrar som ger bästa prestanda, styrd av tidigare försök snarare än slumpmässiga gissningar. De använde också en nyare teknik som heter SHAP, vilken gör det möjligt att bryta ner varje modellprediktion i bidrag från enskilda faktorer, såsom fossila utsläpp, växtlighet eller luftfuktighet. Denna ökade transparens hjälper till att säkerställa att modellen speglar verkligt fysikaliskt beteende—till exempel att grönare regioner tenderar att ta upp mer CO₂ från luften—snarare än spökartade mönster gömda i datan.

Vad de nya kartorna visar

Det resulterande datasetet levererar sömlösa dagliga kartor över kolumnmedelvärdet av CO₂‑koncentrationen över Kina mellan 2016 och 2020. Jämfört med dolda OCO‑2‑observationer motsvarar de rekonstruerade värdena mycket väl och förklarar omkring 98 % av den observerade variationen med ett genomsnittligt avvikelsevärde långt under 1 del per miljon. Oberoende kontroller mot högprecisions markstationer i Hefei och Xianghe bekräftar att den nya produkten är åtminstone lika tillförlitlig som, och ofta bättre än, etablerade globala reanalysdataset. Kartorna framhäver ett tydligt mönster med högre CO₂ över östra industriområden och tätbefolkade stadsregioner, och lägre värden över höga platåer och stora skogsområden. De fångar också starka säsongsvängningar: CO₂ ökar på vintern när uppvärmning och elbehov stiger och växtligheten avtar, och minskar på sommaren när växtligheten är som mest aktiv.

Hur detta hjälper klimatåtgärder

För icke‑specialister är huvudbudskapet att vi nu har en mycket skarpare och mer kontinuerlig bild av CO₂ över Kina—dag för dag, region för region. Detta dataset mäter inte direkt fabriks‑ eller stadsutsläpp, men det förbättrar kraftigt vår förmåga att se deras fingeravtryck i atmosfären, skilja dem från naturliga variationer och kontrollera om utsläppsminskande åtgärder ger mätbara effekter. I praktiska termer kan dessa högupplösta kartor hjälpa forskare att förfina uppskattningar av källor och sänkor för kol, bistå beslutsfattare i att följa framsteg mot Kinas mål för utsläppstopp och koldioxidneutralitet, och vägleda industrier och städer när de planerar renare, mer klimatvänliga framtider.

Citering: 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

Nyckelord: koldioxid, satellitdata, Kinas utsläpp, maskininlärning, klimatövervakning