中国高分辨率日常二氧化碳数据集（2016–2020）

追踪中国碳足迹为何重要

二氧化碳是人为造成的主要增温气体，而中国目前已成为世界上最大的排放国。即便在这个被广泛关注的国家，我们也缺乏一幅清晰的逐日图景来展示碳污染和自然碳汇在其广袤领土上的空间与时间变化。本文介绍了一个新的高分辨率数据集，该数据集对2016至2020年间中国大气中的二氧化碳进行每日绘制，为我们提供了更为清晰的视角，以识别碳排放来源、碳汇位置及这些格局随季节的变化。

监测这种看不见气体的难点

二氧化碳本身是不可见的，许多释放或吸收它的过程也同样难以直接观测。多年来，科学家主要依靠两类工具：分布稀疏的地面观测站在固定点测量空气，以及从太空扫描大气的卫星。地面观测非常精确，但站点稀少，无法覆盖站点之间的大部分地区。像美国宇航局的 OCO‑2 这类卫星覆盖广泛，但每次轨道只观测地球上的狭长条带，且常被云层和雾霾遮挡。因此，原始卫星 CO₂ 图在时空上充斥着空洞，限制了其在追踪区域排放或检验气候政策方面的实用性。

将多种线索融合为一幅清晰图像

为填补这些空白，研究人员开发了一种方法，通过将卫星读数与大量其他信息结合起来，让模型学习二氧化碳的行为。他们以 OCO‑2 提供的精确但零散的 CO₂ 测量为起点，将其对齐到覆盖中国、网格间距约为 10 公里的精细网格上。在该网格上叠加了天气、温度、湿度、日照、土壤水分、植被健康、化石燃料排放、夜间灯光（作为经济活动的代理）和火源排放等数据，以及其他卫星 CO₂ 产品和全球再分析场。然后，使用一种名为 XGBoost 的强大机器学习算法，对这些组合线索进行训练，以实现对任意地点和每日 CO₂ 的预测，实质上让模型学习不同条件和人类活动如何在上空留下特征。

为复杂模型进行更聪明的训练

现代机器学习模型能够捕捉非常细微的模式，但对内部参数设置非常敏感。团队没有手工调整这些设置，而是采用了统计学借用的一种策略——贝叶斯优化。这种方法以往验为指导，有条不紊地搜索能带来最佳性能的参数组合，而不是靠随机试探。他们还用了近来的技术 SHAP，允许他们将每次模型预测分解为来自各个因素的贡献，例如化石燃料排放、植被或湿度等。这种透明性有助于确保模型反映真实的物理行为——例如更绿的地区往往从空气中吸收更多 CO₂——而不是数据中隐藏的虚假模式。

新地图揭示了什么

由此得到的数据集提供了覆盖 2016 至 2020 年间中国的无缝每日柱平均 CO₂ 浓度图。与预留的 OCO‑2 观测数据对比时，重建值与观测值高度一致，能解释约 98% 的观测变异，平均差异远小于 1 百万分之一。对合肥和香河等高精度地面观测站的独立验证表明，这一新产品至少与现有的全球再分析数据集一样可靠，且在很多情况下更优。地图突显出东部工业区和人口稠密城市群上空的较高 CO₂ 模式，以及高原和主要森林区的较低值。它们还捕捉到了明显的季节性波动：冬季因取暖和电力需求上升且植被生长减缓而 CO₂ 上升；夏季植被旺盛时 CO₂ 则下降。

这对气候行动的意义

对非专业人士来说，关键结论是我们现在对中国上空的 CO₂ 拥有更清晰、更连续的逐日视图——逐区、逐日。这一数据集并不直接测量工厂或城市的排放，但它大大增强了我们在大气中识别这些排放指纹、将其与自然变化区分开来并检验减排努力是否产生可测效果的能力。在实际应用上，这些高分辨率地图可以帮助科学家改进碳源与碳汇的估算，协助决策者跟踪中国达峰与碳中和目标的进展，并为产业和城市规划更清洁、更有利于气候的未来提供参考。

引用: 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

关键词: 二氧化碳, 卫星数据, 中国排放, 机器学习, 气候监测