《Atmospheric Pollution Research》：Research on High-Accuracy Methods for Estimating Carbon Emissions in Hefei City
编辑推荐：
准确表征城市碳排放对低碳规划至关重要。本研究整合多源地理、遥感及统计数据构建高精度城市碳排放模型，采用XGBoost-SHAP机器学习框架，通过POI划定的功能区与夜间灯光数据实现空间分配，结合标准差椭圆与空间自相关分析揭示时空演变规律。结果表明：碳排放总量呈上升趋势，2020年因疫情影响增速放缓；空间分布呈现"中心高、外围低"特征；人口密度和工业用地是主要驱动因素，林地水体发挥显著碳汇作用。模型验证显示R2>0.99，为双碳目标提供科学支撑。
赵世杰|马金吉|徐海峰|李正强|戴晨|钱瑞|王志涵
安徽师范大学地理与旅游学院，芜湖，241003，中国
摘要
准确描述城市碳排放对于精细的低碳规划至关重要。本研究通过整合多源地理、遥感和统计数据，开发了合肥市（2014–2022年）的高精度碳排放模型。为了解决现有方法中分辨率低和可解释性差的问题，构建了一个结合自上而下和自下而上方法的研究框架，并采用了XGBoost–SHAP机器学习模型。具体而言，自上而下和自下而上的方法用于计算基础排放量，而XGBoost则根据POI划分的功能区和夜间光照数据，高精度地分配这些排放量。随后，通过SHAP算法量化驱动因素的非线性贡献，克服了传统机器学习的“黑箱”限制。此外，利用标准差椭圆和空间自相关分析揭示了时空演变趋势。结果显示，总排放量呈现上升趋势，在COVID-19期间有所放缓。从空间上看，排放量呈现出“中心高、边缘低”的分布模式。SHAP分析表明，人口密度和工业用地（HEC）是主要的正向驱动因素，而森林和水体则是重要的碳汇。模型验证证实了高预测准确性（R2 > 0.99）和增强的可解释性。通过这一框架，为城市碳排放监测和中国“双碳”目标的实施提供了有力的科学支持。
引言
随着经济发展和城市化的加速，快速增长与二氧化碳排放之间的矛盾日益加剧（Jia等人，2023年），人类活动排放被认为是全球变暖的主要驱动因素（IPCC，2023年）。这一进展对生态系统和人类社会带来了多方面的挑战（Allen等人，2009年），促使国际社会制定了如《巴黎协定》等框架。作为世界上最大的温室气体排放国，中国在全球气候治理中发挥着关键作用，并承诺在2030年前实现“碳峰值”，在2060年前实现“碳中和”（Sigmond等人，2018年）。实现这些目标需要紧急减少人为排放——例如来自化石燃料燃烧的排放——同时平衡经济需求（Kang等人，2022年；Ma等人，2024年；Jung和Song，2023年）。因此，建立精细的碳监测系统对于协调环境可持续性和经济增长以及推进全球可持续发展战略至关重要（Huang等人，2025年；Yang等人，2017年）。
目前，广泛采用基于能源消耗数据和IPCC系数的排放因子方法进行碳排放估算。这种方法促进了高分辨率数据集的发展，例如分辨率为10公里和1公里的中国高分辨率排放数据库（CHRED）（Cai等人，2018年）以及美国城市的1公里分辨率Vulcan数据集（Gurney等人，2020年）。Zhang等人（2016年）使用类似的方法预测了2010–2030年间中国城乡家庭的能源消耗和随之而来的碳排放。在工业领域，Hongxiang等人（2024年）利用LCA基础清单因子方法建立了煤炭加工厂的碳排放清单。Zheng等人（2025年）结合多源遥感数据和LCA，构建了京津冀地区的空间明确BMCE映射模型。然而，传统的自下而上核算方法受到数据延迟和统计数据粗糙空间粒度的限制（Jing等人，2018年）。因此，这些方法往往无法满足精细低碳规划和及时碳管理的关键要求，使得高精度城市尺度碳排放研究变得至关重要。
遥感技术为碳排放的空间特征描述提供了强大的技术支持（Song等人，2024年）。通过实现对大范围区域环境变化的高时间分辨率监测，它为碳建模提供了必要的基线数据。在空间碳核算领域，夜间光照（NTL）数据因其与人造活动的内在联系而被广泛用作代理指标（Shi等人，2020年）。例如，Du等人（2021年）发现289个中国城市的NTL强度与碳排放之间存在显著相关性，Fang等人（2022年）利用NTL数据阐明了时空变化，有效解决了县级尺度的核算难题。然而，当前的NTL数据集受到相对粗糙的空间分辨率和有限时间跨度的限制。此外，NTL亮度主要作为电能消耗的代理指标。在更细的空间尺度上，由于城市功能区的异质性，NTL数据无法直接捕捉碳排放强度的具体细微差别。因此，现有研究主要集中在宏观尺度估算上，突显了城市内部碳排放精细估算的关键差距（Zheng等人，2022年）。
建成区占能源活动和碳排放的80%以上，是研究城市内部排放异质性的关键界面（Huang等人，2024年）。为了实现这一特征的精细描述，现有研究广泛利用空间数据开发了各种碳排放估算模型。例如，Luo等人（2024年）使用多层感知器（MLP）构建了西安碳排放的预测和描述框架。Wang等人（2025年）比较了包括SVR、RF和XGBoost在内的机器学习算法，绘制了2023年杭州主要城区排放的空间分布图，全面评估了不同城市功能区的空间模式。同样，Ma等人（2023年）利用城市空间数据执行了上海各行业碳排放的高精度空间分配。然而，大多数现有研究依赖于单一年份或近期短期的统计数据，导致特征描述静态化，缺乏长期动态监测分析。这种时间维度的不足严重阻碍了揭示土地利用变化驱动的城市碳排放时空演变模式的能力。
当前研究主要集中在宏观尺度评估上，常常忽略了微观尺度的空间异质性和碳汇动态，而这些对于精确的城市规划至关重要。此外，传统核算方法存在数据延迟和空间分辨率有限的固有问题，现有模型通常缺乏长期时间序列分析的能力。这些限制共同阻碍了城市碳排放时空演变模式的全面揭示。
基于上述问题，本研究选择合肥市作为代表性案例研究，因为它作为长江三角洲的战略次中心城市，体现了快速工业化和城市扩张的“合肥模式”（Yao等人，2022年）。因此，本研究有三个主要贡献：首先，通过整合多源遥感数据和城市功能分区，我们为合肥市开发了一个高时空分辨率的城市碳排放特征模型。这种方法特别解决了快速扩张的内陆城市的排放异质性问题，克服了传统统计核算的时间滞后和单源夜间光照数据的空间分辨率限制，实现了精细的热点识别；其次，我们引入了一个结合XGBoost和SHAP的可解释机器学习框架，量化了碳排放的非线性驱动机制。与传统线性模型不同，该方法有效分离了城市形态、功能区和城市快速转型中固有的碳强度之间的复杂相互作用，增强了结果的可解释性；最后，通过重建2014–2022年的长期碳排放时间序列，本研究揭示了城市碳源和碳汇的动态演变。这一分析不仅明确了合肥市的脱碳路径，还为差异化低碳分区策略提供了科学依据，为其他新兴大城市实施中国的“双碳”目标提供了可复制的参考。
研究区域
本研究选择的研究区域是合肥市，位于中国东部，安徽省中部，长江三角洲的西缘，环绕着巢湖。地理上，它位于北纬30°57′–32°32′，东经116°41′–117°58′之间，总面积约为11,445平方公里。该市下辖四个区、四个县和一个县级市。从地貌上看，合肥市有三种主要地形类型：丘陵高地、低山等
碳排放的时间变化
根据《合肥统计年鉴》（2014–2022年）的能源消耗数据，合肥市的总碳排放在研究期间呈现出明显的阶段性演变模式。如图3(a)所示，从2014年到2019年，全市总碳排放经历了稳步增长阶段，从5169万吨增加到6120万吨，年均增长率约为3.6%。这一趋势反映了城市能源需求的持续扩大
适用性和比较分析
现有研究在平衡空间分辨率和区域适应性以进行碳核算方面面临持续挑战。主流数据集如EDGAR的分辨率较低（0.1°），而ODIAC（Oda等人，2018年）尽管将分辨率提高到1公里，但仍受到夜间光照强度与能源消耗之间非线性偏差的限制。同样，尽管最近的城市内部研究（Liu等人，2024年）通过整合POI实现了网格尺度核算，但这些
结论
本研究通过整合多源地理空间大数据和XGBoost–SHAP可解释机器学习模型，建立了合肥市（2014–2022年）的高精度碳排放反演框架。通过超越传统的基于像素的方法，转向矢量化的功能区，本研究有效克服了传统清单中固有的分辨率粗糙和数据延迟的限制。主要结论如下：
(1)方法论进展和
CRediT作者贡献声明
李正强：监督、资源管理。徐海峰：监督、形式分析、数据整理。马金吉：撰写 – 审稿与编辑、资源管理、方法论、概念构建。赵世杰：撰写 – 初稿撰写、可视化、方法论、数据整理、概念构建。王志涵：软件开发、调查。钱瑞：可视化、形式分析。戴晨：监督、调查
利益冲突声明
? 作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：马金吉报告称获得了国家自然科学基金的支持。如果还有其他作者，他们声明没有已知的可能影响本文工作的财务利益或个人关系。
