近日，西安交通大学联合重庆大学、广东工业大学在著名一区TOP期刊APPLIED ENERGY (IF=11.2) 发表学术论文《Multi-scale carbon emission characterization and prediction based on land use and interpretable machine learning model: A case study of the Yangtze River Delta Region, China》，以中国长江三角洲地区作为研究算例，提出了一种基于可解释机器学习和土地利用的碳排放表征与预测模型。
针对传统卫星遥感解译无法实现建成区土地利用瓦片识别的问题，研究采用了一套土地利用精细化方法，将建成区精细化为商业、居住、商住混合、工业等与碳排放高度相关的土地利用类型；针对传统机器学习模型可解释性较差的问题，研究采用SHAP模型，揭示了土地利用对碳排放的边际影响曲线。通过算例，展示了模型在高准确度预测、多尺度高精度表征、中长期适用等较传统碳排放预测模型的优势。碳排放是影响全球气候变化的重要因素，碳排放特征及其预测对区域可持续发展具有重要意义。研究使用的模型不依赖于社会经济指标，因此可以在脱钩效应之后进行碳排放预测，还能反映碳排放的空间分布特征，具有较高的准确性和可解释性。利用GIS-Kernel Density进行土地利用细分和优化的Extra Tree回归，模型达到了较高的精度(训练R2
= 0.99，检验R2 = 0.86)。采用Shapley加性解释(SHAP)模型对模型进行解释，揭示了不同土地面积对碳排放的影响曲线。优化土地扩展分析策略(Opti -LEAS)和基于多随机种子(CARS)模型的元胞自动机模拟了基线情景下的土地利用，总体精度超过85%。预计2030年长三角地区碳排放总量将达到158070万吨，其中上海以22384万吨居首，苏州以17220万吨紧随其后。以县域碳排放为特征，利用空间计量模型揭示了未来碳排放的空间分布特征，表明存在聚类效应(Moran’s I = 0.6076)。随着工业用地的分散，集群向区域中心转移，吴中区等地区被确定为99%置信度的碳排放热点。图1 模型技术框架图
图2 建设用地规模对碳排放的边际影响
图3 城市尺度碳排放预测
图4 区县级碳排放预测
Luo, H., Wang, C., Li, C., Meng, X., Yang, X., Tan, Q., 2024. Multi-scale carbon emission characterization and prediction based on land use and interpretable machine learning model: A case study of the Yangtze River Delta Region, China. Appl. Energy 360, 122819.
DOI:10.1016/j.apenergy.2024.122819
该研究团队近期在土地利用碳排放领域还取得了如下成果，详情请查阅往期推送：一区TOP！基于土地利用的城市级碳排放预测模型研究；土地利用碳排放研究领域新进展。
