课题组基于卫星遥感数据与再分析资料，通过时空插值方法开发，重构了2015-2021年中国地区0.5°× 0.5°分辨率的XCO2 数据集，揭示大气CO2浓度的时空变化特征；通过聚类分析与机器学习方法，建立了相应碳排放预测模型，揭示中国地区碳排放特征及其主要影响因素。研究成果在Atmospheric Environment期刊上发表了题为Estimation of carbon emissions in various clustered regions of China based on OCO-2 satellite XCO2 data and random forest modelling的论文，2021级硕士生谭懿冰为第一作者。

       准确估算人为碳排放量对于制定并有效实施气候政策，以及设定可行的二氧化碳减排目标至关重要，本研究通过对XCO2异常值（ΔXCO2）和人为二氧化碳开放源数据清单（ODAIC）的月平均值进行聚类，在不同特征区域内构建了随机森林模型，从而实现了对碳排放的高精度预测。结果表明，ΔXCO2对人为碳排放变化响应敏感,不同碳排特征区域的排放预测结果与排放清单一致性较好，R2平均为0.7左右，基于Shap方法的碳排预测敏感因素分析，发现夜间灯光数据在每个聚类区域下对模型输出结果占主导作用，初级生产总产力（GPP）和生物质燃烧（BBE）是西南和东北地区影响碳排放预测模型最重要的两个参数，ΔXCO2则是中部和东部地区贡献度最显著的变量。该研究利用遥感数据建立机器学习模型，量化不同特征区域的碳排放，为精细化碳监测与管理战略提供新的思路与支撑。

原文链接：Yibing Tan, Shanshan Wang*, Ruibin Xue, Sanbao Zhang, Tianyu Wang, Jiaqi Liu, Bin Zhou. Estimation of Carbon Emissions in Various Clustered Regions of China Based on OCO-2 Satellite XCO2 Data and Random Forest Modelling, Atmospheric Environment, 338, 120860, 2024.DOI: https://doi.org/10.1016/j.atmosenv.2024.120860