The Innovation | 看不见的碳，流动的人：基于移动大数据的人为碳排放时空预测

传统碳排放测算主要依赖统计核算、清单编制或遥感反演。然而，这些方法存在时间滞后，难以及时捕捉快速变化的社会经济活动及其排放响应。针对这一问题，本研究创新了一条不同的技术途径：人会流动，生产会运转，消费会发生，而这些活动背后往往伴随着能源消耗和排放。能否从持续发生的人类活动出发，更及时地估算人为CO2排放？这项工作，正是尝试将“人类活动的流动痕迹”转化为理解和预测人为CO2排放的方法之一。

导 读

碳排放评估是气候治理的重要基础，但传统方法往往面临更新周期长、成本高和时空覆盖有限等挑战。本研究以人口流动作为“行为代理”，为人为CO2排放推断提供一种新的数据驱动视角。

图1 图文摘要

一、人口流动与碳排放特征的时空关联

研究首先将手机信令数据构建的城市间人口流动网络，与GRACED（Global gRidded dAily CO2Emissions Dataset）日尺度多源CO2排放数据进行对照分析。结果显示，在2020年初疫情冲击期间，我国人口流动与CO2排放呈现显著同步变化 (r= 0.89,p< 0.001)。在空间上，排放较高的东部沿海和主要城市群区域，也对应更密集的人口流动 (r= 0.49,p< 0.001)。这表明，人口流动能够捕捉到社会经济活动变化，并在一定程度上反映排放变化。

图2 疫情冲击下人口流动与CO2排放的相关性分析

二、基于人口流动网络特征的CO2排放推断框架

在此基础上，本研究构建了一个基于人口流动的CO2排放推断框架。通过将手机信令数据转化为逐日人口流动网络（城市为节点，流动为连边），并提取网络的节点中心性、网络密度、聚类系数等结构特征。这些动态流动特征与人口规模、地理位置等静态属性相结合，构建机器学习模型，用于推断不同城市和不同时期的CO2排放水平。结果显示，在中国366个城市、60天数据上，表现最佳的LGBM模型对多源、国内航空排放、地面交通CO2排放均取得较好预测效果（R2≥0.98）。即使在疫情封控带来的剧烈扰动阶段，预测结果仍与GRACED数据保持高度一致。这表明，人口流动网络可为CO2排放的高频推断提供有效信息。

图3 基于人口流动网络的CO2排放推断结果与GRACED数据对比

三、多国验证下的稳定推断能力

研究进一步将方法应用于意大利、美国和墨西哥，并使用 GRACED 和 ODIAC（Open-source Data Inventory for Anthropogenic CO2）两套排放清单进行验证。结果显示，该框架在不同国家、不同空间尺度和不同排放数据源下均保持较好预测表现，这表明本方法具有良好的泛化能力与应用潜力。

图4 方法在意大利、美国和墨西哥的泛化能力

四、从流动网络到区域碳减排治理单元

在应用层面，本研究利用人口流动网络识别出具有紧密联系的功能性城市群，这些区域由真实的流动关系而非行政边界构成。结果显示，不同城市群的排放水平与其在网络中的结构位置密切相关。这一发现进一步表明，除传统行政单元外，基于流动关系识别功能性区域，也可以为跨区域协同减排提供新的参考。

图5 人口流动定义的功能城市群与区域排放格局

总结与展望

通过大规模人口移动数据，本研究揭示了人为CO2排放变化与人口流动行为之间的显著关联，并开发了一套基于人口流动网络的排放推断框架。结果表明，该框架在中国GRACED数据上取得R2≥ 0.98的预测性能；在美国、意大利和墨西哥等不同国家，以及GRACED和ODIAC两套排放清单上，预测性能均达到R2≥ 0.90，显示出优秀的鲁棒性和泛化能力。未来，若结合遥感观测、能源结构、产业活动和气象条件等数据，该框架有望为更及时、更精细的区域CO2排放评估与协同减排治理提供有力支持。

责任编辑

何厅厅  国防科技大学

罗宇涵  中国科学院合肥物质院安徽光机所