香港中文大学（深圳） 章政文，赵俊华等：碳卫星、电力数据和人工智能下的新型碳排放计量

香港中文大学（深圳） 章政文，赵俊华等：碳卫星、电力数据和人工智能下的新型碳排放计量 为什么使用碳卫星数据来进行电厂的碳计量？ 为了应对全球气候变化问题，巴黎协议要求其成员国减少温室气体的排放, 并最终实现碳中和。为了实现这一目标，准确客观的碳计量至关重要。尽管现在有基于自行测算申报的碳计量系统，但是人们仍然需要另一种独立的方式来辅助、补充和校验自行披露数据。碳卫星利用卫星遥感技术进行大范围观测，可以得到准确、统一和客观的CO2柱平均干空气混合比（碳卫星观测到的区域内柱平均CO2浓度，简称碳浓度，后文用XCO表示）数据。联合国政府间气候变化专门委员会（IPCC）也将碳浓度遥感观测列为碳排放清单估算的重要验证手段。 02 为什么要需要结合碳卫星数据、电力数据和人工智能算法？ 碳卫星数据具有统一、大范围、可重复观测等优点，同时电力数据具有极高的数据采样频率和质量。深度学习由于其强大的数据表达能力已经成功应用于计算机视觉、自然语言处理和其他众多领域。使用深度学习算法来赋能碳计量领域。结合碳卫星、电力数据和环境数据这些多模态数据的特性和优点，以及先进的人工智能算法构建碳计量模型，以实现更高精度、广度和频率的碳计量。 03 与连续烟气监测系统检测方法的对比 电厂也可以通过安装连续烟气监测系统（CEMS）实现高频率（小时级别）和高精度的直接碳排放监测。然而，由于CEMS设备价格昂贵，为每个火力发电厂的烟囱配备这种设备的成本过高。因此，仍有必要发展一种成本较低的方法来计量电厂的直接碳排放。相对的基于碳卫星与电力数据的碳计量的成本则仅限于碳卫星的成本。 04 多模态的数据处理 对数据经过分析和统计，发现多模态数据具有下列问题： 1） 碳卫星数据测得的XCO2有大概0.3%的偏差（约10-6）； 2）约25%碳卫星扫描区域XCO2数据缺失（因为云层会严重干扰碳卫星的观测）； 3）XCO2数据中存在大量无效点； 4）电力排放数据中CEMS碳排放数据存在大量缺失值。 笔者基于多模态数据结构和上述数据问题设计了如图1所示的全自动数据处理方法，该方法完全基于多模态数据的特性，没有任何额外的时间间隔要求和假设。 05 构建基于多模态数据特性的深度学习模型 首先对多模态数据进行了如图2所示的向量化编码，并设计了如图3所示的符合多模态数据特性的深度学习模型CarbonNet和训练方法。由于碳卫星数据相较电力数据过于复杂的特性，提出了两步走的人工智能碳排放计量模型训练方法：1）基于无碳排标签的模型预训练方法用以提取碳卫星数据向量形式的深度特征；2）结合提取的深度特征和电力数据利用线性回归构建碳排放估算模型。 06 结合碳卫星数据、电力排放数据和人工智能算法的碳计量效果如何？ 结合碳卫星数据和发电量数据构建的回归模型定量指标结果如表1所示。该模型R2值（1减去残差平方和与总平方和的比值，越接近1表示回归模型效果越好）为0.831，表明模型估算的碳排放量和CEMS实测的碳排放量之间具有良好的相关性。此外，模型估算的碳排放量与实际碳排放量的关系如图4所示，可以直观地看出，拟合线性度较高，模型估算的碳排放量与实际排放量具有较为明显的线性关系。 07 未来展望 笔者以单颗碳卫星数据为基础进行实验验证了方法的有效性。然而，所提方法可以轻易泛化至其他碳卫星上构建碳排放计量模型。理论上，利用多颗碳卫星的数据可以将碳排放计量频率提高数倍。未来基于下一代碳卫星（如中国的TanSAT-2、美国的GeoCARB、欧洲碳卫星CO2M）发布的更高频率和更高分辨率的碳浓度数据，可以借助所提方法实现更高精度和频率的碳排放计量。