基于机器学习算法的碳排放与能源消耗的空间差异化:在2015-2020年期间在中国西的一个案例研究
Hongye Cao1, Ling Han2, Ming Liu2
1China Jikan Research Institute of Engineering Investigations and Design, Co., Ltd., Xi'an 710043, China; College of Geological Engineering and Geomatics, Chang'an University, Xi'an 710061, China.
Journal of environmental sciences (China)
|August 24, 2024
概括
精确的碳排放估计至关重要. 使用夜间灯光 (NTL) 卫星数据的贝叶斯优化XGboost模型显著提高了准确性,超过了有效监测碳排放和制定政策的传统方法.
科学领域:
- 环境科学 环境科学
- 遥感 遥感 遥感 遥感
- 数据科学数据科学数据科学
背景情况:
- 全球各国政府在准确估计能源消费产生的碳排放方面面临着挑战.
- 传统的统计回归模型与碳排放数据固有的复杂,非线性关系作斗争.
- 卫星遥感为改善碳排放评估提供了一个有希望的途径.
研究的目的:
- 开发和验证一个机器学习算法,以更准确地估计碳排放.
- 利用多年能源碳排放数据和夜间灯光 (NTL) 遥感数据.
- 为了比较贝叶斯优化XGboost模型与其他机器学习和线性回归模型的性能.
主要方法:
- 实现贝叶斯优化的XGboost回归模型.
- 使用多年能源碳排放数据集.
- 纳入来自中国西省的夜间灯光 (NTL) 遥感数据.
主要成果:
- 该XGboost算法实现了0.906的高R平方值和5.687的RMSE.
- 观察到每年碳排放量增加,高排放地区的空间变化.
- 在经济发达地区确定了高排放集群,在较不发达地区确定了低排放集群.
结论:
- 建议使用NTL数据的XGboost模型为碳排放估计和预测提供了更准确的方法.
- 这种方法为现有的卫星遥感数据提供了有价值的补充,用于碳排放监测.
- 这些发现支持制定有效的碳减排政策,并推进遥感技术.


