印度城市道路交通高分辨率网格化CO2与污染物排放数据集（CHETNA-Road）的构建与验证

《Scientific Data》：High-resolution gridded CO2 and pollutant emission data from road traffic in Indian cities

本研究针对印度城市交通排放数据分辨率低、时效性差的问题，开发了基于浮动车数据（FCD）和COPERT模型的500米网格化日尺度排放数据集CHETNA-Road。该数据集覆盖15个印度城市的CO2及10种主要污染物（如NOx、PM2.5），通过机器学习填补数据缺失，并结合燃料消耗数据实现车辆全覆盖。与EDGAR、CAMS等全球数据集对比验证表明，该数据能更精准捕捉城市内部排放热点与时空动态，为印度碳中和目标与空气污染治理提供关键数据支撑。

　　

随着印度城市化进程加速，道路交通已成为温室气体和空气污染的重要来源。目前，印度道路运输贡献了全国12%的CO₂排放，且这一数字可能在2050年前翻倍，严重威胁该国2070年碳中和目标的实现。然而，现有全球排放数据集（如EDGAR、CAMS）受限于粗糙的分辨率（约10公里）和月/年尺度，难以捕捉城市内部的排放热点和日变化规律；而Carbon-Monitor Cities虽提供日尺度数据，但其依赖全局拥堵指数，未充分考虑印度城市交通结构的特殊性。这种数据鸿沟使得精准制定减排政策（如拥堵收费、电动汽车推广）缺乏科学依据。

为突破这一瓶颈，由Rohith Teja Mittakola、Philippe Ciais、Chuanlong Zhou等学者组成的研究团队在《Scientific Data》发表了题为“High-resolution gridded CO₂and pollutant emission data from road traffic in Indian cities”的研究，推出了CHETNA-Road数据集。该研究首次将街级浮动车数据（Floating Car Data, FCD）、机器学习插补和COPERT排放模型相结合，构建了覆盖15个印度城市的500米分辨率日尺度交通排放清单，包括CO₂及10种关键污染物（NO_x、PM_2.5、PM₁₀、CO、VOC、CH₄、N₂O、NH₃、Pb、BC）。

关键技术方法包括：

1. 1.
   基于LightGBM机器学习模型对FCD中的缺失值进行插补，提升数据完整性；
2. 2.
   利用印度石油计划与分析细胞（PPAC）的燃料消费数据和全球人类住区图层（GHSL）人口网格，将车辆计数扩展至全城市范围；
3. 3.
   采用COPERT模型（速度与车型依赖的排放因子）计算排放量；
4. 4.
   通过蒙特卡洛模拟评估不确定性，并与Carbon-Monitor Cities、EDGARv8、CAMSv5等数据集进行时空验证。

数据预处理与质量控制

研究团队从Nexqt平台获取2021年15个印度城市（包括德里、孟买等特大都市及古瓦哈提等中小城市）的FCD数据，包含每小时街段级别的车辆计数和平均速度。针对数据中存在的小范围（≤12小时）和大范围（数天至数周）缺失，分别采用统计插补和LightGBM模型进行填补。模型在测试集上的R²值普遍高于0.60，预测误差约10%。

SHAP分析表明，道路类型和年均交通量是影响预测精度的关键因素。此外，研究还发现原始FCD仅覆盖城市总车辆数的11%-88%（平均35%），通过燃料消费数据推导校正因子，将车辆计数扩展至全城市范围。

排放建模与空间分配

基于完整的移动数据，研究采用COPERT 5.8.1模型生成速度依赖的CO₂和污染物排放曲线，分别针对轿车和卡车计算每小时排放量，并聚合至500米网格。

结果显示，孟买因车辆密度最高，其单位距离CO₂排放量居首；NO_x是仅次于CO₂的主要污染物。排放热点明显集中于主干道和拥堵区域，印证了活动型排放模型相较于代理变量（如人口密度）的优越性。

多源数据验证与不确定性分析

与全球数据集对比表明，CHETNA-Road在时间趋势上与Carbon-Monitor Cities高度吻合（如2021年5月疫情封锁期间的排放下降），但空间细节显著优于EDGARv8和CAMSv5。

在德里等大城市，CHETNA-Road显示出更真实的排放集中分布，而EDGARv8因依赖道路网络平滑分配而趋于均匀。污染物对比中，NO_x、PM_2.5等与EDGARv8相关性较强（R²>0.7），但CHETNA-Road对部分污染物存在低估。不确定性主要源于车辆扩展过程（尤其缺失两/三轮车数据）和城市级燃料消费估算，蒙特卡洛模拟显示年度CO₂排放不确定性约±9.3%。

CHETNA-Road数据集首次实现了印度城市交通排放的街级量化，为动态管控政策（如拥堵收费区划定、电动汽车基础设施规划）提供了高精度数据基础。其方法框架可推广至其他发展中国家，推动交通减排与空气污染治理的精准化。数据集已通过Figshare公开，涵盖2021年全年日尺度网格数据，支持后续研究及政策模拟。