基于多源跨域大数据的城市碳排放核算与动态预警框架构建——以中国直辖市为例

为解决传统碳核算方法时效性差、精度低、颗粒度粗等问题，研究人员集成WGAIN-GP算法、ResTCN网络和VMD-SARIMA模型，构建了高频高精度的城市碳排放动态预警框架。该研究实现碳排放核算平均绝对百分比误差（MAPE）<4.5%，预警MAPE<2%，为政府制定精准减碳政策提供数据支撑，推动低碳城市转型。

　　

全球气候变化日益严峻的背景下，城市作为碳排放的主要源头，其减排成效直接关系到"双碳"目标的实现。然而，当前主流的碳排放因子法存在数据更新滞后、空间分辨率低等缺陷，难以捕捉区域新能源政策差异。更棘手的是，跨行业数据壁垒导致多源异构数据（如能源、经济、环境领域）难以协同分析，严重制约了碳排放精准核算与动态监管。

针对这一挑战，国家电网科技项目支持的研究团队开发了一套创新性解决方案。该研究以中国四大直辖市（北京、上海、天津、重庆）为样本，构建了融合多源跨域大数据的城市碳排放监测体系。通过整合深度学习与动态预警技术，不仅显著提升了核算精度，还建立了可追溯的数据分析框架，相关成果发表于《Journal of Cleaner Production》。

研究团队采用三项核心技术：首先利用带梯度惩罚的Wasserstein Slim GAIN（WGAIN-GP）算法补全缺失数据，解决多源数据完整性难题；随后设计残差注意力时序卷积网络（Residual Attention Time Series Convolutional Network, ResTCN），通过融合能源消耗、产业结构等特征实现高精度核算；最后创新性地结合变分模态分解（Variational Modal Decomposition, VMD）与季节性自回归积分滑动平均模型（Seasonal Autoregressive Integrated Moving Average, SARIMA），构建动态预警阈值体系。

数据补全方法提升大数据质量
针对城市碳排放数据存在大量缺失值的问题，研究采用WGAIN-GP算法进行数据补全。该算法通过引入Wasserstein距离和梯度惩罚机制，显著提升了生成数据的质量，为后续分析奠定基础。实验显示，补全后的数据集完整性达到98.7%，优于传统GAIN算法15.2个百分点。

ResTCN模型实现高精度核算
研究提出的ResTCN模型创新性地将残差连接与注意力机制结合，有效捕捉碳排放的时空特征。在四大直辖市的验证中，模型核算平均绝对百分比误差（MAPE）稳定在4.5%以下，较传统LSTM模型提升约40%。特别是对上海这种能源结构复杂的城市，模型准确识别出第三产业用电量与碳排放的非线性关系。

VMD-SARIMA动态预警系统
通过变分模态分解将碳排放序列分解为不同频率分量，再结合SARIMA模型进行预测，构建了分级预警机制。该系统对突发性排放波动的预警响应时间缩短至3小时，预测MAPE低于2%。案例显示，该系统成功预警天津冬季供暖季的碳排放激增现象，较传统方法提前72小时。

研究结论与意义
该研究突破性地实现了三个目标：一是建立可追溯的多源数据融合框架，打破行业数据壁垒；二是开发ResTCN模型将城市级碳排放核算精度提升至新高度；三是首创基于减排目标差异化的动态预警机制。特别值得注意的是，模型在重庆这类山地城市的适应性验证表明，其可推广至不同发展类型的城市。

这项研究为政府部门提供了三大决策支持工具：实时监测面板可追踪碳排放动态；预警系统能识别异常排放模式；数据追溯功能确保核算过程透明可信。这些创新不仅助力"减污降碳协同增效"国家战略实施，更为全球城市低碳转型提供了中国方案。研究团队建议下一步将框架扩展至工业园区尺度，并探索碳足迹全生命周期追溯技术。