基于人工智能的城市道路CO?浓度时空变异性估算

《Atmospheric Pollution Research》：AI-based estimation of spatiotemporal variability of urban road CO 2 concentration

　　

基于移动端的AI模型，结合空间变量，可有效估算道路CO2浓度。工业和交通主导型道路的CO2浓度较高（最高达72.4 ppm）。植被将CO2浓度降至30.4 ppm，显示出夏季强烈的缓解作用。住宅区CO2浓度在冬季达到峰值（仁川：75.4 ppm；诗翁：54.1 ppm）。所提出的框架可根据土地覆盖类型实现局部化的道路CO2管理。

**引言**

自工业革命以来，化石燃料使用产生的全球CO2排放持续增加，2022年达到约406 Gt的历史新高（Lee等，2023；Forster等，2024）。2022年，交通运输部门产生的CO2约占全球CO2排放总量的20%（IEA，2024）。预计这一比例到2030年将达到50%（Brand等，2019）。交通运输部门的排放涵盖公路、航空、铁路和海运等多种运输方式。其中，公路CO2排放占交通运输部门的比重最大（45%）（Trevisan和Bordignon，2020）。在交通运输部门中，贡献最高CO2排放的道路主要集中在城市地区（Ma等，2023）。例如，自1980年以来，城市道路占美国公路CO2排放增长的80%，这主要受高人口密度和重型交通量的驱动（Gately等，2015）。因此，有效管理城市地区的道路CO2排放至关重要，需要多样化的政策措施和先进的技术手段。

为应对城市地区日益增长的道路CO2排放，近期研究集中于精确量化排放并制定有效的缓解策略（Kondratenko等，2024）。这些努力主要依赖基于清单的评估方法，即利用统计数据（包括车辆类型、行驶距离、燃料消耗和标准化排放因子）进行自下而上的排放估算（Ibarra-Espinosa等，2018）。一项在北京进行的研究通过将本地排放因子与准实时交通数据相结合，开发了高时空分辨率的车辆排放清单，有效识别了与城市交通拥堵相关的排放热点（Jing等，2016）。另一项研究通过将实时交通数据与本地排放因子相结合，开发了高分辨率车辆排放清单，有效绘制了车辆排放的空间分布图并识别了城市交通拥堵热点（Wang等，2025）。在欧洲城市，一项覆盖超过10万个城市区域的高分辨率排放清单被开发出来，用于评估与交通相关的CO2排放，利用本地化的交通活动和能源消耗数据分析了城市尺度的交通排放空间变化（Moran等，2022）。

尽管这些研究对大规模道路CO2排放趋势的理解做出了重大贡献，但它们通常依赖于对车辆活动模式、燃油效率和排放因子的简化假设，例如对所有车辆类型应用平均值、假设统一的驾驶条件，以及忽视时空变异性（Palermo等，2024）。这些简化引入了排放估算中的较大不确定性（Yu等，2025）。排放清单对于量化释放的CO2总量是不可或缺的，然而，它们无法代表车辆排放进入大气后的演变过程（Corbin等，2010）。实际道路浓度是由排放及其与局部气象、城市形态和周边土地覆盖的相互作用所塑造的（Wu等，2025）。由于是这些浓度而非单独的排放直接控制人体暴露量并驱动气候和空气质量影响，因此了解其变异性至关重要。因此，需要直接的大气观测以高时空分辨率捕捉道路CO2浓度，并为验证和改进基于清单的方法提供实证依据。

相应地，城市地区的道路CO2浓度已通过观测手段进行了量化，例如在加拿大温哥华开发移动传感器网络，在车辆上部署紧凑型CO2传感器以高空间分辨率绘制城市CO2浓度图，从而捕捉全城市的精细尺度排放模式（Lee等，2017）。然而，大多数研究专注于利用固定或移动观测评估特定城市地区有限数量道路的道路CO2浓度（Brondfield等，2012；Sim等，2020）。这限制了在未观测到的时间和区域捕捉道路CO2排放模式的能力。为克服这些局限性，机器学习框架越来越多地被用于评估道路基础设施特征、交通动态与温室气体排放之间复杂的非线性相互作用，如在近期的大规模欧洲分析中所展示的那样（Magazzino等，2024）。

基于这些分析进展，一项基于AI的道路CO2浓度预测模型被开发用于韩国首尔（Park等，2023）。Park等（2023）虽然利用交通动态（流量和速度）和气象变量展示了高预测精度，但其框架是在单一城市域内开发的，并未明确考虑道路周边的精细尺度环境特征。本研究的关键创新在于将基于观测的AI预测从以交通和气象为中心的方法扩展到明确整合精细尺度的道路类型和周边土地覆盖特征作为道路CO2变异性的空间决定因素。与主要在单一城市域内开发的先前框架不同，本研究将整合框架应用于两个城市结构对比鲜明的城市，并系统地评估了纳入本地环境信息如何提高预测性能以及解释城市特有的道路CO2浓度空间模式。因此，这种方法超越了单纯的浓度预测，将基于AI的预测与解释控制近路CO2变异性的局部环境因素联系起来。

由于道路CO2动态反映了城市特有的交通模式、道路特征和周边土地利用的组合（Li等，2025），解决这些局部驱动因素对于设计有针对性的减排策略至关重要。因此，一个结合动态交通相关影响与精细尺度道路和土地覆盖特征的整合框架可以提供更全面的路边CO2变异性表征。通过建立这种地理空间-观测方法，预测模型可以改进对观测道路段以外区域的空域外推，同时识别与道路CO2浓度空间变化相关的局部环境因素。

在此背景下，本研究的最终目标是通过开发一个基于观测的整合式AI预测框架，诊断路边CO2增强的微尺度时空动态并阐明其结构性环境驱动因素。通过利用跨越异质城市环境的高分辨率移动监测和精细尺度地理空间环境矩阵，本研究实现了以下具体目标：
•通过构建一个预测模型，利用高时空分辨率移动观测与精细尺度道路及周边环境特征相结合，解决未观测时空域内的微尺度路边CO2动态问题。
•将城市形态和土地覆盖的决定性影响与路边浓度梯度上的动态车辆排放区分开来。
•绘制结构对比鲜明的城市环境中（仁川与诗翁）差异化的城市特有碳特征图，为定制化排放管理提供实证依据。
•实证量化紧邻排放源的路边植被的即时缓冲能力和生物圈缓解效能。

最终，扩展这一多维框架为制定定制化的城市碳管理策略和局部化减排政策建立了一个客观的实证基础。

**材料与方法片段**

提出了一种通过整合道路CO2观测数据、交通信息、气象数据和空间信息到机器学习技术中来定量预测道路CO2浓度的新方法。这些多模态数据集的综合总结，包括其参数、配置和时空分辨率，集中列于表S1中。这一综合框架使对城市道路之间复杂相互作用的更详细分析成为可能

**模型性能与预测不确定性**

仅使用交通的模型与纳入道路环境变量（道路类型和土地覆盖类型）的增强模型之间的比较显示出预测性能的明显改善。当仅使用交通和气象因素（交通流量、速度和风速）时，模型达到了0.73的r2值、22.34的均方根误差（RMSE）和13.28的平均绝对误差（MAE）。在添加道路环境变量后，模型性能得到提升

**讨论**

本研究分析了道路CO2浓度的时空变异性，并利用基于观测的AI预测模型识别了仁川和诗翁的城市CO2交通分布特征。模型性能评估表明，将道路类型和土地覆盖类型纳入现有变量（如交通流量、交通速度和风速）中显著提高了预测精度。模型达到了0.9的高r2值，且误差指标有所降低

**局限性**

尽管所提出的基于观测的AI框架具有很高的预测性能，但应注意以下几个局限性和操作考量。首先，尽管该模型旨在通过基本的陆-气驱动因素保持广泛的空间泛化能力，但从额外目标城市获取的直接实证移动观测对于本地校准和严格模型验证仍然至关重要。虽然仁川和诗翁代表了不同的城市结构，但进行

**作者贡献声明**

Sujong Jeong：写作——审阅与编辑，写作——原稿撰写，监督，项目管理，调查，资金获取，概念化。Jaehyun Lim：写作——审阅与编辑，写作——原稿撰写，可视化，验证，软件，资源，方法论，调查，形式分析，数据整理

**未引用参考文献**

Magazzino等，2025；Rimal等，2024。

**利益冲突声明**

? 作者声明他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能影响本文所报道的工作。

**致谢**

本工作得到韩国环境产业技术研究院（KEITI）通过韩国环境部（MOE）资助的"基于观测的温室气体排放地理信息图开发项目"（RS-2023-00232066）的支持。

Jaehyun Lim | Sujong Jeong