摘要
沿海港口工业区碳排放预测融合了工业生产、海运物流和空间环境治理。现有模型难以同时捕捉气象与政策干扰下工业单元的多尺度时间波动和空间相关性。本文构建了一种可解释的双分支框架，结合了集成经验模态分解–XGBoost（EEMD-XGBoost）和时序图神经网络（T-GNN）。EEMD-XGBoost分支从非平稳排放序列中提取多尺度时间特征，T-GNN分支对工业子单元进行时空依赖建模；通过加权融合整合两个分支，框架输出特征重要性、空间贡献和时间注意力权重等可解释指标，以分析排放驱动因素。研究采用了两个2023年数据集：一是源自全国区域碳排放数据集的沿海港口地级市子集（涵盖28个与沿海港口相关的地级市），按时间划分为70%训练集和30%测试集；二是整合了AIS、船舶属性和燃油数据的长江三角洲船舶数据集，通过基于吨位的分层抽样划分为7:2:1的训练集–验证集–测试集，并设有独立的短期船型预测测试子集。在海运温室气体预测的独立船舶测试集上，所提模型对集装箱船、散货船和油船的R2分别为0.96、0.95和0.93，该结果仅适用于船舶尺度预测而非区域碳预测。特殊的消融实验表明，单独的T-GNN在72个epoch内收敛，单独的EEMD-XGBoost高频拟合误差为6.82%，完整双分支模型的空间特征捕获率达到94.65%，拟合误差仅为3.47%，尽管单样本推理时间为27.52毫秒，但证明了两个分支的协同效应。该模型在异常和稀疏数据条件下优于基线模型。该可解释框架支持可追溯的精细化碳管理，为港口分区管控、差异化船舶减排和区域低碳政策实施提供了定量的工程启示。
