摘要
沿海港口工业区的碳排放预测融合了工业生产、海上物流和空间环境治理。现有模型无法同时捕捉气象和政策干扰下工业单元的多尺度时间波动和空间相关性。本文构建了一个结合集合经验模态分解–XGBoost（EEMD-XGBoost）和时序图神经网络（T-GNN）的可解释双分支框架。EEMD-XGBoost分支从非平稳排放序列中提取多尺度时间特征，而T-GNN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，该框架输出包括特征重要性、空间贡献和时序注意力权重在内的可解释指标，以分析排放驱动因素。本文采用两组2023年数据集：从全国区域碳数据集（28个沿海港口相关地级市）中派生出的沿海港口地级市子集，按时间顺序划分为70%训练集和30%测试集；长江三角洲船舶数据集整合了AIS、船舶属性和燃料数据，通过基于吨位的分层抽样划分为7:2:1的训练–验证–测试子集，并设有独立测试子集用于船舶类型短期预测。在用于海上温室气体预测的独立船舶测试集上，本文提出的模型对集装箱船、散货船和油轮的R2分别达到0.96、0.95和0.93，但该结果仅适用于船舶尺度预测，而非区域碳排放预测。专项消融实验表明，单一T-GNN在72个epoch内收敛，单一EEMD-XGBoost的高频拟合误差为6.82%，而完整的双分支模型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 ms，但仍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。这一可解释框架支持可追溯的精细化碳管理，并为港口分区管控、差异化船舶减排和区域低碳政策实施提供了定量工程参考。
