基于卷积神经网络利用国际财富指数预测非洲二氧化氮柱密度

《Scientific Reports》：Predicting nitrogen dioxide column density from the International Wealth Index with a convolutional neural network in Africa

　　

在致力于改善本国人口社会经济生活条件的过程中，许多国家难以实现其在《巴黎协定》下的国家自主贡献（NDC），这一缺口使得对减排责任的核算变得至关重要。二氧化碳（CO₂）和甲烷（CH₄）等关键气体的大气寿命很长，这阻碍了传统的温室气体（GHG）监测，因为任何一地排放的气体只会在一个大规模、充分混合的背景浓度之上增加少量盈余。二氧化氮（NO₂）的行为则有所不同：其寿命短且在时空上高度变化，因此卫星仪器能够在接近排放源的区域分辨其分布格局。在整个非洲大陆，NO₂与CO₂之间的映射时间相关性在量级上为中等，但具有空间结构且持续为正。尽管研究人员并未利用这种关联将NO₂观测值机械地转换为CO₂，但研究人员将其作为指向NDC的背景证据予以报告。在此背景下，本研究提出如下问题：在非洲，邻里尺度的社会经济发展能在多大程度上预测NO₂柱密度（该邻域上方空气柱中的NO₂总量）？研究人员将卷积神经网络（CNN）应用于网格化的国际财富指数（IWI）估算数据以及来自对流层监测仪（TROPOMI）的NO₂观测数据，并在整个非洲大陆获得了平均预测精度R² = 0.56。由于IWI可以向前投影，研究人员还呈现了一个示例性的2030年情景，作为社会经济发展与NO₂轨迹之间关系的方法论演示。这些研究结果表明，网格化的财富估算数据携带了关于非洲NO₂柱密度的预测信息。此类估算提供了一种轻量化且可扩展的筛选工具，可补充而非替代基于过程的大气监测。

**论文解读：基于卷积神经网络利用国际财富指数预测非洲二氧化氮柱密度**

**一、研究背景与问题**

在《巴黎协定》框架下，各国承诺的减排目标能否实现，依赖于对排放来源及其空间分布变化的准确掌握。然而，当前尚无系统性机制能够提供此类信息。温室气体（GHG）中，二氧化碳（CO₂）和甲烷（CH₄）在大气中存留数年至数千年，任何单一地点的排放只是叠加在大尺度、充分混合的背景浓度之上的微小增量，因此难以溯源至具体排放位置。相比之下，二氧化氮（NO₂）白天寿命仅数小时，集中于排放源附近，其对流层柱密度在时空上变化剧烈，可由对流层监测仪（TROPOMI）以城市尺度分辨率进行全球观测。NO₂虽非《巴黎协定》直接管控的气体，但其与燃烧活动密切相关，可作为追踪部分CO₂变化的间接指标。与此同时，网格化的社会经济数据日益完善，特别是新近发展的基于地球观测—机器学习（EO-ML）方法的国际财富指数（IWI）估算，已覆盖非洲大陆1990—2020年、分辨率达6.7 km的区域。这使得利用精细社会经济指标分析卫星观测NO₂高低分布成为可能。本研究旨在回答：在非洲，邻里尺度的社会经济发展能在多大程度上预测NO₂柱密度？

**二、研究内容与总体结论**

研究人员以网格化IWI作为唯一输入，训练了一个三层卷积神经网络（CNN），用于预测TROPOMI观测的NO₂柱密度，并在模型从未见过的地理位置上进行测试。结果显示，模型在整个非洲大陆的平均预测精度为R² = 0.56。由于IWI可向前投影，研究人员将IWI线性外推至2030年，生成了示例性的2030年NO₂柱密度变化情景，作为方法论演示。此外，研究人员通过全球逐月相关性分析，刻画了NO₂与CO₂之间的时空关联：两者在非洲呈中等强度但空间上一致的正相关（非洲91.6%网格单元为正），而在欧洲等地则呈解耦状态。该关联仅作为背景参考，并未用于将NO₂机械转换为CO₂。研究意义在于，网格化财富估算为非洲NO₂柱密度提供了具有预测能力的信息，可作为轻量化、可扩展的筛选工具，补充基于过程的排放监测体系。

**三、主要关键技术与方法**

研究人员使用了以下关键技术方法：（1）IWI数据：来自EO-ML方法生成的非洲1990—2020年网格化财富估算（6.72×6.72 km），并扩展至2019—2024年以匹配TROPOMI覆盖期；（2）NO₂数据：TROPOMI传感器2019—2024年逐年年中位数，重网格化至IWI分辨率；（3）CO₂数据：OCO-2 GEOS Level 3月平均同化X_CO2产品（版本10r）；（4）模型架构：三层CNN，输入32×32像素IWI补丁，使用掩膜均方误差损失、Adam优化器，经1000次随机训练-验证-测试划分验证；（5）情景预测：对每个像素的IWI时间序列拟合线性趋势，外推至2030年并输入模型；（6）空间自相关分析：采用全局Moran’s I（行标准化八邻接网格，999次排列检验）刻画相关系数空间聚集性；（7）治理指标来自哥德堡大学质量政府（QoG）标准时间序列数据集（2025）。

**四、研究结果**

**IWI对NO₂的预测能力**：研究人员比较了多种模型配置，包括更深CNN、VGG16架构、加入风场数据的CNN以及线性回归和随机森林。所选三层CNN在独立测试数据上达到R² = 0.57，而VGG16变体为0.24，线性回归为0.09，随机森林为?0.28（负值表示劣于用样本均值预测）。这一排序明确表明卷积网络显著优于传统学习器。通过留一国交叉验证（以一国为地理隔离测试集，其余大陆为训练集），模型性能呈现系统性地域差异：肯尼亚、埃塞俄比亚、乌干达和刚果民主共和国等国R²较低，而布基纳法索、马里、尼日尔、苏丹等西非和萨赫勒地区国家较高。将国家层面R²对QoG社会经济与治理指标回归，未中心化R²为0.89（p < 0.001），其中腐败感知是唯一显著预测因子（p = 0.007），且与模型性能正相关，表明腐败程度较低的国家预测精度更高。

**国家内部NO₂柱密度的预测变化**：将2030年预测与2019年TROPOMI观测对比，非洲大陆出现增、减并存的格局，且变化在国家内部差异显著。增长热点集中在快速城市化与工业化地区，如东非（肯尼亚、埃塞俄比亚）、中部非洲和西非部分地区，与城市扩张、工业增长和交通需求上升相符；预测下降区域集中在南部非洲和萨赫勒局部地区，可能与社会经济转型、能源结构转变及排放控制政策有关，如南非NDC承诺淘汰燃煤电厂、萨赫勒推广可持续农业和清洁能源。研究人员强调，模型验证仅在国家级层面确立可靠性，国家以下行政单元（707个一级行政单位）中的空间格局仅作描述性解读，不赋予亚国家级可靠性声明。

**NO₂与CO₂的关系**：利用2018年6月至2022年2月重叠的43个月月均数据，研究人员在每网格计算NO₂与CO₂的时间相关系数。结果显示相关系数并非随机散布，而是在非洲、南亚和南美部分地区呈强正相关，主因包括生物质燃烧（稀树草原火灾、毁林、农业焚烧）以及快速增长的城市与工业排放；欧洲、加拿大等地则呈弱相关或负相关，反映严格空气质量法规下NO₂大幅下降而CO₂因长寿命和累积排放未同步下降。全球Moran’s I = 0.95，非洲为0.94（伪p = 0.001），表明相关系数构成连贯区域而非空间噪声。非洲平均系数为0.13，54国中51国均值为正。季节性是此结构的重要来源：纬度带可解释全球方差约74%，非洲内仅49%，因此将相关图视为指示性背景，而非确定性转换依据。

**五、讨论与结论总结**

讨论部分指出，IWI在非洲之所以具有良好的预测能力，是因为它作为城市化、基础设施建设和经济活动等排放驱动因素的替代指标。但预测精度不意味着因果关系，未来需建立特定社会经济活动与NO₂排放之间的因果联系，并区分交通、工业、居民能源等部门的贡献。国家内部空间格局可为次国家级政策干预提供线索，例如针对识别出的排放热点城市或工业区实施减缓措施。与NDC目标的比较仅为探索性：模型预测的是大气柱密度变化，而NDC目标多为全经济范围CO₂当量减排，两者不可直接通约，故不据此得出履约结论。局限性包括：预测未按排放部门分离，非洲聚焦导致迁移性未检验，NO₂–CO₂关联强度因部门和能源结构而异。最关键的下一步是建立两气体间的机理性而非统计性联系，需结合燃烧排放因子、NO_x寿命、大气输送约束并针对独立清单验证，生物质燃烧区域是自然试验场。研究结论可概括为：网格化IWI财富估算携带非洲NO₂柱密度的预测信息；CNN模型提供了轻量级、可扩展的筛选工具，能够补充而非替代基于过程的大气监测；NO₂与CO₂在非洲的时空关联呈中等且空间一致的正相关，为进一步的排放追踪与NDC核算提供了背景性参考。