基于机器学习的韩国道路交通二氧化碳排放高分辨率估算与可解释性分析

《Environmental Research》：Machine learning-based high-resolution estimation and explainable analysis of road transport CO 2 emissions across South Korea

　　

**摘要**

为支持道路交通二氧化碳（CO?）排放的针对性减排，本研究构建了一个基于机器学习的高分辨率韩国CO?排放清单，时间分辨率达每小时，空间分辨率达道路链段级别。结果显示，月度总排放量相似的道路可能表现出截然不同的每小时排放模式，这些模式根据道路等级和区域特征被系统性地划分为三大类型——日间稳定型、通勤高峰型和混合/周末高排放型。为考察区域性的预测关联，本研究利用排放数据和土地利用数据进行了Shapley加性解释（SHAP）分析。在大都市地区，道路覆盖率的贡献占主导地位，反映了高人口密度下道路趋于饱和的状况；而在非首都地区，建筑覆盖率的贡献最高，突显了管理以活动为中心的排放热点而非仅关注道路基础设施本身的重要性。总体而言，研究结果表明道路CO?排放与时间需求和空间环境的相互作用相关，为针对性减排、大气与气候建模以及碳排放监测与核查提供了基础。

**引言**

大气中温室气体的累积是全球变暖和气候变化的主要驱动因素。从1990年到2023年，温室气体的气候变暖效应增加了51.5%，其中二氧化碳（CO?）占81%（WMO，2024）。2023年，全球CO?排放量为36.5 Gt CO?，能源部门占总排放量的96%。在能源部门内部，电力/热力子部门和交通运输子部门分别贡献了48%和24%（Climate Watch，无日期）。因此，在能源部门的CO?管理中，交通部门的排放不容忽视，尤其是道路交通排放，约占交通相关排放的70%，是高效减排和管理的关键目标（Jaramillo等，2022）。与大型固定点源不同，道路交通排放来源于空间分散的车辆车队，其活动在整个白天持续变化，因此其管理需要相应精细时空尺度下的排放信息。

为支持此类工作，CO?排放清单是最重要的数据集之一，是量化政策评估、高分辨率反演建模以及排放与碳汇的净零核查的关键输入（Sim和Jeong，2025）。然而，道路交通CO?排放清单仍主要依赖于IPCC 2006年指南提出的方法，该方法使用年度国家尺度的燃料消耗数据估算排放（IPCC，2006；Lekaki等，2024；Vanhulsel等，2014；Yu等，2025）。IPCC指南建议，车辆CO?排放最适合使用燃料销售量或燃料燃烧量进行估算，其中一级方法采用默认排放因子，二级方法采用国家特定的碳含量（IPCC，2006）。尽管该方法对估算年度国家总量有效，但它在直接表示随时间和空间变化的真实世界排放的时空结构方面存在局限（Kühbacher等，2025；Huo等，2022）。更具体地说，由于这些估计值是基于在国家或次国家层面汇总的年度燃料统计数据编制的，它们不包含燃烧实际发生时间或地点的信息。因此，任何后续的空间或时间细分都必须依赖代理变量，如道路密度、人口或固定时间剖面，而这些代理变量引入的错误很难量化。

为克服这些局限性，众多研究利用交通流量或交通活动数据构建了高分辨率道路排放清单。这些努力大致沿两条互补路线发展，区别在于是优先考虑空间覆盖还是时间细节。

第一条路线将覆盖范围扩展到全国或区域尺度，但保持较粗的时间分辨率。Gately等（2015）估算了美国各道路级别的年度CO?排放。Puliafito等（2015）构建了阿根廷全国尺度的清单，空间分辨率为9 km × 9 km，但时间分辨率仅为年度。

第二条路线在时间上解析排放，但局限于单个城市或大都市区。de Sousa Maes等（2019）估算了巴西弗洛里亚诺波利斯大都市区的每小时道路级别排放，近年来这一方向加速发展。Li等（2025）为北京开发了高时空分辨率的车辆温室气体清单，并用于表征疫情后的排放反弹；Wang等（2025）估算了中国济南50 m × 50 m的每小时道路排放；Mittakola等（2025）发布了印度几个主要城市的网格化日尺度道路交通CO?排放；Kim等（2026）为韩国首尔提出了每小时道路链段级别的排放清单。

与此同时，第三条路线从估算走向了将排放归因于其空间和社会经济背景。Zhao和He（2026）以500 m分辨率归因了中国成都城市交通碳排放，Zhao和He（2025）应用机器学习识别影响城市级别交通碳排放的因素，而Jin等（2025）使用空间随机森林方法建模了城市级别道路交通CO?排放。这些研究既表明了数据驱动的高分辨率清单日益增长的可行性，也反映了对解释（而非仅量化）道路排放空间结构的兴趣日益增加。

尽管强调高时空分辨率的研究稳步增加，但空间覆盖和时间细节迄今为止仍是相互取舍的：同时实现每小时和道路链段分辨率的清单局限于单个城市或大都市区（de Sousa Maes等，2019；Li等，2025；Kim等，2026），高分辨率归因分析也是如此（Zhao和He，2025, 2026），而具有全国覆盖的清单仍停留在年度或粗糙网格水平（Gately等，2015；Puliafito等，2015）。因此，同时以道路链段和每小时尺度解析的全国清单仍然稀缺。这一空白至关重要，因为道路CO?排放表现出独特的时间模式，且在不同区域具有结构性异质特征。近期研究表明，城市形态、道路网络形态和土地利用可以改变排放的空间模式和主导驱动因素（Javadpoor等，2024；Yang和Takase，2024）。这种区域间异质性在单一城市清单内无法被观测到，但政策评估、大气反演和净零核查都是在国家尺度上进行的。因此，将有限区域研究的结论推广到全国应用涉及重大不确定性和本征局限（Huo等，2022；Javadpoor等，2024；Sim和Jeong，2025；Yang和Takase，2024）。因此，需要一套全国范围的每小时道路级别高分辨率清单，以全面理解道路CO?排放的时空异质性，并支持更有效的减排和政策策略。

据此，本研究旨在利用基于机器学习的、融合交通数据、道路信息和区域基础设施变量的数据驱动方法，为韩国开发一套全国范围的每小时道路链段级别CO?排放清单。贡献有三：第一，据我们所知，我们构建了首个在整个全国道路网络上同时实现每小时和道路链段分辨率的清单，并使用保形预测量化了其预测不确定性。第二，利用该清单，我们刻画了道路CO?排放的时空模式，表明具有相似累积排放量的道路链段可能遵循明显不同的时间剖面——这是年度或聚合清单无法表达的区分。第三，通过将清单与基于卫星的土地利用数据相结合，我们使用Shapley加性解释（SHAP）——一种代表性的可解释人工智能（XAI）技术——考察排放的空间预测关联（Kim等，2025；Lundberg和Lee，2017），从而将排放结构与其周围的建成和自然环境联系起来。这些结果共同提供了传统清单无法识别的道路排放时空异质性见解，有望支持排放管理、政策制定以及未来高分辨率清单的开发。

**研究区域**

本研究在韩国全境开展。该国的特征是人口和经济活动高度集中在首尔首都圈，其道路网络也呈现出以首尔大都市区为中心的显著单中心结构（Lee和Ishiro，2023；Ou等，2023）。同时，全国约64%的国土面积为山区，导致居住、工业和……

**清单构建与验证**

为估算高分辨率道路CO?排放，本研究首先开发了一个覆盖韩国整个道路网络的每小时道路链段级别交通流量估算模型。由于检测器安装和维护相关的成本和运行约束，对全国所有道路链段进行连续交通流量观测在实践上非常困难（Xing等，2022）。因此，本研究开发了……

**高分辨率清单揭示的时空特征**

传统的全国清单和基于聚合平均值的排放估算方法在充分捕捉道路排放的时空变异性方面存在局限。本研究开发了一套全国范围的每小时道路链段级别高分辨率排放清单，揭示了月度累积排放量相似的道路可能表现出截然不同的时间排放模式。这一发现突显了将时间分辨率纳入道路……

**结论**

为支持道路交通部门CO?排放的高效管理和减排，本研究为韩国开发了一套全国范围的高分辨率道路CO?排放清单，时间分辨率为每小时，空间分辨率为道路链段级别。利用该清单，本研究识别了传统年度国家尺度清单或部分高分辨率排放数据集无法充分解释的道路排放时空异质性。

本研究中开发的高分辨率清单……

**CRediT作者贡献声明**

Myeong-Gyun Kim：写作——审阅与编辑、写作——原稿撰写、可视化、验证、软件、方法论、调查研究、形式分析、数据管理、概念化。
Hyo-Jong Song：写作——审阅与编辑、指导、项目管理、资金获取、概念化。

**利益冲突声明**

作者声明不存在可能影响本文所述工作的已知竞争财务利益或个人关系。

**致谢**

本工作由韩国环境产业与技术研究院（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地图开发项目"提供支持（RS-2023-00232066）。

本研究使用了韩国开放AI数据项目（AI Hub，韩国）的数据集，包括"（江原道和忠清地区）土地利用地图航片与卫星影像"和"（首尔大都市区）土地利用地图航片与卫星影像"。

Myeong-Gyun Kim | Hyo-Jong Song
明知大学，环境工程与能源系，韩国京畿道