基于异构集成堆叠网络与以电力为中心多源数据的城市级月度CO?排放估算框架

《Algorithms》:HESTNet: Heterogeneous Ensemble Stacking Network for Top-Down Monthly Urban CO2 Emission Estimation Using Electricity-Centered Multi-Source Data

【字体: 大 中 小 】 时间:2026年09月18日 来源:Algorithms 2.6

编辑推荐:

   摘要

  

摘要

现有的自顶向下碳排放估算研究通常依赖于单一模型或传统集成方法,这可能会限制其在小样本条件下捕捉复杂非线性关系的能力。为克服这一局限性,本文提出了一种异构集成堆叠网络(HESTNet),用于基于以电力为中心的多源数据进行城市级月度CO2排放估算。首先,构建了一个融合分行业电力消耗、社会经济统计数据、夜间灯光数据以及环境和气候变量的候选特征集,并通过自编码器重建误差从中筛选出28个核心特征。随后,开发了一个由CatBoost、TabPFN v2和TabM组成的异构堆叠集成,利用五折折外预测,并通过L2正则化的岭回归元学习器进行融合。由于可靠的真实城市级月度CO2观测值通常不可获取,模型使用2013–2024年间中国大陆30个省级行政区的360个省-年样本进行训练和评估,以省级年度CO2排放量作为监督标签。在受监督的省-年评估尺度上,HESTNet的R2达到0.914,RMSE为0.0781,MAE为0.0580,MAPE为9.38%。与传统堆叠基线相比,HESTNet在R2上提升了0.028,在RMSE、MAE和MAPE上分别提升了约12.6%、13.2%和14.0%;然而,经过Holm–Bonferroni校正后,配对RMSE差异未达到统计显著性(校正后p = 0.061)。训练好的模型随后被应用于城市-月尺度的预测变量,以生成相对的排放代理指数(EPI)。在官方城市级年度CO2排放量的约束下,EPI被归一化为月度分配权重,从而推导出模型生成的、受年度约束的月度CO2估计值。所提出的框架整合了以电力为中心的多源代理变量、异构集成学习以及年度约束的时间分解,为刻画城市级CO2排放的年内变化提供了一种数据驱动的方法。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号