章政文，顧津錦，趙俊華，黃建偉，吳海峰，文福拴

（1.香港中文大學(xué)（深圳）理工學(xué)院，廣東省深圳市 518100；2.悉尼大學(xué)電氣與信息工程學(xué)院，悉尼 2006，澳大利亞；3.香港中文大學(xué)（深圳）高等金融研究院，廣東省深圳市 518100；4.浙江大學(xué)電氣工程學(xué)院，浙江省杭州市 310027）

0 引言

為了應(yīng)對全球氣候變化問題，巴黎協(xié)議要求其成員國減少溫室氣體的排放，并最終實現(xiàn)碳中和。為了實現(xiàn)這一目標(biāo)，準(zhǔn)確客觀的碳計量至關(guān)重要。盡管現(xiàn)在有基于自行測算申報的碳計量系統(tǒng)，但仍然需要另一種獨立的方式來輔助、補充和校驗自行披露數(shù)據(jù)。

碳衛(wèi)星利用衛(wèi)星遙感技術(shù)進行大范圍觀測，可以得到準(zhǔn)確、統(tǒng)一和客觀的CO2柱平均干空氣混合比（碳衛(wèi)星觀測到的區(qū)域內(nèi)柱平均CO2濃度，簡稱碳濃度，后文用XCO2表示）數(shù)據(jù)。聯(lián)合國政府間氣候變化專門委員會（Intergovernmental Panel on Climate Change，IPCC）將碳濃度遙感觀測列為碳排放清單估算的重要驗證手段［1］。然而，如何準(zhǔn)確地從碳衛(wèi)星測量的碳濃度數(shù)據(jù)中提取人類活動產(chǎn)生的排放量數(shù)據(jù)仍然極具挑戰(zhàn)。

碳源的碳排放行為可以通過碳衛(wèi)星觀測到的碳源附近區(qū)域的碳濃度數(shù)據(jù)來反映［2］。例如，排放大量CO2的電廠會使得周圍區(qū)域的局部碳濃度產(chǎn)生明顯的升高，這是因為電廠排放的大量CO2會通過大氣傳播擴散到附近區(qū)域。文獻［3-7］使用高斯煙羽模型對CO2在大氣中的傳播建模，用以測量電廠或區(qū)域的碳排放量。文獻［8-9］基于橫截面通量法建立CO2傳播模型，用于中國城市級的碳排放計量。由于碳衛(wèi)星數(shù)據(jù)和環(huán)境數(shù)據(jù)自身質(zhì)量偏低且大氣擴散模型對噪聲較為敏感，此類方法的精度還不足以支撐準(zhǔn)確的碳計量。

目前，電廠的碳排放計量主要使用清單法。由于清單法使用的排放因子一般由長時間尺度的統(tǒng)計平均值得到，其與當(dāng)前時刻當(dāng)前環(huán)境下的電廠或燃料的排放因子有所差異。因此，僅基于清單法提供排放因子的碳計量往往不夠精確［10-12］。電廠也可以通過安裝連續(xù)煙氣監(jiān)測系統(tǒng)（continuous emission monitoring system，CEMS）實現(xiàn)高頻率（小時級）和高精度的直接碳排放監(jiān)測［13］。然而，由于CEMS 設(shè)備價格昂貴，為每個火力發(fā)電廠的煙囪配備這種設(shè)備的成本過高。因此，仍有必要研究一種成本較低的方法來計量電廠的直接碳排放。

碳衛(wèi)星數(shù)據(jù)具有統(tǒng)一、范圍大、可重復(fù)觀測等優(yōu)點。電力數(shù)據(jù)具有極高的數(shù)據(jù)采樣頻率和質(zhì)量?；诂F(xiàn)有碳衛(wèi)星數(shù)據(jù)和電力數(shù)據(jù)的特性，本文結(jié)合兩者來構(gòu)建碳排放計量模型，構(gòu)建該模型無須安裝任何額外設(shè)備。為了實現(xiàn)這一目標(biāo)，本文收集了美國高精度碳衛(wèi)星數(shù)據(jù)、CEMS 實測的美國電力排放數(shù)據(jù)，以及反映大氣中CO2運動情況的環(huán)境數(shù)據(jù)，并基于這3 種多模態(tài)數(shù)據(jù)的特性設(shè)計了全自動的數(shù)據(jù)處理算法。

深度學(xué)習(xí)由于其強大的數(shù)據(jù)表達能力已經(jīng)成功應(yīng)用于計算機視覺［14］、自然語言處理［15］和其他眾多領(lǐng)域［16］。本研究使用深度學(xué)習(xí)算法來賦能碳計量領(lǐng)域，結(jié)合先進的人工智能算法，基于碳衛(wèi)星數(shù)據(jù)和電力數(shù)據(jù)構(gòu)建碳計量模型。實驗結(jié)果表明，本文結(jié)合碳衛(wèi)星、電力排放數(shù)據(jù)和人工智能算法的碳計量方法要遠遠優(yōu)于僅基于碳衛(wèi)星數(shù)據(jù)的現(xiàn)有碳計量方法。目前，針對中國電廠尚未大規(guī)模部署CEMS 的現(xiàn)狀［17］，本文所提碳排放計量方法在模型訓(xùn)練完成后，只需要基于輸入的碳衛(wèi)星數(shù)據(jù)和電力數(shù)據(jù)便可估算電廠的直接碳排放量，實現(xiàn)直接碳排放計量目標(biāo)。

1 多模態(tài)數(shù)據(jù)源介紹

1.1 碳衛(wèi)星數(shù)據(jù)

本文采用美國 OCO-2（Orbiting Carbon Observatory-2）碳衛(wèi)星的數(shù)據(jù)（即L2 級數(shù)據(jù)）［18］。OCO-2 碳衛(wèi)星具有高精度的溫室氣體探測能力，空間分辨率為1.3 km×2.2 km，時間分辨率為16 d。OCO-2 碳衛(wèi)星L2 級數(shù)據(jù)由OCO-2 碳衛(wèi)星觀測的原始光譜數(shù)據(jù)經(jīng)過大氣校正、云檢測和云影響校正、反演算法和數(shù)據(jù)篩選控制等步驟得到［18］。該產(chǎn)品提供了高質(zhì)量的區(qū)域碳濃度和其他重要補充信息。為了后續(xù)構(gòu)建深度學(xué)習(xí)模型并提取有效的碳衛(wèi)星數(shù)據(jù)深度特征，選擇了其中重要的幾項信息，包括每個碳衛(wèi)星掃描區(qū)域?qū)?yīng)的XCO2、經(jīng)緯度、XCO2質(zhì)量標(biāo)簽、XCO2不確定性、太陽方位角和衛(wèi)星方位角。中國的碳衛(wèi)星TanSat［19］并未公布L2 級XCO2數(shù)據(jù)，所以未使用TanSat 的數(shù)據(jù)來進行可行性驗證。

1.2 電力排放數(shù)據(jù)

本文采用美國國家環(huán)境保護局（Environmental Protection Agency，EPA）公布的安裝CMES 的電廠數(shù)據(jù)［20］。這是因為美國電廠已經(jīng)大量部署了CEMS 設(shè)備，同時這些設(shè)備已經(jīng)運行了多年且提供公開數(shù)據(jù)。經(jīng)過統(tǒng)計，其中總計有1 304 個裝有CEMS 的美國電廠，并且提供了電廠的精確經(jīng)緯度位置信息、小時級發(fā)電量和小時級碳排放量數(shù)據(jù)。

1.3 環(huán)境數(shù)據(jù)

除了電廠本身的排碳行為，CO2在大氣中的運動也是決定電廠周圍區(qū)域大氣中碳濃度的關(guān)鍵因素。風(fēng)速和風(fēng)向與大氣中CO2運動的關(guān)系非常密切，它們是影響CO2運動和轉(zhuǎn)移的主要環(huán)境因素之一。因此，本文采用了歐洲中期天氣預(yù)報中心（European Centre for Medium-range Weather Forecasts，ECMWF）公布的再分析ERA-5 數(shù)據(jù)的風(fēng)速和風(fēng)向數(shù)據(jù)，具體為在電廠周圍區(qū)域高度10 m以下經(jīng)緯度方向上的平均風(fēng)速，該數(shù)據(jù)的空間分辨率為0.25°（經(jīng)度）×0.25°（緯度）。

2 多模態(tài)數(shù)據(jù)處理方法

對數(shù)據(jù)經(jīng)過分析和統(tǒng)計，發(fā)現(xiàn)多模態(tài)數(shù)據(jù)具有下列問題：1）碳衛(wèi)星數(shù)據(jù)測得的XCO2有大概0.3%的偏差（約10-6）；2）由于云層會嚴(yán)重干擾碳衛(wèi)星的觀測，約25%的碳衛(wèi)星掃描區(qū)域XCO2數(shù)據(jù)缺失；3）XCO2數(shù)據(jù)中存在大量無效點；4）電力排放數(shù)據(jù)中CEMS 碳排放數(shù)據(jù)存在大量缺失值。本文基于多模態(tài)數(shù)據(jù)結(jié)構(gòu)和上述數(shù)據(jù)問題設(shè)計了如圖1 所示的全自動數(shù)據(jù)處理方法。該方法完全基于多模態(tài)數(shù)據(jù)的特性，沒有任何額外的時間間隔要求和假設(shè)，具體包括3 步：基于排放源位置的數(shù)據(jù)匹配、基于統(tǒng)計信息的數(shù)據(jù)篩選和基于碳排放量與風(fēng)速的數(shù)據(jù)篩選。

圖1 多模態(tài)數(shù)據(jù)處理方法示意圖Fig.1 Schematic diagram of multi-modal data processing method

2.1 基于排放源位置的數(shù)據(jù)匹配

首先，基于排放源的地理位置選擇有效數(shù)據(jù)。根據(jù)碳衛(wèi)星數(shù)據(jù)的空間分辨率，將距離過于接近的電廠合并為一個碳源（兩個電廠之間的距離小于3 km，例如美國紐約州的某兩個電廠僅相距0.7 km）。因此，本文中碳源的最小分辨率約為碳衛(wèi)星的空間分辨率。合并后得到了1 245 個位置獨立的碳源。以這些碳源的位置為中心匹配周圍區(qū)域（1°（經(jīng)度）×1°（緯度））內(nèi)所有時間段的碳衛(wèi)星數(shù)據(jù)。由于碳衛(wèi)星的單次掃描區(qū)域呈條帶狀，所以將其稱作“衛(wèi)星條帶”。再根據(jù)衛(wèi)星掃描時間段的不同將這些衛(wèi)星條帶數(shù)據(jù)分離，得到63 931 個位置、時間匹配的碳源和衛(wèi)星條帶數(shù)據(jù)，即其中每個衛(wèi)星條帶作為碳衛(wèi)星在碳源周圍區(qū)域某個時刻掃描記錄的條帶狀碳濃度數(shù)據(jù)。由于碳源的碳排放在大氣中的傳播造成的影響隨距離而逐漸衰減，本文刪除了碳源距離衛(wèi)星條帶最小距離超過40 km 的數(shù)據(jù)，總計得到46 179 條衛(wèi)星條帶數(shù)據(jù)。

2.2 基于統(tǒng)計信息的數(shù)據(jù)篩選

篩選出匹配后碳源附近的衛(wèi)星條帶記錄區(qū)域數(shù)（衛(wèi)星條帶長度）大于200 的條帶以確保其中包含有效信息。根據(jù)統(tǒng)計的衛(wèi)星條帶中XCO2值的分布，發(fā)現(xiàn)其中存在部分離群點，其XCO2值遠遠超過了平均值。因此，本文將這些條帶也從數(shù)據(jù)集中刪除。為了保證衛(wèi)星條帶數(shù)據(jù)周圍的環(huán)境不要過于復(fù)雜，根據(jù)電廠周圍區(qū)域（1°（經(jīng)度）×1°（緯度））內(nèi)的碳源個數(shù)，刪去同個區(qū)域內(nèi)超過10 個碳源的條帶數(shù)據(jù)。最后，根據(jù)太陽方位角和衛(wèi)星方位角刪除了衛(wèi)星條帶寬度過窄的數(shù)據(jù)（小于8 km），最終得到10 930 個衛(wèi)星條帶數(shù)據(jù)。

2.3 基于碳排放量和風(fēng)速的數(shù)據(jù)篩選

匹配衛(wèi)星條帶和對應(yīng)的CEMS 數(shù)據(jù)，刪除CEMS 小時級碳排放量缺失的數(shù)據(jù)。最后，與風(fēng)速數(shù)據(jù)匹配，提取其中碳衛(wèi)星觀測區(qū)域和電廠位置下經(jīng)緯度方向的風(fēng)速數(shù)據(jù)。最終得到總計5 304 個衛(wèi)星條帶數(shù)據(jù)作為數(shù)據(jù)集。

3 基于多模態(tài)數(shù)據(jù)特性的深度學(xué)習(xí)模型

本文首先設(shè)計了符合此多模態(tài)數(shù)據(jù)特性的深度學(xué)習(xí)模型CarbonNet。由于碳衛(wèi)星數(shù)據(jù)相較電力數(shù)據(jù)過于復(fù)雜的特性，本文提出了兩步走的人工智能碳排放計量模型：1）基于無碳排標(biāo)簽的模型預(yù)訓(xùn)練方法用以提取碳衛(wèi)星數(shù)據(jù)向量形式的深度特征；2）結(jié)合提取的深度特征和電力數(shù)據(jù)，使用線性回歸方法防止過擬合［21］，并學(xué)習(xí)碳排放估算模型。

3.1 深度學(xué)習(xí)模型設(shè)計

針對多模態(tài)數(shù)據(jù)的特性，本文提出了一種新型的深度網(wǎng)絡(luò)結(jié)構(gòu)CarbonNet。首先介紹碳衛(wèi)星數(shù)據(jù)的數(shù)據(jù)編碼方法。OCO-2 碳衛(wèi)星觀測所得的數(shù)據(jù)經(jīng)過數(shù)據(jù)處理后得到電廠和對應(yīng)衛(wèi)星條帶的數(shù)據(jù)集。其中，第j個衛(wèi)星條帶數(shù)據(jù)以向量組表示：

式中：j為數(shù)據(jù)集中衛(wèi)星條帶序號；i為在一段衛(wèi)星條帶中觀測區(qū)域的序號；和分別為衛(wèi)星條帶中的第i個觀測區(qū)域中心的經(jīng)度和緯度坐標(biāo)；xi為第i個觀測區(qū)域的XCO2值；nj為第j個條帶中衛(wèi)星觀測區(qū)域的個數(shù)，也就是該衛(wèi)星條帶的長度，本文中nj長度設(shè)置為200 至450 之間。

考慮到環(huán)境因素對碳衛(wèi)星區(qū)域碳濃度數(shù)據(jù)的影響，本文將風(fēng)速風(fēng)向的信息也嵌入衛(wèi)星條帶的向量組中。條帶中第i個觀測區(qū)域10 m 下的平均風(fēng)速為(ui，vi)，其中，ui和vi分別為沿著經(jīng)度和緯度方向的風(fēng)速。在本文所提CarbonNet 方法中，將編碼衛(wèi)星條帶中第i個觀測區(qū)域數(shù)據(jù)的向量si稱為條帶形符（swath token），其表達式為：

因此，整個衛(wèi)星條帶為S'j=[s0，s1，…，snj]。由于每個衛(wèi)星條帶長度nj不同，為了方便后續(xù)訓(xùn)練網(wǎng)絡(luò)，將每個向量組S'j都補充零向量直至最大長度N（在本文中，N=450），表達式為：

同時，將衛(wèi)星條帶j對應(yīng)碳源的信息以相同的形式編碼為碳源形符（source token）Pj，表達式為：

因為碳源j的地理位置在絕大多數(shù)情況下不直接位于衛(wèi)星條帶數(shù)據(jù)上，所以將碳源位置的碳濃度統(tǒng)一設(shè)為0。

如圖2 所示，最終將碳源形符和條帶形符堆疊為CarbonNet 網(wǎng)絡(luò)的輸入，即輸入形符Sj為：

圖2 衛(wèi)星條帶數(shù)據(jù)編碼Fig.2 Data coding of satellite strip

CarbonNet 的詳細(xì)網(wǎng)絡(luò)結(jié)構(gòu)如附錄A 圖A1 所示。已知網(wǎng)絡(luò)輸入條帶S，經(jīng)過一個全連接的嵌入層E(·)得到特征F0為：

網(wǎng)絡(luò)最終提取的深度特征FDF為：

式中：HDF(·)為深度特征提取模塊，由K個基于自注意力機制的殘差模塊H(·)［22］組成。具體而言，中間特征F1、F2、…、FK是由殘差模塊逐步迭代得到的Fk=Hk(Fk-1)，其中，Hk(·)為第k個殘差模塊，F(xiàn)K=[f0，f1，…，fN]為網(wǎng)絡(luò)最后的第K個深度特征提取模塊的輸出，f0、f1、…、fN為相同維度的向量。

為了降低深度特征的維度，本文取中間特征FK在特征維度上的平均值為模型最終提取的深度特征FDF：

式中：FDF為長度等于特征維度的特征向量；c為特征的維度。

3.2 無碳排標(biāo)簽的模型預(yù)訓(xùn)練方法

模型預(yù)訓(xùn)練方法的目的是提取多模態(tài)數(shù)據(jù)中能夠幫助后續(xù)碳排放估算的特征表達。模型預(yù)訓(xùn)練方法通過在輸入過程中隨機丟棄部分衛(wèi)星條帶數(shù)據(jù)，要求網(wǎng)絡(luò)學(xué)習(xí)恢復(fù)完整衛(wèi)星條帶數(shù)據(jù)。上述模型預(yù)訓(xùn)練方法在訓(xùn)練階段僅依賴于衛(wèi)星條帶數(shù)據(jù)，而未使用碳排放標(biāo)簽，因此被稱為無碳排放標(biāo)簽的模型預(yù)訓(xùn)練方法。

無碳排放標(biāo)簽的模型預(yù)訓(xùn)練方法如圖3 所示，以置零概率（又稱為掩膜率）為ρ∈[0，1]的條件下，隨機生成一個二進制掩膜M。該掩膜是一個輸入數(shù)據(jù)長度相同的二進制向量，這個掩膜向量中0 元素的概率為置零概率ρ，1 元素的概率為1-ρ。

圖3 無碳排標(biāo)簽的模型預(yù)訓(xùn)練方法Fig.3 Model pre-training method without carbon emission labels

使用二進制掩膜M乘輸入S得到掩膜輸入SM：

條帶數(shù)據(jù)S中的掩膜向量中0 的位置對應(yīng)的輸入將被置為零向量，相當(dāng)于部分碳衛(wèi)星條帶數(shù)據(jù)在預(yù)訓(xùn)練輸入時被遮擋了，這部分信息沒有輸入網(wǎng)絡(luò)中。 對于OCO-2 碳衛(wèi)星數(shù)據(jù)，設(shè)置掩膜率ρ=25%。將掩膜輸入SM輸入，通過CarbonNet 得到中間特征FK。再使用另一個全連接層Lproj(·)將維度為c的中間特征FK映射回原來的5 維特征的輸出形符：

式中：Wproj和Bproj分別為全連接層的權(quán)重和偏差。

在預(yù)訓(xùn)練階段，將掩膜數(shù)據(jù)SM輸入網(wǎng)絡(luò)中，得到 輸 出 形 符T=(Lproj(FK)，HK，HK-1，…，H1，E(S))。本文使用l1損失函數(shù)來優(yōu)化模型輸出的輸出形符T和未掩膜的輸入S的距離。掩膜預(yù)訓(xùn)練使得模型能夠基于部分衛(wèi)星條帶的信息恢復(fù)完整的條帶信息。無需對應(yīng)的碳排放量標(biāo)簽，CarbonNet 仍然能夠?qū)W習(xí)從碳衛(wèi)星掩膜數(shù)據(jù)中重建缺失的信息以及提取高質(zhì)量的深度特征FDF。在預(yù)訓(xùn)練完成后，舍棄最后的全連接層Lproj(·)，并保留網(wǎng)絡(luò)的其他部分用于特征提取。在本文中，預(yù)訓(xùn)練好的模型最后提取的深度特征為長度256 的向量。模型預(yù)訓(xùn)練要求模型學(xué)習(xí)重建遮擋部分的數(shù)據(jù)，可以有效地應(yīng)對碳衛(wèi)星碳濃度數(shù)據(jù)存在大量缺失值這一現(xiàn)象，充分利用了碳衛(wèi)星數(shù)據(jù)的特性。

3.3 基于碳排放標(biāo)簽數(shù)據(jù)的線性回歸方法

首先，將訓(xùn)練好的預(yù)訓(xùn)練模型參數(shù)固定；然后，輸入多模態(tài)數(shù)據(jù)得到其深度特征。結(jié)合提取的深度特征和電力排放數(shù)據(jù)中的小時級發(fā)電數(shù)據(jù)作為輸入，并將對應(yīng)的CEMS 小時級碳排放標(biāo)簽數(shù)據(jù)作為標(biāo)簽。所提取的深度特征維度為256，而電力排放數(shù)據(jù)中的小時級發(fā)電數(shù)據(jù)為一維，兩個特征維度相差較大。因此，本文采用線性回歸模型來進行監(jiān)督學(xué)習(xí)，用于防止產(chǎn)生過擬合問題，并最終估算電廠的小時級碳排放量。

基于碳排放標(biāo)簽數(shù)據(jù)的線性回歸方法如附錄A圖A2 所示?；陬A(yù)訓(xùn)練完成的CarbonNet，固定其模型參數(shù)，提取所有帶標(biāo)簽數(shù)據(jù)的深度特征為：

設(shè)第j個衛(wèi)星條帶提取的CEMS 發(fā)電廠的發(fā)電數(shù)據(jù)為Gj l。結(jié)合提取的深度特征和發(fā)電數(shù)據(jù)作為線性回歸模型的輸入Ij=[]，模型的輸出為估算的碳排放量ej：

式中：We為線性權(quán)重；Be為偏差。

4 算例及結(jié)果分析

4.1 模型預(yù)訓(xùn)練方法的結(jié)果

使用所有多模態(tài)處理后的5 304 個樣本進行無碳排標(biāo)簽的預(yù)訓(xùn)練。模型預(yù)訓(xùn)練優(yōu)化方法為Adam方法［23］，本文中設(shè)置批量大小為64，初始學(xué)習(xí)率為0.000 5，指數(shù)衰減率控制因子β1和β2分別為0.90 和0.99，優(yōu)化最大迭代次數(shù)為100 000，學(xué)習(xí)率在60 000 和80 000 次迭代時下降為原來的50%。模型預(yù)訓(xùn)練時，l1損失隨著訓(xùn)練迭代次數(shù)的收斂情況如附錄B 圖B1 所示。圖中：l1損失在前20 000 次迭代后較訓(xùn)練開始時大幅下降，且在80 000 次迭代后趨于平穩(wěn)。這個變化趨勢說明預(yù)訓(xùn)練模型確實學(xué)習(xí)了利用部分碳衛(wèi)星條帶信息重建出完整的條帶信息。

預(yù)訓(xùn)練模型在測試集上的可視化案例如圖4 所示。圖中：橫軸代表經(jīng)度坐標(biāo)，縱軸代表緯度坐標(biāo)；衛(wèi)星條帶由許多四邊形小區(qū)域組成，每個四邊形小區(qū)域代表碳衛(wèi)星的最小掃描區(qū)域單元，這些區(qū)域的顏色表示區(qū)域?qū)?yīng)的XCO2值（單位為10-6）。

圖4 預(yù)訓(xùn)練模型在測試集上的可視化案例Fig.4 Visualization cases of pre-training model on test set

圖4（a）為原始衛(wèi)星條帶的可視化結(jié)果，圖4（b）為經(jīng)過掩膜處理后的衛(wèi)星條帶可視化結(jié)果，圖4（c）為預(yù)訓(xùn)練模型重建的衛(wèi)星條帶可視化結(jié)果。通過比較圖4（a）和圖4（b），可以觀察到掩膜輸入確實導(dǎo)致了部分原始衛(wèi)星條帶信息的丟失。然而，通過對比圖4（a）與圖4（c）發(fā)現(xiàn)，預(yù)訓(xùn)練模型在很大程度上成功地重建了掩膜后衛(wèi)星條帶所缺失的信息。因此，可以從預(yù)訓(xùn)練好的網(wǎng)絡(luò)中提取衛(wèi)星條帶數(shù)據(jù)的深度特征，這些特征可被用于重建衛(wèi)星條帶的丟失信息。進一步的實驗證明，所提取的深度特征能夠與電力數(shù)據(jù)相結(jié)合，從而實現(xiàn)對電廠碳排放的估算。這為在實際應(yīng)用中監(jiān)測和計量碳排放提供了有力支持。

4.2 線性回歸估算碳排值的結(jié)果

首先，將多模態(tài)處理后的5 304 個樣本中隨機抽取1 060 個樣本作為測試集，其他樣本用于有監(jiān)督訓(xùn)練。結(jié)合預(yù)訓(xùn)練模型所提取的碳衛(wèi)星數(shù)據(jù)深度特征和電力數(shù)據(jù)，使用碳排放標(biāo)簽監(jiān)督學(xué)習(xí)線性回歸模型后，本文選擇了統(tǒng)計學(xué)中常用的4 個指標(biāo)來衡量回歸效果的好壞。其中，R2為1 減去殘差平方和與總平方和的比值，越接近1 表示回歸模型效果越好。均方根誤差（RMSE）可以衡量觀測值同真值之間的偏差，其值越小表示估算值和真實值的偏差越小。本文還采用了衡量二者相關(guān)性的斯皮爾曼秩相關(guān)系數(shù)（SRCC）和皮爾遜線性相關(guān)系數(shù)（PLCC）作為指標(biāo)。其中，SRCC 為非線性相關(guān)系數(shù)，可以衡量任意兩個變量相關(guān)性強度，PLCC 為線性相關(guān)系數(shù)，更適合衡量兩個變量之間的線性相關(guān)性。本文通過同時計算深度學(xué)習(xí)模型給出的碳排放估算值和CEMS碳排放標(biāo)簽間的SRCC 和PLCC 值，希望從相關(guān)性強度和線性相關(guān)性兩個層面來描述模型估算值和標(biāo)簽值的相關(guān)程度，更全面地評價碳排放計量模型效果的好壞。SRCC 和PLCC 取值范圍都在0 到1 之間，值越高代表模型的估算值與真實值的相關(guān)性越強。

結(jié)合碳衛(wèi)星數(shù)據(jù)和發(fā)電量數(shù)據(jù)構(gòu)建的回歸模型定量指標(biāo)結(jié)果如表1 所示。該模型R2值為0.831，表明模型解釋了1 060 個測試樣本中電廠碳排放量的83.1%。RMSE 的值為194.1，表明平均碳排放量誤差為194.1 t。SRCC 和PLCC 的值分別為0.906 8 和0.911 6，表明模型估算的碳排放量和CEMS 實測的碳排放量之間具有良好的相關(guān)性。

表1 回歸模型定量指標(biāo)結(jié)果Table 1 Results of quantitative indices of regression model

在測試集上，CEMS 和模型估算的碳排放量如圖5 所示。從圖中可以直觀地看出，擬合線性度較高，模型估算的碳排放量與真實排放量具有較為明顯的線性關(guān)系。

圖5 CEMS 和模型估算的碳排放量Fig.5 Carbon emissions from CEMS and model estimation

4.3 對比僅基于碳衛(wèi)星數(shù)據(jù)的現(xiàn)有碳計量方法

本節(jié)旨在比較所提出的碳計量方法和現(xiàn)有僅基于碳衛(wèi)星數(shù)據(jù)和高斯煙羽模型的碳計量方法。由于碳衛(wèi)星數(shù)據(jù)和環(huán)境數(shù)據(jù)質(zhì)量偏低，且基于高斯煙羽模型的碳計量方法容易受到噪聲數(shù)據(jù)的干擾，現(xiàn)有研究往往需要使用比較嚴(yán)格的數(shù)據(jù)篩選算法，所以適用的多模態(tài)數(shù)據(jù)總量要遠遠少于本文提出的數(shù)據(jù)處理方法。此外，本文構(gòu)建的碳排放計量模型結(jié)合了碳衛(wèi)星數(shù)據(jù)和電力排放數(shù)據(jù)，充分發(fā)揮了電力數(shù)據(jù)的優(yōu)勢，有效提高了碳衛(wèi)星數(shù)據(jù)的利用率。

為了公平比較，本文參照文獻［4］篩選出116 個符合條件的碳衛(wèi)星條帶數(shù)據(jù)及其相應(yīng)的環(huán)境數(shù)據(jù)。這些數(shù)據(jù)將作為測試數(shù)據(jù)用于對比實驗。同時，本文也從所提數(shù)據(jù)處理方法得到的5 304 個數(shù)據(jù)中刪除了這些樣本，使用其余數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進行監(jiān)督學(xué)習(xí)，擬合線性回歸模型。

實驗結(jié)果如表2、附錄B 圖B2 和圖B3 所示?？梢灾庇^地看出，本文提出的碳排放計量模型在定量指標(biāo)和趨勢方面均有明顯優(yōu)勢。綜上所述，結(jié)合電力排放數(shù)據(jù)可有效提高碳衛(wèi)星數(shù)據(jù)的利用率，同時提高碳排放計量的準(zhǔn)確性與可靠性，這對于制定有效的碳減排政策和緩解氣候變化具有重要意義。

表2 定量指標(biāo)結(jié)果Table 2 Results of quantitative indices

此外，本文以單顆碳衛(wèi)星數(shù)據(jù)為基礎(chǔ)進行實驗驗證。然而，本文提出的方法可以輕易泛化至其他碳衛(wèi)星上構(gòu)建碳排放計量模型。理論上，利用多顆碳衛(wèi)星的數(shù)據(jù)可以將碳排放計量頻率提高數(shù)倍。未來，隨著具有更高時空分辨率的碳衛(wèi)星的發(fā)射，如歐洲航天局計劃于2024 年發(fā)射的碳衛(wèi)星CO2M［24］和美國航空航天局計劃于2025 年發(fā)射的碳衛(wèi)星GeoCARB［25］，基于下一代碳衛(wèi)星發(fā)布的更高頻率和更高分辨率的碳濃度數(shù)據(jù)，可以借助本文所提方法，實現(xiàn)更高精度和頻率的碳排放計量。

5 結(jié)語

本文結(jié)合了碳衛(wèi)星與電力排放數(shù)據(jù)，提出一種新的人工智能方法以實現(xiàn)發(fā)電廠碳排放計量。首先，提出了多模態(tài)的數(shù)據(jù)處理算法，用于碳衛(wèi)星數(shù)據(jù)、電力數(shù)據(jù)和環(huán)境數(shù)據(jù)的匹配和篩選，以得到有效的多模態(tài)數(shù)據(jù)。然后，提出了針對此多模態(tài)數(shù)據(jù)特性的新型深度模型CarbonNet，以及無碳排放標(biāo)簽的模型預(yù)訓(xùn)練方法，以提取碳衛(wèi)星數(shù)據(jù)的深度特征。最后，結(jié)合預(yù)訓(xùn)練模型提取的深度特征和電力數(shù)據(jù)進行監(jiān)督學(xué)習(xí)，最終實現(xiàn)了碳排放計量模型。實驗結(jié)果表明，結(jié)合碳衛(wèi)星數(shù)據(jù)和電力數(shù)據(jù)構(gòu)建的碳排放計量模型可以有效提高碳衛(wèi)星數(shù)據(jù)的利用率，同時，能夠取得更準(zhǔn)確的碳計量結(jié)果。這將為后續(xù)碳市場的運作，減碳政策的制定、企業(yè)的低碳轉(zhuǎn)型、氣候變化的應(yīng)對等提供幫助。

本研究未考慮火力發(fā)電廠排放中其他碳化合物的影響，這主要是因為當(dāng)前的碳衛(wèi)星僅配備有CO2探測儀器［18-19，26］。然而，在未來其他國家將發(fā)射搭載不同氣體監(jiān)測設(shè)備的碳衛(wèi)星。例如，碳衛(wèi)星GeoCARB 將額外配備CO 探測儀。因此，本研究所提出的方法也可以幫助未來研究基于新型碳衛(wèi)星對其他碳化合物排放的計量。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。