近日，西南财经大学公共管理学院在《自然》旗下期刊《科学数据》(Scientific Data)杂志发表了名为《1997-2017年中国县级二氧化碳排放和陆地植被固碳测算》(County-level CO2 emissions and sequestration in China during 1997–2017)的文章，该文章首次系统测算了中国1997至2017年县级二氧化碳排放和陆地植被系统固碳量的数据，弥补了当前基础数据的不足，对于当前中国国家层面实现“碳达峰”“碳中和”等目标和制定更加微观的减排战略具有重要的现实意义。同时，文章关于植被固碳的研究开启了中国植被固碳研究的新领域。该研究的学术价值还在于研究的视角和方法对于全球二氧化碳排放和植被固碳具有重要的借鉴意义。
为何会聚焦县级二氧化碳排放和陆地植被固碳测算？该文章第一作者、西南财经大学公共管理学院教授陈建东表示，随着中国二氧化碳减排战略自上而下的实施，更加微观的地区差异应该得到考虑。相比省和市一级来讲，区县级的二氧化碳排放数据包含了更加丰富的信息，也能更加细致地反映区域的异质性，从而有利于政府部门因地制宜地实施减排政策。同时，陆地植被在吸收和固定二氧化碳排放方面具有重大的积极作用。但是当前关于中国区域层级植被固定碳汇的研究非常稀少，但该领域对于未来综合评价中国“退耕还林”“退牧育草”政策下的减排效果具有重要的现实价值。
针对二氧化碳排放数据，由于当前基础数据源的限制，中国大多数二氧化碳排放数据的测算都只能停留在国家、省或地级市一级，导致更加微观层面的研究相对较为匮乏。事实上，当前仅基于统计局等官方机构发布的数据源，其无论是时效性还是在微观层面都存在不足，但是卫星数据的运用则能够很好地与传统官方公布的数据源形成互补。特别是随着现代云处理能力的发展，越来越多有意义的社会科学信息可以从卫星图像中提取出来。陈建东介绍说，与其他数据源相比，通过卫星图像提取的卫星数据具有三个主要优势：1.获取其他手段难以获得的信息； 2.异常高的空间分辨率； 3.广泛的地理覆盖范围。其中，夜间灯光数据由于与人类活动息息相关，而被广泛运用在估计GDP、反演污染物排放的人口估计等各个方面。因此，陈建东与博士生高明反复讨论后，决定借助美国宇航局提供的两套夜间灯光数据(1992-2013年期间的DMSP/OLS数据和2012-2020年期间的NPP/VIIRS数据)自上而下反演出中国县级的二氧化碳排放数据。
“但是，在运用夜间灯光数据的时候，我们遇到了一个巨大的挑战。”陈建东表示，虽然两套卫星数据合起来的时间跨度很长，但是由于这两套夜间灯光数据来自于不同的传感器，在数值上具有非常大的差异，阻碍了长期夜间灯光数据集的构建。该文章的第二作者高明尝试使用人工神经网络(ANN)探索DMSP / OLS与NPP / VIIRS数据之间的关系，并获得更好的拟合结果。
事实上，整个过程并不容易。高明首先尝试了计量经济学模型(可变系数随机模型和固定效应模型)，但拟合效果并不让人满意。考虑到人工智能算法在拟合非线性关系方面比一般的计量经济学模型具有更好的优势，高明进一步尝试使用BP算法、RBF算法等。然后，根据拟合效果选择BP算法，并使用PSO算法改进的BP神经网络拟合两套卫星数据并得到了很好的匹配结果。同时，考虑到植被在吸收和固定二氧化碳排放上具有重大的潜力和能力，采用了MODIS平台提供的MOD17A3H产品测算出中国2000-2017年区县中所对应的净初级生产力，最后借助植被干物质与吸收二氧化碳的转化系数得到陆地植被固碳量。
中国的二氧化碳排放一直是学术界关注的重要领域。陈建东表示，该项研究提供的数据将会极大促进有关中国二氧化碳的研究。首先，该研究提供了可能是目前时间跨度最长、覆盖面最广的区县级二氧化碳排放数据。同时，更为重要的是，首次测算了2001-2017年中国区县级的陆地植被固碳量，这对于当前的碳达峰预测、碳中和等研究具有重要的价值。其次，基于粒子群优化-反向传播(PSO-BP)算法，统一了DMSP / OLS和NPP / VIIRS卫星图像，从而得到了高质量的长时间跨度的稳定夜间灯光数据，该数据不仅对遥感领域具有推动作用，而且对于今后人口分布、GDP预测和污染物估计等也具有重要的参考价值。
此外，陈建东表示，该项研究的作者是由国内外众多不同学科的学者组成，他们为该论文的完成作出了重要贡献。该论文一经发表就被CEADS公众号(中国碳排放数据库，该库由英国研究理事会、牛顿基金会、中国国家自然科学基金委员会、中国科学院等多家研究机构共同成立)转发，短时间吸引了大批同行的关注。
