城市道路上的CO?濃度受車流量、車速、氣溫、風(fēng)向、街道兩側(cè)建筑物格局、周邊土地利用類型等多重因素疊加影響，在時空上呈現(xiàn)復(fù)雜的動態(tài)變化。固定站點監(jiān)測網(wǎng)絡(luò)精度足夠，但空間分辨率難以覆蓋城市路網(wǎng)的細粒度差異；衛(wèi)星遙感能看到區(qū)域尺度的CO?垂直柱濃度，對近地面街道層面的排放動態(tài)基本無法分辨。走航監(jiān)測以移動平臺在整個路網(wǎng)上密集采樣，補上了這兩種手段之間的空間空白。

“全景AI"（Panoptic-AI）技術(shù)在走航觀測基礎(chǔ)上增加了一層特征解析能力。全景相機拍攝到的街道場景，包括行駛中的車輛、行人、建筑立面、植被，通過深度學(xué)習(xí)實時解析，提取"氣象、交通、景觀"三類特征，再與走航觀測的CO?數(shù)據(jù)融合，訓(xùn)練可解釋機器學(xué)習(xí)模型。這個框架的核心價值在于：CO?濃度數(shù)據(jù)與街道場景特征之間建立了可追溯的定量關(guān)系，模型預(yù)測結(jié)果可以通過SHAP可解釋性分析回溯到各因子的貢獻權(quán)重。

深圳走航實驗：2210公里的數(shù)據(jù)基礎(chǔ)

中國科學(xué)院航天信息研究院聯(lián)合深圳市生態(tài)環(huán)境監(jiān)測中心的研究團隊，將一套移動監(jiān)測實驗室開上深圳街道。車上搭載高精度溫室氣體分析儀（精度優(yōu)于120ppb，采樣頻率1Hz）、全景相機和車載氣象站，從2023年4月至11月累計行駛超過2210公里，采集到41.2萬條有效數(shù)據(jù)記錄，覆蓋深圳約16.3%的路網(wǎng)。

這項研究發(fā)表于《Sustainable Cities and Society》（2025）。研究團隊構(gòu)建的集成學(xué)習(xí)框架在獨立測試集上的驗證結(jié)果為：在30米分辨率、逐小時更新的城市路網(wǎng)CO?增量預(yù)測任務(wù)上，R2>0.93，MAE<1.3 ppm。

ABN-GHG-M31：車載走航的溫室氣體分析儀

在城市背景CO?濃度約420ppm的環(huán)境中，要分辨出幾個ppm量級的交通排放增量，儀器的噪聲基底和漂移控制是關(guān)鍵。同時，車載行駛的振動環(huán)境要求分析儀保持1Hz連續(xù)穩(wěn)定輸出。

愛博能研發(fā)生產(chǎn)的ABN-GHG-M31型中精度溫室氣體分析儀在該系統(tǒng)中承擔(dān)CO?連續(xù)測量任務(wù)。該分析儀基于非分散紅外和激光光譜技術(shù)，CO?測量精度≤0.5ppm，支持CO?/CH?/H?O多組分同步測量，內(nèi)置水汽校正算法，具備車載走航所需的動態(tài)適應(yīng)能力。設(shè)備可適配于城市碳監(jiān)測路網(wǎng)部署、生態(tài)系統(tǒng)碳通量調(diào)查等觀測場景。

研究發(fā)現(xiàn)

1）車流密度的非線性響應(yīng)

道路CO?增量對車流密度有明顯的非線性響應(yīng)。當(dāng)路段車流密度超過7輛/30米時，CO?濃度平均升高約40%。這個變化來自擁堵帶來的低速怠速排放集中放大效應(yīng)，線性疊加模型無法捕捉這一閾值行為。

2）氣象因子的權(quán)重量化

風(fēng)速、相對濕度、溫度對CO?增量的影響在SHAP可解釋性分析中得到了量化。交通因子（車輛數(shù)）展示出對數(shù)型增強效應(yīng)，濕度、風(fēng)速等氣象因子與CO?增量之間呈現(xiàn)非線性關(guān)系形態(tài)。這些量化結(jié)果為城市通風(fēng)廊道規(guī)劃和低碳街區(qū)設(shè)計提供了直接的數(shù)據(jù)基礎(chǔ)。

關(guān)鍵驅(qū)動因素排序。(a–b) CO?與DTCO?的特征貢獻度；(c) 貢獻度排序及各變量間的差異顯著性。

各驅(qū)動因子對DTCO?的偏依賴曲線，其中交通因子（car、_car）展示出對數(shù)型增強效應(yīng)，濕度、風(fēng)速等氣象因子與DTCO?的非線性關(guān)系形態(tài)。

3）熱點分布的工作日與周末差異

工作日的CO?排放熱點集中在交通樞紐和主干道；周末熱點向郊區(qū)擴散，與居民出行模式的變化直接對應(yīng)。這一規(guī)律通過四類時段的熱點聚類分布圖得到展示：工作日全天、休息日全天、工作日晚高峰、休息日晚高峰。

四幅子圖分別展示工作日全天（11a）、休息日全天（11b）、工作日晚高峰（11c）、休息日晚高峰（11d）的DTCO?熱點聚類分布。

走航觀測加AI解析的方法框架

城市碳排放管理的精細化需要建立融合交通動態(tài)、氣象變化、土地利用演變的實時監(jiān)測體系。這項研究提供的方法框架由三個環(huán)節(jié)構(gòu)成：走航觀測提供高時空分辨率的路網(wǎng)CO?數(shù)據(jù)基礎(chǔ)，全景AI解析將街道場景轉(zhuǎn)化為可量化的特征變量，可解釋預(yù)測模型將兩者融合輸出路網(wǎng)級別的CO?增量預(yù)測。

這個框架讓城市路網(wǎng)上的碳行為變得可測、可解釋、可管理。固定站點和衛(wèi)星遙感各有其適用尺度，走航加AI解析在街道層面提供了第三種觀測能力。

常見問題 FAQ

走航監(jiān)測和固定站點監(jiān)測有什么區(qū)別？

固定站點精度高，但空間覆蓋率有限，無法刻畫城市路網(wǎng)上的細粒度空間差異。走航監(jiān)測以移動平臺在整個路網(wǎng)上密集采樣，覆蓋范圍可達到路網(wǎng)級別的16%以上，彌補了固定站點在空間分辨率上的不足。

CO?增量預(yù)測的精度指標意味著什么？

R2>0.93表示模型預(yù)測值與實測值之間的擬合優(yōu)度很高，超過93%的變異可以被模型解釋。MAE<1.3 ppm表示預(yù)測的平均絕對誤差控制在1.3 ppm以內(nèi)，對于背景濃度約420 ppm、交通增量僅幾個ppm的城市環(huán)境，這個誤差水平足以支撐熱點識別和排放歸因。

ABN-GHG-M31在車載場景下的核心優(yōu)勢是什么？

CO?精度≤0.5ppm，滿足分辨交通排放增量所需的噪聲基底要求。1Hz采樣頻率保證車輛行駛中的空間分辨率。內(nèi)置水汽校正算法在戶外動態(tài)環(huán)境下維持測量穩(wěn)定性，CO?/CH?/H?O多組分同步測量擴展了可觀測的氣體范圍。