Annual Gridded Anthropogenic CH4 Emissions Estimation in China (2019–2025) Integrating Multisource Data: SHAP-Based Driver Attribution and Spatio-Temporal Patterns
Chaokang He · Qinjun Wang · Wenyue Xie
融合多源数据与机器学习构建中国2019-2025年0.1°人为甲烷排放网格，并用SHAP解析驱动机制
随机森林、CatBoost、XGBoost、LightGBM对比，结合SHAP归
LGBM精度最优（R²=0.938），煤炭开采与夜间灯光贡献65.6%，排放呈北热南冷格局。
可延伸至农业源甲烷排放的精细网格化与非线性驱动阈值研究，支撑分区减排。
基于多源遥感与机器学习构建中国0.1°人为甲烷排放网格清单，方法新颖、数据规模大，对农业源排放核算与双碳治理有参考价值，但偏学术、非直接农业应用。
准确量化人为甲烷（CH₄）排放（MEs）的时空动态与驱动机制，对实现区域“双碳”目标及全球气候协同治理具有重要意义。然而，现有ME清单与宏观反演模型普遍面临空间分辨率粗、数据更新时效性不足、传统静态排放因子难以刻画非线性响应等瓶颈。针对上述问题，本研究提出了一种融合多源地理与遥感数据的年度ME清单增强框架。该框架评估了四种先进机器学习（ML）算法，包括随机森林（RF）、类别提升（CB）、极端梯度提升（XGB）和轻量梯度提升机（LGBM），构建了2019—2025年中国0.1°高分辨率人为ME空间网格。此外，引入SHapley加性解释（SHAP）框架与多尺度空间自相关分析，解析驱动机制与集聚模式。结果表明：（1）LGBM具有最优的综合估算精度（R² = 0.938，RMSE = 3.707 Kt），且在捕捉极端ME源方面表现稳健（RTop2 = 0.929）。（2）SHAP归因揭示，煤炭开采与夜间灯光（NTL）是ME预测的主要贡献特征（累计贡献率65.60%），其次为农牧活动（24.98%），且所有因子均呈现显著的非线性阈值与阶跃响应特征。（3）在时空演变方面，中国人为ME总量呈先缓慢增长后高位稳定的趋势；空间上表现为“北热南冷”格局，极端高值高度集聚于晋陕蒙能源金三角及其外围扩展节点。本研究为制定因地制宜、多尺度、精细化CH₄减排策略提供了科学参考。