OpenCarbon：一种基于对比学习的跨模态神经网络方法，利用开放数据进行高分辨率碳排放预测
计算机视觉与模式识别
2025-06-05 v1 人工智能
物理与社会
摘要
准确估算高分辨率碳排放对于有效的排放治理和减排规划至关重要。由于需要大量数据收集工作，传统的精确碳核算方法受到阻碍，而开放数据和先进学习技术的兴起提供了一种有前景的解决方案。一旦开发并训练了基于开放数据的预测模型，就可以根据可用的开放数据轻松推断新区域的排放量。为此，我们结合了两种模态的开放数据——卫星图像和兴趣点 (POI) 数据——来预测高分辨率的城市碳排放，其中卫星图像提供宏观和静态信息，而 POI 数据提供细粒度且相对动态的功能信息。然而，估算高分辨率碳排放面临两个重大挑战：各种功能对碳排放的交织且隐含的影响，以及产生集聚效应的复杂空间连续性关联。我们的模型 OpenCarbon 针对这些挑战设计了两个主要方案：一个跨模态信息提取与融合模块，用于从两种模态中提取互补的功能信息并建模其交互作用；以及一个邻域感知聚合模块，用于捕获空间连续性关联。大量实验证明了我们模型的优越性，在 R2 上取得了 26.6% 的显著性能提升。进一步的泛化性测试和案例研究也表明，OpenCarbon 能够捕捉城市功能与碳排放之间的内在关系，验证了其赋能高效碳治理和针对性碳减排规划的潜力。代码和数据可用：https://github.com/JinweiZzz/OpenCarbon。
引用
@article{arxiv.2506.03224,
title = {OpenCarbon: A Contrastive Learning-based Cross-Modality Neural Approach for High-Resolution Carbon Emission Prediction Using Open Data},
author = {Jinwei Zeng and Yu Liu and Guozhen Zhang and Jingtao Ding and Yuming Lin and Jian Yuan and Yong Li},
journal= {arXiv preprint arXiv:2506.03224},
year = {2025}
}
备注
Accepted by IJCAI 2025