阿爾·戈爾聯(lián)合創(chuàng)立氣候排放數(shù)據(jù)庫被指嚴重低估城市交通排放

一項最新研究顯示，全球廣泛使用的溫室氣體排放數(shù)據(jù)庫——由前美國副總統(tǒng)阿爾·戈爾參與創(chuàng)立的 Climate TRACE——可能嚴重低估了城市道路交通的二氧化碳排放，引發(fā)了科學(xué)界和政策界對相關(guān)數(shù)據(jù)可靠性的擔(dān)憂。 研究由北亞利桑那大學(xué)團隊主導(dǎo)，結(jié)果表明，在美國城市范圍內(nèi)，Climate TRACE 給出的車輛 CO2 排放量平均比另一套成熟數(shù)據(jù)庫低約 70%，個別城市甚至低估超過 90%。

該研究發(fā)表在期刊《Environmental Research Letters》上，由北亞利桑那大學(xué)信息學(xué)、計算與網(wǎng)絡(luò)系統(tǒng)學(xué)院教授凱文·格尼（Kevin Gurney）領(lǐng)銜完成。 研究團隊聚焦于 Climate TRACE 中城市道路車輛排放部分，系統(tǒng)比對其估算方法和結(jié)果，并將之與格尼團隊長期構(gòu)建的“Vulcan”公路排放數(shù)據(jù)庫進行交叉驗證。 Vulcan 數(shù)據(jù)庫以官方交通統(tǒng)計和燃料使用數(shù)據(jù)為基礎(chǔ)，通過標準化的方法精細刻畫城市道路燃燒化石燃料產(chǎn)生的 CO2 排放。

根據(jù)論文合著者、該學(xué)院博士后研究員比拉爾·阿斯拉姆（Bilal Aslam）的介紹，Vulcan 公路排放數(shù)據(jù)自身存在大約 14% 的不確定性，但這遠小于本次兩套數(shù)據(jù)庫之間的巨大差異。 在對美國 260 個城市的車輛 CO2 排放進行逐一對比后，Climate TRACE 的城市道路排放估算值平均比 Vulcan 低 70%。 另一位合著者、研究員帕沃洛克·達斯（Pawlok Dass）補充指出，在印第安納波利斯和納什維爾等城市，Climate TRACE 的相關(guān)排放數(shù)據(jù)比 Vulcan 低了 90%以上。

研究團隊認為，這種系統(tǒng)性低估很可能并不限于美國城市，有可能同樣出現(xiàn)在其他國家和地區(qū)的城市排放估算中。 此外，格尼團隊此前在對 Climate TRACE 發(fā)電廠排放數(shù)據(jù)的分析中，也發(fā)現(xiàn)其 CO2 排放量存在類似的低估問題。 多項結(jié)果疊加，使得研究者對這一依托人工智能技術(shù)快速發(fā)展的全球氣候監(jiān)測系統(tǒng)提出更廣泛的質(zhì)疑。

Climate TRACE 是一個利用衛(wèi)星遙感、大數(shù)據(jù)和人工智能技術(shù)，對全球溫室氣體排放進行高分辨率追蹤和估算的項目，近年來越來越多的政府和城市將其數(shù)據(jù)用作制定氣候政策、評估減排進展的重要依據(jù)。 在本次研究中，格尼團隊重點審視了該項目對城市車輛排放的算法路徑和數(shù)據(jù)來源，并指出如果關(guān)鍵部門排放被系統(tǒng)性低估，將直接影響城市制定和評估減排目標的準確性。

格尼表示，城市車輛 CO2 排放在城市整體碳足跡中占比極高，因此有必要對任何新興的“高技術(shù)”排放數(shù)據(jù)進行嚴格檢驗。 他強調(diào)，雖然基于人工智能的新方法“前景可觀”，但在缺乏透明度、獨立驗證和充分同行評審的情況下，將此類數(shù)據(jù)直接用于政策制定，可能會向決策者和公眾傳遞誤導(dǎo)性信號。 在他看來，當(dāng)前結(jié)果顯示，Climate TRACE 數(shù)據(jù)可能顯著低估了美國城市中超過一半的化石燃料 CO2 排放。

研究作者指出，人工智能未來有潛力成為環(huán)境監(jiān)測的重要工具，但前提是必須在嚴謹?shù)目茖W(xué)框架下運行。 這意味著算法假設(shè)、數(shù)據(jù)來源和不確定性都需要公開透明，且需與傳統(tǒng)、經(jīng)過較長時間檢驗的排放清單互相校驗。 只有這樣，AI 驅(qū)動的監(jiān)測系統(tǒng)才能真正為氣候政策提供可信支撐，而不是制造新的盲點。

為此，論文提出了多項針對 Climate TRACE 的改進建議，包括：進一步加強與官方能源與交通統(tǒng)計數(shù)據(jù)的耦合與比對； 針對不同部門和不同地區(qū)建立更細化的校準參數(shù)； 以及引入獨立研究團隊開展定期審計和方法論評估。 研究團隊認為，這不僅事關(guān)單一數(shù)據(jù)庫的準確性，更關(guān)系到各國政府如何安排減排預(yù)算、優(yōu)先治理哪些排放“熱點”。

“我們永遠不可能做到百分之百精確地量化排放，但我們有責(zé)任確保提供給政策制定者和公眾的數(shù)據(jù)在統(tǒng)計意義上是無偏的，并且符合當(dāng)下最嚴謹?shù)目茖W(xué)標準。”格尼在談及研究意義時表示。 他警告，如果排放數(shù)據(jù)存在系統(tǒng)性偏差，可能會誤導(dǎo)決策，削弱公眾對氣候治理能力的信任。

格尼本人的研究生涯已持續(xù)二十余年，長期致力于溫室氣體排放的精細化量化工作，其主導(dǎo)的 Vulcan 和 Hestia 計劃在美國學(xué)術(shù)界和政策界具有重要影響力。 這兩項計劃在聯(lián)邦多家機構(gòu)資助下，構(gòu)建了覆蓋全美的溫室氣體排放格網(wǎng)圖，將排放精細到單座電廠、城市街區(qū)乃至具體道路，為識別高排放“熱點”與制定差異化減排方案提供了工具。 相關(guān)研究與大氣觀測數(shù)據(jù)對比后顯示，這些排放估算與實際監(jiān)測結(jié)果具有較好的吻合度。

目前，各國在落實減排承諾過程中，對高分辨率排放數(shù)據(jù)的需求日益增長，這也推動了類似 Climate TRACE 這樣依托 AI 和遙感技術(shù)項目的快速興起。 然而，本次研究所揭示的數(shù)據(jù)偏差表明，在追求技術(shù)“新”和監(jiān)測“快”的同時，更不能忽視傳統(tǒng)統(tǒng)計體系的價值與科學(xué)流程的基本要求。 研究團隊呼吁，在今后構(gòu)建全球排放監(jiān)測體系時，應(yīng)在創(chuàng)新方法和成熟清單之間建立更緊密的協(xié)同和互證機制，以確保氣候政策建立在盡可能可靠的事實基礎(chǔ)之上。