快速推进的城市化进程导致城市能源消耗持续增长、能源短缺和环境污染问题。建筑运行能耗碳排放（BECCE）占温室气体排放的很大部分，对全球变暖和城市社会经济可持续发展产生至关重要的影响。作为建筑节能的基础，精细化建筑碳排放统计正受到越来越多的关注。然而，目前仍缺乏对建筑碳排放可靠而准确的表达。 

　　基于以上背景，中国科学院城市环境研究所城市环境与健康重点实验室吝涛研究组创新性地提出了一种基于机器学习的降尺度方法，以生成1km²空间分辨率的格网化建筑碳排放强度基准数据集。首先，应用能源平衡表计算省级建筑碳排放量。其次，在建筑气候区划的基础上，应用偏最小二乘（PLS）回归模型分别建立三个气候分区的建筑碳排放行为方程，将地级建筑碳排放降尺度至县级。再次，建立Cubist回归模型，将县级建筑碳排放降尺度至1km²分辨率格网。所选模型较好地捕捉了建筑碳排放与多源协变量（即国内生产总值、人口、地表温度、制热度日和制冷度日）之间的复杂关系。最后，使用相同分辨率的建筑人为热排放通量图对降尺度产品进行验证。与其他已发布的像素级建筑能耗数据相比，本研究生成的格网化建筑碳排放强度图显示出良好的一致性和高度的空间异质性。这一新的建筑碳排放强度数据集可作为建筑节能研究和碳排放预测的基础数据库，并可支持决策者制定定期实现碳达峰和碳中和的战略。 

　　相关研究成果以Downscaling Building Energy Consumption Carbon Emissions by Machine Learning为题发表在国际期刊Remote Sensing上。研究生赵卓群为第一作者，研究员叶红为通讯作者。该研究得到国家自然科学基金（41771570, 41971019，41771573，41871167）以及中科院国际合作项目（132C35KYSB 2020007）的资助。 

降尺度建筑能耗碳排放