全球航运碳排放地图：深度时空模型的预测方法

论文题目：Deep learning driven spatiotemporal prediction of global carbon emissions from container shipping

第一/通讯作者：余红楚 武汉理工大学航运学院特设教授、博士生导师，研究涵盖海洋地理信息科学/空间大数据挖掘、海事大数据建模与调度优化、航运网建模与时空知识图谱、海图信息融合与智能导助航。

E-mail：hcyu@whut.edu.cn

全球航运碳排放地图：深度时空模型的预测方法

论文摘要

随着《巴黎协定》和航运业碳中和目标的推进，精细化监测与预测船舶温室气体排放成为急需解决的科学问题。海上自动识别系统（AIS）提供连续的船舶轨迹和性能数据，但如何利用这些动态数据构建精确的全球排放预测模型仍存挑战。本研究以 2020‑01‑01 至 2021‑12‑30 的全球 AIS 数据为基础，通过严格的数据清洗和自下而上的排放计算，将海上排放映射为时空网格序列，并提出了结合卷积长短期记忆网络（ConvLSTM）与通道‑空间注意力机制（CBAM）的 ConvLSTM‑CBAMNet 模型。

论文重点解决三个问题：① 如何从大规模 AIS 数据中构建高时间分辨率且空间连续的碳排放图像；② 如何设计能够捕捉时空依赖与特征关注的深度模型；③ 如何评估模型在不同网格尺度、序列长度以及极端事件下的性能。实验结果表明，该模型在 RMSE、MAE 和 SSIM 等指标上显著优于传统卷积、ConvGRU、PredRNN 等基线模型；在不同网格分辨率与序列长度的测试中表现稳定，在事件扰动和长期预测下依旧保持鲁棒性。本文还探索了模型在环境监测、港口管理和预警服务中的应用潜力，为全球航运排放管理提供了可操作的技术框架。

一、研究背景与核心问题

1.1 航运排放的时空预测需求

• 国际政策驱动：IMO 和各国政府对船舶温室气体排放提出严格限制，急需预测与监控工具。
• 数据基础：AIS 数据提供船舶位置、速度、航向等信息，是研究全球航运排放的“遥感器”。
• 挑战：排放受到速度、负载、燃料类型、气象等多因素影响；全球海域广阔、航迹分布稀疏，如何建模其时空动态是难点。

1.2 研究目标

作者旨在构建面向全球的船舶排放预测框架，核心问题包括：

• 数据处理：通过 AIS 数据估算每日船舶排放并映射为固定分辨率的图像序列；
• 模型设计：设计能够挖掘时空依赖并突出重要特征的深度模型；
• 评估与应用：系统评估模型在不同设置下的性能，并探讨其在管理决策中的应用。

二、数据处理与特征构建

下图给出了整体研究框架，包括数据处理、模型训练与应用：

2.1 AIS 数据清洗与缺失补齐

• 轨迹异常清洗：通过计算相邻报文间的平均速度 ，剔除速度异常或坐标越界的船舶轨迹。
• 缺失值插补：利用样条插值和航迹约束，对时间间隔超过 10 分钟但不足 4 小时的记录进行插补，以保证轨迹连续性。

2.2 自下而上的碳排放估算

船舶碳排放由主机、辅机和锅炉三部分组成：

其中主机排放  与机器额定功率 、负荷因子 、比油耗  及运行时间  相关；辅机和锅炉的排放  通过电功率和热功率计算。此方法避免了传统的港口统计而直接使用实际航行数据。

2.3 空间网格化与数据标准化

• 网格化：研究将地球按经度和纬度分别划分为  的  网格；某一网格  的排放强度由该网格中所有船舶排放累加。

• 网格坐标映射：经纬坐标  映射到栅格索引 ：

• 归一化与滑动窗口：对每张排放图像  做对数归一化：

  再采用长度  的滑动窗口构建样本，输入序列由前  天网格图像组成，输出序列为未来  天的图像。本研究确定  为最佳组合。

• 排放图像示例：

2.4 数据集与可视化

作者构建了名为 Global container ship carbon emission dataset 的全球船舶排放数据集，覆盖 2020‑01‑01 至 2021‑12‑30 的 725 天。其示例图像如下：

三、模型架构与技术方法

3.1 基础模型：ConvLSTM

传统的循环神经网络（RNN）难以处理图像序列中的空间结构。卷积长短期记忆网络（ConvLSTM） 在 LSTM 的门控机制中引入卷积运算，使得模型能够同时捕捉时间动态和空间局部特征。其核心计算如下：

其中  表示卷积， 为 Sigmoid 函数， 为 Hadamard 乘积。这一结构能够避免全连接层过多参数，提高空间特征学习效果。

示意图如下：

3.2 引入注意力：通道‑空间注意力模块（CBAM）

ConvLSTM 在学习时难以区分不同区域的重要性。通道‑空间注意力模块（CBAM）通过两个子模块对特征图进行加权：

• 通道注意力（CAM）：对特征图做全局平均池化和最大池化，通过多层感知机生成各通道的重要性权重，强调高影响通道；
• 空间注意力（SAM）：对特征图做通道维度的平均池化和最大池化，利用  卷积生成空间权重图，突出关键位置。

下图展示了 CBAM 结构：

3.3 ConvLSTM‑CBAMNet 模型

作者将 CBAM 嵌入 ConvLSTM 网络中，形成 ConvLSTM‑CBAMNet。模型由编码器、CBAM 注意力模块和解码器组成，采用 2D 卷积进行下采样，上采样采用反卷积。使用均方误差（MSE）作为损失函数，Adam 优化器训练。框架如下图所示：

模型整体流程：编码器从输入图像序列提取时间‑空间特征 → CBAM 模块自适应地分配通道与空间权重 → 解码器生成预测图像序列。

四、实验设计与结果分析

4.1 评价指标与基线模型

本研究采用以下评价指标：

• 均方根误差 (RMSE) ：

  反映预测误差的标准差。
• 平均绝对误差 (MAE) ：

  衡量平均偏差。
• 结构相似性指数 (SSIM) ：

  考察预测图像与真实图像的结构相似性。

与之比较的基线模型包括 CNN、ConvGRU、ConvLSTM、PredRNN 等。

4.2 网格分辨率与序列长度分析

作者尝试不同网格大小（180×90、360×180、720×360 等）。结果显示 1° × 1° 分辨率在综合误差与训练时间方面最优。此外，输入序列长度从 5 到 15 变化时， 带来最佳 RMSE 和 SSIM。

4.3 整体预测性能

表 5 的结果显示，ConvLSTM‑CBAMNet 在验证集上的 RMSE 比传统 ConvLSTM 降低 5.22%，SSIM 提升 2.76%。下图展示各模型在 RMSE、MAE、SSIM 上的箱线图：

同时，ConvLSTM‑CBAMNet 的训练和验证损失下降更快，并且收敛至更低值，说明 CBAM 模块加速了模型学习：

4.4 可视化与注意力分析

为了直观展示预测效果，作者将真实排放图、ConvLSTM 预测与 ConvLSTM‑CBAMNet 预测做对比（如下图）：

可以看出，ConvLSTM‑CBAMNet 能够更好地捕捉主要航线，对低排放海区预测也较精确。

进一步，通过提取 CBAM 生成的注意力图，可以看到模型聚焦于航运密集区域，且注意力随时间更新。以下展示了真实图像、注意力热图及叠加结果：

4.5 消融与鲁棒性分析

对比仅使用通道注意力、仅使用空间注意力及不使用注意力的情况，结果显示通道注意力对性能提升贡献最大，空间注意力其次，两者结合效果最佳。

在长期递归预测的鲁棒性测试中，模型连续预测 30 天仍然保持较低的 RMSE 和较高的 SSIM；而基线模型误差随时间迅速增大（图 12，由于篇幅限制仅描述结果）。

4.6 事件扰动实验

作者模拟 COVID‑19 等突发事件对航运网络的影响，随机遮蔽排放图部分区域再进行预测。结果表明 ConvLSTM‑CBAMNet 在遮蔽 20%、40%、60% 区域时 RMSE 较基线下降 5.5%‑8.3%，体现了较强的抗干扰能力。下图展示该实验设置和结果（表格为论文本身）：

五、实际应用与展望

作者提出了基于该模型的三种应用场景，示意如下：

1. 环境监测与政策制定

• 使用模型实时预测全球排放热区，帮助政府优化 排放控制区 和 航速限制。
• 提供连续的网格化排放图，弥补传统港口统计的滞后性。

2. 港口管理与运营优化

• 在港口层面，可依据预测结果调整靠港时间安排、优化泊位分配、制定 差异化碳费。
• 结合船舶到港预测，提前协调拖轮、仓储等资源，提高运营效率。

3. 预警与信息服务

• 通过提前 5 天预测排放热点，向相关机构提供 超额排放预警 和 高风险海区预警。
• 为海事监管和物流企业提供决策支持，促进绿色航运。

5.1 局限性与未来研究方向

• 排放计算简化：模型采用平均负荷和比油耗参数，未考虑船龄、燃料类型与气象因素；未来可结合船舶能耗监测系统（SEEMP）信息。
• 数据覆盖性：AIS 数据在某些地区存在缺失，尤其是近岸小型船舶；可融合卫星遥感或港口监测数据。
• 模型改进：可引入 Transformer、图神经网络等架构或多任务学习，以进一步提高长期预测与迁移能力。
• 排放类型扩展：当前仅估算  排放，未来可纳入 NOx、SOx 及黑碳等多种气体。

5.2 结论

本研究基于全球 AIS 数据和自下而上的排放估算，提出了 ConvLSTM‑CBAMNet 模型用于日尺度的全球船舶碳排放预测。通过 网格化数据构建、卷积 LSTM 与 通道‑空间注意力机制 的融合，该模型在多项评价指标上显著优于现有方法。消融和扰动实验验证了其稳定性，注意力可视化揭示了模型重点关注航运主干道的合理性。研究不仅释放了高时间分辨率的排放数据集，还展示了在环境监测、港口管理和预警服务方面的应用前景，为国际航运业的绿色转型提供了有价值的参考。

原文链接见文末，或扫下方交流群二维码。群内实时更新推文及原文 pdf，方便专家学者随时获取（若二维码失效，请翻阅扫描最新文章的二维码）。