网站小编 2021年11月28日，36氪「数字时氪」X Google DevFest 联合举办「数字低碳进行时」主题活动，本次活动也是「数字时氪」第二期To B下午茶，在上海浦东喜来登由由大酒店举办。
在本期To B下午茶活动上，来自业界和学界的专家学者在双碳政策背景下，对钢铁能源企业如何在节能降碳的同时，实现企业增产增收进行了讨论。与会演讲嘉宾上海优也信息科技有限公司首席执行官&联合创始人李克斌、清华大学水木学者&水木清碳CEO 郭睿、极熵科技创始人孙东来、上海小苗朗程投资管理有限公司管理合伙人方正浩分别做了4场主题演讲。
其中，水木清碳CEO郭睿以“实时碳数据助力碳中和”为主题，分享了团队在碳达峰、碳中和背景下做的一些探索，介绍了如何通过多源大数据，逐渐建立一套从原始数据到排放数据的碳核算模型，最终覆盖了全球从电力、地面交通、航空、工业、居民消费、海运等六大部门的碳排放。
郭睿线上演讲画面
以下是本次演讲嘉宾部分精彩观点：
- 现在国际上普遍的碳排放实际上是通过活动水平与排放系数的乘积计算而来。然而，此数学关系中的数据来源和可靠性非常不统一，这样便不能满足碳达峰、碳中和背景下对碳排放实时快速统计的一系列要求。
- 从整体流程架构来看，采取多原大数据的统计方法，通过建立一套从原始数据到排放数据的碳核算模型，以天为尺度，把碳汇和碳排放的数据曲线结合起来，得到反映出当前碳中和进展下的碳指标动态实时监控数据，是实现双碳目标，企业和地方政府亟需掌握的信息。
- 服务商需要先搞清楚整个碳排放结构，从而进一步在此结构上建立实时变化的数据体系；同时，通过数据确定重点的减排方向，包括以专家评审方式来确定技术可行方案。
- 企业和政府角度比较关注碳数据的动态展示与成果落地。因此，服务商一方面需要科学表达指定地区或企业范围内的实时碳排放变化，另一方面也需要帮助地区和企业规划相应的碳中和解决方案，并在碳市场背景下，寻求一定的绿色收益。
以下为嘉宾演讲实录，经36氪编辑整理：
今天我和大家分享的题目是“实时碳数据助力碳中和”。
我们团队是 base 在清华大学地球系统科学系，leader是刘竹博士，哈佛大学高级研究员，清华大学博士生导师，副教授，他从事碳排放方面研究有超过十年的经验。我是2019年从剑桥大学获得地球科学博士之后加入了刘竹教授团队做碳排放数据，包括负碳方面的一些研究。另外一个核心成员邓铸是全球实时碳数据监测体系的发起人之一。那除了我们三位之外，还有其他若干小伙伴。
先给大家简单聊一下怎么来核算碳排放。
现在国际上普遍的碳排放计算方法实际上是一个很简单的数学公式，即碳排放等于活动水平乘以排放系数。然而，这个数学关系里有很多的不确定性，主要是因为不同尺度上的数据来源和可靠性非常不统一。那目前从国家或是全球的尺度，我们可以根据这套方法计算出两年以前的碳排放。另外，在这个尺度上的核算大都是依赖于国家的统计数据，在时效性和准确性上都是有一些滞后，这样便不能满足碳达峰、碳中和背景下对碳排放实时快速统计的一系列要求。
碳排放核算方法
我们团队其实是将碳排放统计公式做了一个多维的延伸。比如，我们会用不同的数据源，包括遥感、GPS 、环境监测站点等数据来计算活动水平，然后引入通过实测和人工智能等方法获得实时核算的、较准确的排放因子来计算碳排放。
这里补充一句，我们当时做此事有一个动机，即在新冠疫情开始的时候，我们想知道疫情到底能导致多少碳排放的变化，如果根据刚提到的简单计算方法得到两年前的碳排放量，实际上对于我们现在的政策制定都没有太大的意义。
因此，从整体流程架构来看，我们选择采取多源大数据的统计方法，通过建立一套从原始数据到排放数据的碳核算模型， 最终覆盖了全球从电力、地面交通、航空、工业、居民消费、海运等六大部门的碳排放。基于这些数据，我们就可以看到碳排放随季节、日期，包括一些突发事件等的变化情况。除此之外，我们对数据源和核算方法都有完整的不确定性评估，是一套可靠的科学方法。
那给大家简单展示一下。左下图是我们的多源数据统计的结果，右图是六个部门以天为尺度的碳排放变化，这是一个非常大的飞跃，将原来一年只有一个数据点的情况转变为我们现在一天一个数据点的现状。对应的这个成果，我们也建立了自己的网站，展示了相应的数据和成果。
相关数据表达展示
从实际意义来看，如图，从1750年到2000年只有大概 250 个碳排放数据点，从2000年之后，我们每一天都可以有一个数据点，那这样反应出来的碳排放的变化和信息量与往日完全不是一个等级的。因此，我们这个结果也因为它的实时性，受到了Nature杂志一年内多次的头版头条的报道，同时也被联合国环境署等一些机构用于他们2020年碳排放的基础数据，而其他数据库并没有这个特点。
实时碳数据统计
刚才讲的是全球尺度的，我们也在做一些更小尺度展示碳排放的一些工作，提高碳数据的应用价值与科学价值。比如，我们近期刚发布了GRACED全球每日碳排放地图，可以覆盖到全球90%以上的国家和地区，空间分辨率达到了0.1*0.1经纬度，涵盖了电力、工业等部门。具体采用的方法是以 CarbonMonitor 为基础，然后用我们自己掌握的点源和同源排放污染物的数据，将碳排放具体分配到每一个 0.1*0.1度的网格当中。
例如，图中是中国省级的以天为尺度的二氧化碳排放变化的成果。那我们拿到这些数据之后可以看到什么呢？首先很明显就可以捕捉到疫情事件的实时影响。如果大家还记得武汉封城的这一天，就可以明显的看到碳排放的急剧变化。对于新发地的疫情，也可以看到相应的变化量。这个数据的价值在于可以为地方政府和企业提供一个低碳措施的放大器，实时掌握碳排放这一不易观察的数据变化。
地区级别实时碳数据
那说到碳中和，另外一个很关键的点就是碳汇，因为人类生产生活的方式决定了有一些二氧化碳是不可能被完全消除的，所以除了不断地推动低碳的发展，另外一个很重要的点就是提高碳汇。
我们团队和微软亚洲研究院在去年展开了建立全球负碳排放数据库的工作。实际上和碳排放的这个思路是一样的，具体是借助微软的机器学习能力，加上团队已建立的自然/人工碳汇数据和模型，最后生成了一个全球首个高分辨率的负碳模型。
当然负碳或碳汇的不确定性比碳排放要高很多，但是我们迈出了第一步，可以说这个现在不管是在学术界或者说是市场上并没有类似的这种体系或者产品。那给大家简单的展示一下这个成果。
下图是中国0.5*0.5 度的陆地自然碳汇地图，另一个是美国的水泥碳汇网格化地图。中国的目前也正在做水泥碳汇的一个分布，最后拟合出来一个中国整个陆地的碳汇情况。我刚提到了这个空间分布分辨率只有 0.5*0.5度，如果可以和地方合作，获得颗粒度更高的数据，分辨率是可以再提高的，那可能会有更大的应用价值。然后在时间分辨率上，我们也在从月尺度向天尺度迈进，最后希望可以达到和排放一样的天尺度的时间分辨率。那么碳汇和碳排放的这个天数据结合起来，其实就反映了一个碳中和进展的实时监控。
碳排放数据可视化
那从公司的角度出发，我们是可以做大概四个方面的事，主要集中在区域级和园区级的碳数据体系，包括盘加底、识重点、展动态和定路径。最底层的都是刚才上面讲的基础数据。
盘家底，也就是说怎么样搞清楚整个碳排放结构，从而进一步在这个结构上建立实时变化的数据体系，包括碳汇。
识重点，是指我们通过数据可以确定重点的减排方向，包括通过专家评审方式来确定技术可行的方案。
展动态，是从企业和政府角度都比较关心的角度，表达这个地区内或者企业范围内的实时碳排放变化。
定路径，最后通过我们的数据和算法，可以帮助地区和企业来规划它的碳中和解决方案，并在碳市场背景下，寻求一些绿色收益。
四大方向
在盘家底时，我们可以结合当地的这个特色数据和我们已掌握的数据，为这个地区和企业搞清楚它们的碳排放历史和来源，通过实时碳数据的这一套系统，展示从今天开始往后的碳变化，然后结合当地碳汇和吸收的数据库（地方），就可以达成一个因地制宜的碳中和监测的目的。
对于展动态，实际上是我们通过自己建立的一套模型，从多源数据平台上获取数据，然后通过自研的机器学习算法，自动产生一个动态实时碳排放的数据库或平台，这里前期也可以和做数字化的公司的业务相结合。该成果是可以应用在不同场景下，包括企业，目前主要是地区级别的碳数字化展示平台。时间原因，其他方面不详细展开了。
这里简单和大家展示两个案例。
第一个是雄安新区的一个近零排放示范工程，体现了识重点和展动态两点。一方面结合雄安新区的规划，为它们从能源、交通、社区、工业等几个领域识别了已有减排方案的适用性；另一方面，我们推演出雄安新区碳指标的变化曲线，包括了碳排放的不断减少和碳汇的稳步增加这两点，最终可以判断出它们大概 在2032年就可以达到净零排放的水平，在2040年实现完全的近零排放。
第二个案例展示的是重庆的 AI park 园区，体现了盘加底和定路径两点。我们需要来计算园区全生命周期的碳排放，关键是搞清楚园区里面碳排放源和碳汇。具体可以通过我们手里掌握的数据和它们自己的规划来做到全盘摸清楚目标，在摸清楚之后，就可以对根据碳中和路径产生一个动态定制的产品。
所以基于前面的这些技术、数据和算法能力，我实际上是想说两个点，一个是可以做区域/园区级别的碳中和核算模型；另外一个就是从碳汇方面可以实现实时监测，从而对区域地方提供一个碳中和实时监测的平台和工具。
月尺度下的碳排放数据表达
另外一个维度是城市级别的近实时的碳监测系统。这样对于地方政府来说就有很大的吸引力和用处。如果地方可以提供它门自己更有特点的数据，我们可以提供定制化的产品，比如楼宇或某一个区的碳排放监测等。
