烹饪排放作为PM2.5的重要来源，因其高毒性和与人口密集区的高度空间耦合性，对公共健康构成显著风险。尽管其重要性突出，但中国目前缺乏高精度、长时序、高分辨率的全国性烹饪排放清单，核心瓶颈在于难以获取长时间序列、精细空间尺度的活动水平数据。本研究通过融合机器学习技术预测活动水平并估算排放量，突破了这一局限。
烹饪排放三大部门（商业餐饮、居民烹饪及食堂餐饮）的核算方法基于Li等（2023b）建立的空间化排放因子模型。
具体来说，我们开发了一个机器学习算法包含随机森林（RF）、极限梯度提升（XGBoost）、多层感知机神经网络（MLP）和深度神经网络（DNN）的集成机器学习模型，基于人口-经济-餐饮业等统计指标，精准预测中国县域尺度的烹饪活动水平。该模型展现出卓越的泛化能力与空间可移植性（R²=0.892–0.989），性能显著优于传统统计模型与单一机器学习模型。与既往依赖人口等单一代理数据进行降尺度估算的清单不同，本清单直接计算县级排放量，提供更精确的排放估算与空间分布特征。此外，我们首次将超细颗粒物（UFPs）和多环芳烃（PAHs）等关键毒性污染物纳入国家烹饪排放清单，最终构建了中国首个时空连续（1990–2021）、高空间分辨率（县级）、宽污染物谱系的烹饪排放清单。
数据质量良好。
本作品采用
知识共享署名
4.0 国际许可协议进行许可。
CSTR:11738.11.NCDC.FIGSHARE.DB6817.2025
10.6084/m9.figshare.26085487.v2
