《Journal of Cleaner Production》：Revealing fine-scale carbon disparities using daily CO
2 emissions estimated from plant-level NO
x monitoring data
编辑推荐：
中国最大碳排放省区工业CO2排放时空特征及驱动机制研究。基于卫星遥感和工业氮氧化物监测数据，构建了高时空分辨率工业CO2排放动态估算模型，揭示2020年疫情导致钢铁、水泥行业减排超40%，电力行业仅降9.2%。研究发现城乡碳排放不平等显著，农村平均日排放量超城市7.5kt，经济发达城市贡献36%GDP却仅排放21.1%CO2。研究提出融合多源数据与机器学习的方法框架，为精准碳治理提供决策支持。
纪淑萍|任世龙|陶晨亮|任玉超|李长超|方雷|陈金月|王新峰|王先峰|王国强|张庆珠|王桥
山东大学环境研究所生态与环境大数据学术工作站，中国青岛市，266003
摘要
实时估算区域二氧化碳（CO?）排放量仍然是一个重大挑战，这限制了有效的地方低碳政策的发展。本研究开发了一种新方法，通过整合卫星观测数据和工厂级别的氮氧化物（NO?）监测数据来估算大型工业企业的日二氧化碳排放量，并以中国最大的碳排放省份作为案例研究。随后绘制了精细尺度的碳分布图，并利用机器学习确定了主要的排放驱动因素。结果表明，受卫星观测数据约束的工厂级记录有效地捕捉到了日常工业排放动态，这与COVID-19封锁时间线高度吻合。2020年，碳排放的显著上升趋势被打破：钢铁和水泥行业的排放量下降了40%以上，而电力行业的排放量仅下降了9.2%。尽管基于基尼系数的分析表明城乡之间以及不同城市之间的二氧化碳排放存在中等程度的不平等，但基于群体的比较揭示了显著差异。农村地区的碳负担通常更高，平均每日工业二氧化碳排放量比城市地区高出7.498（7.197–7.500）千吨。经济发达地区的碳强度较低：排名前三的城市贡献了36.0%的工业GDP，但仅占二氧化碳排放量的21.1%；而排名最后的三个城市贡献了9.3%的GDP，却占了18.8%的排放量。降低能源强度和实施严格的政策对于大幅减少排放量至关重要。总体而言，本研究提出了一个框架，可以从工厂级监测数据中得出更高时间分辨率的碳排放估算，并呼吁将碳排放差异纳入气候政策中。
引言
人类活动产生的温室气体排放已被证明是全球变暖的主要原因（Hansen等人，1981年）。2010年至2019年的年均温室气体排放量是有记录以来最高的十年，其中来自化石燃料燃烧和工业过程的二氧化碳（CO?）占总排放量和增长率的最大份额（IPCC，2023年）。迫切需要扭转全球二氧化碳排放的趋势以减缓气候变化。因此，深入研究区域碳排放特征对于实现全球气候目标具有重要意义。
作为世界上二氧化碳排放量最大的国家，中国一直在积极参与全球气候治理，并努力实现国家层面的气候变化减缓目标（Liu等人，2015年；Shahbaz等人，2018年）。中国已经提前于计划，在2018年实现了到2020年将碳排放强度降低40%–45%的目标（Guan等人，2021年）。随着气候变化的紧迫性加剧和国家减缓目标的推进，研究表明中国接下来应重点关注城市规模的减排策略，特别是解决不同城市之间的发展水平和排放模式差异（Shan等人，2022年；He等人，2023年）。
准确及时的精细尺度二氧化碳排放估算对于制定城市规模的低碳策略以及评估特定事件和短期政策的影响至关重要。传统的二氧化碳排放量化方法通常依赖于国家或区域规模的年度活动数据（Li等人，2017年；Shan等人，2017年；Zhou等人，2023年）。对于具有精细时间分辨率的二氧化碳排放报告，大多数是通过不同尺度的时间剖面直接分解的（Li等人，2017年；Crippa等人，2020年）。最近的研究使用活动数据代理来获取国家和行业层面的日二氧化碳估算（Liu等人，2020年；Ke等人，2023年）。尽管取得了这些进展，但在各种时间尺度（例如，日、周、月）提供本地化的二氧化碳排放报告仍然具有挑战性。
氮氧化物（NO?）在化石燃料燃烧过程中与二氧化碳共同排放。一些研究利用这种共排放关系，通过NO?测量间接估算高时间分辨率的二氧化碳排放量，并提供了支持这种方法有效性的实证证据（Zheng等人，2020年；Li等人，2023b）。例如，Zheng等人（2020年）通过结合TROPOMI NO?数据和自下而上的信息，估算了人为二氧化碳的10天移动平均值，成功追踪了COVID-19大流行期间中国大陆的二氧化碳排放变化。在过去十年中，中国要求主要污染企业安装连续排放监测系统，以提供近乎实时的NO?监测数据（Zhang和Schreifels，2011年；Karplus等人，2018年）。尽管中国的连续排放监测系统实施较晚且存在质量问题（Wu等人，2022年），但它们提供了估算工业部门日二氧化碳排放量的潜力。
全球二氧化碳排放的特点和差异已经得到了广泛探讨。二氧化碳排放在国家之间分布非常不均，几乎80%的历史累积人为二氧化碳排放来自二十国集团（G20）（联合国环境规划署，2023年）。从全球经济角度来看，全球人口的前1%负责总排放量的23%，并且二氧化碳排放正从发达地区转移到发展中地区（Chancel，2022年；He等人，2023年）。然而，关于城市或次区域尺度上的二氧化碳排放的研究主要集中在时间动态和驱动因素上，对于揭示和检查城市内部的碳不平等关注较少（Shan等人，2022年；Zhou等人，2023年）。此外，尽管中国一些城市已经观察到二氧化碳排放量的减少，但这些变化背后的驱动因素可能多种多样（Shan等人，2022年；He等人，2023年）。机器学习的最新进展提供了一种有效的方法，用于识别特定指标变化背后的因素。Shapley加性解释（SHAP）方法结合机器学习在许多领域显示出增强的解释能力，并能够捕捉变量之间的交互效应（Kim等人，2021年；Tao等人，2024年）。然而，将这种方法应用于识别碳排放变化驱动因素的应用仍然相对有限。
近年来，山东省在中国表现出最高的二氧化碳排放量和能源消耗量（Shan等人，2016年；Li等人，2023b），因此选择该省来探索在区域尺度上获取高分辨率时间二氧化碳排放数据的可行性，研究区域碳差异，并调查机器学习方法在识别排放变化主要驱动因素中的应用。具体而言，本研究（1）利用2017年至2021年的卫星观测数据约束的工厂级NO?排放监测数据，推断了山东省工业企业的日二氧化碳排放量，并分析了排放的时间趋势；（2）研究了区域工业排放的空间特征以及经济不平等与碳差异之间的关系；（3）量化了COVID-19大流行期间的二氧化碳排放变化和反弹；（4）应用机器学习结合SHAP方法来识别二氧化碳排放变化的主要驱动因素。这项工作为精细尺度的区域碳排放监测提供了一个可转移的框架，并增强了了对区域排放差异的实证理解。
章节摘录
工厂级日二氧化碳排放量的估算
研究区域是山东省，这是中国最大的二氧化碳排放源（Shan等人，2016年；Li等人，2023b），使其成为探索估算日二氧化碳排放量、分析排放趋势及其驱动因素的理想区域。本研究估算了2017年至2021年间山东省指定规模以上工业企业的日二氧化碳排放量。由于氮氧化物（NO?）和二氧化碳（CO?）通常在化石燃料燃烧过程中共同排放，因此本研究使用了工厂级别的日NO?数据。
NO?排放模型的性能评估
相关系数（R2）用于衡量模型解释NO?变化程度的能力，平均绝对误差（MAE）和均方根误差（RMSE）用于评估模型估算的偏差和误差。训练集和测试集的NO?排放估算与观测值高度一致（R2 = 0.98，0.89），显示出较低的不确定性，MAE分别为0.01和0.02 Gg N/单元/月，RMSE分别为0.02和0.04 Gg N/单元/月（图1）
讨论
本研究结合卫星观测数据和工厂级监测数据，开发了一种有效的方法来估算工业企业的日二氧化碳排放动态，并将该方法应用于中国最大的二氧化碳排放省份——山东省。研究结果表明，2020年疫情中断了山东省指定规模以上工业企业的二氧化碳排放量的显著且持续的上升趋势（图2）（Liu等人，2020年；Zheng等人）
结论
本研究利用受卫星观测约束的工厂级NO?监测数据，估算了2017年至2021年间山东省大型工业企业的日二氧化碳排放量，并使用机器学习方法分析了它们的空间分布和变化的主要驱动因素。结果表明，工业排放的长期上升趋势在2020年被中断。钢铁和水泥行业的减排幅度最大，而电力行业的减排幅度最小
纪淑萍：撰写——原始草稿、方法论、调查、概念化。
任世龙：撰写——审稿与编辑、方法论、数据管理。
陶晨亮：方法论。
任玉超：方法论。
李长超：方法论。
方雷：调查。
陈金月：调查。
王新峰：调查。
王先峰：方法论、调查、数据管理。
王国强：方法论、调查。
张庆珠：方法论、调查。
王桥：方法论、调查。
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
本研究得到了国家自然科学基金“杰出青年学者”（编号：52125901）和山东省自然科学基金（编号：ZR2023QD098）的支持。
