城市温室气体排放推演及其评估方法

摘 要：气候变化已成为人类可持续发展面临的重大挑战。为应对这一紧迫问题，世界各国相继制定了温室气体减排计划和碳中和时间表。随着全球气候变化对城市温室气体排放管理需求的不断增加，城市温室气体排放推演及其评估方法日益受到重视。这些方法通过模拟未来城市的温室气体排放趋势，使政府、企业和各部门能够更好地了解城市如何通过低碳转型应对气候变化并推动可持续发展，从而在实现气候目标方面发挥关键作用。然而，尽管这些方法在气候行动规划中愈加重要，国际上依然缺乏统一的标准和方法论，这使得各城市在评估其气候行动计划和能源转型策略的有效性时面临挑战。为此，本文提出并探讨了一套标准化的城市温室气体排放推演与评估方法，旨在为全球城市提供统一的技术指南。该方法涵盖数据收集、模型选择、情景定义与评估指标等关键环节。通过对两个典型城市的案例研究，本文验证了该标准方法的适用性和有效性，展示了其在支持全球城市低碳转型和气候行动中的重要作用。这一标准化方法的推广将为全球城市的气候治理和可持续发展提供坚实的技术基础，为标准研制提供有力支撑。

关键词：城市温室气体排放，标准化方法，低碳转型，数据集成分析，气候行动评估

0 背 景

党的十八大以来，我国高度重视绿色低碳和节能减排，将其置于重要战略位置，建立并实施了能源消耗总量和强度双控机制，显著提升了我国能源利用效率，持续降低了二氧化碳排放强度[1]。习近平总书记强调，要以“双碳”工作为引领，逐步推动从能耗双控向碳排放双控的转变[2]。在此背景下，城市温室气体排放推演方法通过整合当前的温室气体排放数据、能源消耗记录、其他碳相关监测信息及未来发展规划，构建不同发展情景，模拟城市在各情景下温室气体排放的时空变化趋势，不仅为城市在低碳转型和能源协同发展的路径选择中提供了科学决策依据，还为制定有效的减排策略和气候行动计划奠定了坚实的科学基础。通过评估这些推演方法的可行性、置信度和有效性，城市决策者能够更加精准地预测和规划未来的能源需求及温室气体减排目标，为实现碳达峰碳中和目标提供有力保障。

在全球范围内，城市不仅是人口和经济活动的集中地，也是能源消耗和温室气体排放的主要源头，贡献超过全社会总排放量的80%以上[3]。根据国际能源署（IEA）和世界资源研究所（WRI）的数据，特别是在能源电力领域，城市的能源结构、消费模式和效率与气候变化趋势和环境质量直接相关[4，5]。因此，城市温室气体排放推演及其评估方法在连接城市发展与全球气候行动方面扮演着至关重要的桥梁和纽带角色。这种方法通过收集获得的温室气体直接监测、区域电力负荷消耗以及未来发展规划等数据信息，模拟未来城市温室气体排放水平，使政府、部门、企业等能够细致掌握城市如何通过低碳转型来对抗气候变化并推进可持续发展[6-8]。特别是电网公司，作为低碳转型的推动者，通过优化电网运行和提高能源效率，以及增加可再生能源的使用比例，对城市实现气候目标起到了关键作用。

该方法不仅包括提高能源效率和采用清洁能源替代传统能源，还涵盖了更复杂的系统级变革，如：城市规划、交通系统优化等，这些都是提升城市减排潜力的关键因素[9]。更重要的是，城市温室气体排放推演及其评估方法的应用促进了跨部门和跨领域的协调与合作。面对涉及多个经济部门和社会领域的复杂全球性问题，应对气候变化需要整合不同领域的知识和资源[10]。这种方法有助于城市构建一个全面的视角，明确不同部门在减少排放和适应气候变化中的角色，以及它们之间的相互作用和协同效应。电网公司作为策略制定与实施的关键参与者，对于城市能源供应保障和需求侧管理策略的有效实施发挥着核心作用。评估这些推演方法的可行性、置信度和有效性时，电网公司的角色和贡献是不可或缺的。

此外，随着全球对气候变化应对的重视日益增加，城市作为国际气候行动的关键参与者，其在全球温室气体排放中的角色和责任也日益凸显[11]。城市温室气体排放推演及其评估方法不仅能帮助城市评估自身减排目标的达成情况，也有助于在全球尺度上展示其气候行动的贡献和领导力[12]。这对于建立城市之间的信任、促进知识共享和激励全球气候行动具有重要意义。城市温室气体排放推演及其评估方法的深入开发和应用，不仅是城市层面应对气候变化的实用工具，也是全球气候治理体系中不可或缺的一环。这种方法的标准化和国际认可，将是支持全球城市有效、协调地应对气候变化挑战的关键步骤。

尽管城市温室气体排放推演及其评估在气候行动规划中的作用日益增强，目前国际上却明显缺乏统一的标准和方法论。这一空白限制了方法的普适性和可比性，使得不同城市之间的排放推演结果难以进行有效对比和学习。由于没有统一的框架和标准，城市间在评估其气候行动计划和能源转型策略的有效性时面临着挑战。

因此，推动“城市温室气体排放推演及其评估方法”标准化，目的是为城市规划和政策制定提供科学决策支持，建立统一的评估标准和方法，增强城市间的协作和知识共享，以应对气候变化并促进可持续发展。通过这种方法，城市能够更有效地评估和展示其在全球气候行动中的贡献，同时激励技术创新和政策改革，提升公众意识和参与度，支持全球气候治理体系的构建和完善。

1 数据收集

本章描述了城市温室气体排放推演所需数据的收集方法和标准。数据收集的全面性和准确性是预测结果可靠性的基础。

1.1 数据类型

城市温室气体排放推演需要以下数据类型。

1.1.1 温室气体浓度数据

卫星遥感数据[ 1 3 ]： 使用轨道碳观测卫星（OCO）和对流层监测仪（TROPOMI）等设备，获取二氧化碳（CO2）、甲烷（CH4）等温室气体的特定区域浓度数据。

无人机监测数据：在特定区域使用配置高精度传感器的无人机进行大气温室气体浓度监测。监测频率应根据具体需求确定[14]。

地面监测数据：在城市不同区域布设地面监测站，安装连续排放监测系统（CEMS），实时监测大气中温室气体浓度。监测站点的布设应覆盖工业区、交通枢纽和居民区等重点区域[14]。

地面传感器网络数据：在城市关键区域部署传感器网络，实时采集和传输温室气体浓度数据。数据采集频率根据具体需求确定[14]。

1.1.2 能源消耗数据

电力使用数据：通过智能电表和能源管理系统，监测家庭、商业和工业用电情况。数据应包括年度总用电量和分部门用电量[15]。

能源消耗数据：监测不同类型能源（如：煤炭、天然气和可再生能源）的消耗量。数据应包括年度总消耗量和分部门消耗量[16]。

1.1.3 部门排放数据

电力部门：收集电力生产和消费数据，包括发电量、用电量和能效数据。数据来自电力公司和能源管理系统[16]。

工业生产部门：收集工业生产过程中的能耗和排放数据，包括原材料使用量、生产工艺和排放因子。数据应来自工业企业和环境保护部门[17]。

交通运输部门：收集交通运输工具的燃料使用和排放数据，包括车辆类型、行驶里程和燃料消耗量。数据应来自交通运输部门和车联网系统[17]。

住宅部门：收集居民生活中的能源消耗数据，包括家庭用电、取暖和烹饪等方面的能源使用。数据应来自能源公司和智能电表[17]。

1.1.4 社会经济数据

经济数据：收集城市年度GDP数据，单位为亿元人民币。

人口数据：收集城市年度人口数据，单位为万人。

其他社会经济数据：包括城市化率、工业和服务业增长率等，数据应来自国家统计局和城市规划部门。

1.1.5 气象和环境数据

气象数据：收集城市的气温、降水、湿度、风速等气象数据，这些数据对温室气体排放和吸收有重要影响。数据应来自气象部门和气象站。

土地利用数据：收集城市土地利用和覆盖数据，如森林、草地、农田和城市建设用地的分布情况。数据应来自土地管理部门和遥感影像分析。

环境监测数据：收集城市空气质量监测数据，包括PM2.5、PM10、NOx和SOx等污染物浓度数据。数据应来自环保部门和空气质量监测站。

1.1.6 其他数据

除上述具体数据外，还需考虑其他可能影响温室气体排放的相关数据，这些数据可能因研究目标和具体情况而异，包括但不限于以下几项。

废弃物处理数据：收集城市固体废弃物处理和处置过程中的能耗和排放数据。数据应来自废弃物管理部门和处理企业。

建筑能耗数据：收集城市建筑物的能耗数据，包括公共建筑和住宅建筑的采暖、制冷和照明能耗。数据应来自建筑管理部门和能源服务公司。

水资源消耗数据：收集城市水资源消耗和处理过程中的能耗和排放数据。数据应来自水务部门和水处理企业。

农业和林业数据：收集农业生产和林业管理过程中的能耗和排放数据，如：农作物种植面积、施肥量、灌溉用水量和森林覆盖率等。数据应来自农业和林业部门。

工业过程数据：收集工业过程中的非能源相关排放数据，如：化工生产、金属冶炼和水泥生产中的温室气体排放数据。数据应来自相关行业协会和企业。

交通出行数据：收集城市居民和游客的交通出行模式和行为数据，包括公共交通使用率、步行和骑行数据等。数据应来自交通管理部门和相关研究机构。

1.2 数据收集标准

数据收集应符合以下标准。

数据精度：确保数据的高精度，以减少预测误差。卫星遥感数据的空间分辨率应达到5 km，时间分辨率应达到每月更新。地面监测数据的精度应达到ppb级。

数据完整性：确保数据的完整性，避免缺失值和异常值。使用数据预处理技术（如插值法和异常值检测）处理缺失值和异常值。

数据一致性：确保数据的时空一致性，所有数据应按照统一的时间和空间尺度进行处理和分析。

数据来源可靠性：确保数据来源的可靠性，选择权威和可信的数据源，如：国家统计局、环保部门、电力公司和国际卫星遥感数据库。

数据更新频率：根据预测模型的需求，确定数据的更新频率。一般而言，社会经济数据和能源消耗数据每年更新一次，温室气体浓度数据每月更新一次。

通过以上标准化的数据收集方法，确保城市温室气体排放推演的数据基础，为方法的准确、可靠提供保障。

2 城市温室气体排放推演模型

本章规范了部分城市温室气体排放推演模型的选择和应用方法，并提供了必要的基本介绍，以明确不同类型模型的适用条件、模型结构和参数设定要求。

2.1 统计推断模型

统计推断模型基于历史数据和统计方法，通过分析城市历史排放数据和影响因素，推演未来的温室气体排放趋势。本文选用统计推断模型中的回归分析模型为例进行规范。

回归分析通过建立城市温室气体排放量与经济、人口、能源等因素之间的线性或非线性关系，预测未来的排放量[15]。

适用条件：适用于温室气体排放量与经济、人口、能源等因素之间存在显著线性或非线性关系的情况。

模型结构：建立温室气体排放量（Y）与多个自变量（如：GDP、人口、能源消耗）的回归关系。

线性回归模型公式：

Y=β0+β1X1+β2X2+…+βnXn+Ò （1）

其中，Y是推演的温室气体排放量。β0是常数项，表示在所有自变量都为零时的温室气体排放量。β1，…，βn是回归系数，表示每个自变量对温室气体排放量的影响。X1，X2，…，Xn是自变量，分别表示GDP、人口、能源消耗等因素，Ò是误差项，设定其符合正态分布。

2.2 机器学习模型

机器学习模型通过训练数据集，利用复杂算法学习城市数据的非线性关系，推演未来的温室气体排放量。本文选用机器学习模型中的随机森林为例进行规范。

随机森林通过构建多个回归树，进行集成学习，提高城市温室气体排放推演的精度[17]。

适用条件：适用于提高推演精度和泛化能力的情况。

模型结构：构建多个回归树的集成模型，通过平均各树的预测结果得到最终预测值。

Bagging方法：从原始数据集中有放回地随机抽取多个样本子集，训练多个回归树。

集成方法：通过投票或平均法集成多个回归树的预测结果。

树的数量：通常设置为100～1000棵，根据数据集大小和计算资源确定。

通过以上标准化的模型选择和应用方法，确保了城市温室气体排放推演的科学性和规范性，为准确推演和有效管理城市温室气体排放提供了坚实基础。

3 推演模型的性能评估

本章介绍用于评估城市温室气体排放推演模型的基本指标，以确保模型的准确性和可靠性。

3.1 交叉验证

交叉验证是一种将数据集划分为多个子集，通过交叉验证评估模型泛化能力的方法。适用于回归分析模型、支持向量回归（SVR）和深度学习模型（CNN和ResNet）。

适用范围：需要大量训练数据的深度学习模型和机器学习模型。

交叉验证可以有效防止模型过拟合，提高模型的泛化能力，特别适用于需要大量训练数据的深度学习模型和机器学习模型，步骤如下。

1）将数据集随机划分为k个子集（通常k取5或10）。

2）在每次迭代中，选择一个子集作为验证集，其余k-1个子集作为训练集。

3）训练模型并在验证集上进行评估，记录误差。

4）重复k次，计算所有迭代的平均验证误差。

精确率LymCoa1KvIaQduqBcjNTB9XKj0vRYSOB/lDS5QECI2E=、召回率和F1评分

3.2 统计性能评估指标

统计性能指标用于评估模型的精度和拟合效果。主要包括均方误差（MSE）、决定系数（R2）和残差分析。

其中，yi是真实值， 是预测值，n是样本数量。

步骤：

1）计算实际值和预测值之间的差值。

2）求差值的平方和均值，得到MSE。

3）设定MSE的评估等级，如MSE < 0.01 为优秀，0.01 ≤ MSE < 0.05 为良好，MSE ≥ 0.05 为一般。

MSE越小，表示模型的预测精度越高。

其中， 是真实值的平均值。

步骤：

1）计算实际值和预测值之间的总平方差。

2）计算实际值和均值之间的总平方差。

3）设定R2的评估等级，如R2 > 0.9 为优秀，0.8 ≤ R2 ≤ 0.9 为良好，R2 < 0.8 为一般。

4） R2越接近1，表示模型的拟合效果越好。

4 案例研究与应用

本章通过具体案例展示城市温室气体排放推演及其评估方法在实际中的应用。通过详细的步骤和数据示例，验证前述模型及评估方法的实用性和可靠性。

4.1 案例背景

选取2座大城市作为案例研究对象，2座城市具有多种能源结构、复杂的经济活动以及丰富的历史排放数据，适用于温室气体排放推演模型测试。

城市A简介：该城市是某国的经济中心，人口超过1500万，GDP超过1.5万亿元，能源消耗主要依赖煤炭、天然气和可再生能源。该城市的工业和服务业发达，交通运输业也非常繁忙。

城市B简介：该城市是某国的制造业中心，人口超过1000万，GDP超过1.2万亿元，能源消耗主要依赖煤炭和天然气，逐渐增加可再生能源的使用。该城市的工业生产活动繁忙，能源消耗大。

4.2 数据收集

根据第2节中的数据收集方法，收集并整理2座城市的相关数据，确保数据的完整性和准确性。城市A、B具体的数据收集见表1、2。

将收集到的数据及各类环境协变量数据通过相应的方法进行空间重采样，分配至预定义网格，建立模型训练和推演的环境数据集。

4.3 情景定义及指标

为了评估不同情景下的温室气体排放，本文定义了以下4种情景，分别是基准情景、低碳情景、极端高碳情景、极端低碳情景，并列出了每个情景在2 0 3 0 年、2 0 4 0 年、2 0 50 年和2 0 6 0 年的量化指标。

1）基准情景：按当前政策和趋势继续发展，不进行额外的碳减排措施，基准情景的详细指标详见表3。

2）低碳情景：实施严格的碳减排政策，推进能源结构转型，提高可再生能源比例，指标详见表4。

3）极端高碳情景：经济高速发展，但未采取任何碳减排措施，能源结构依然以化石燃料为主，指标详见表5。

4）极端低碳情景：经济发展较慢，但大力推动可再生能源发展，并采取极端碳减排措施，指标详见表6。

4.4 案例研究

4.4.1 案例研究1：统计推断模型的应用

背景：某城市政府计划通过提高能源效率和推广可再生能源，减少未来10年的温室气体排放。

数据收集：

1）GDP：过去10年的年度GDP数据，单位：亿元人民币。

2）人口：过去10年的年度人口数据，单位：万人。

3）能源消耗：过去10年的年度能源消耗量，单位：万吨标准煤。

4）温室气体排放：过去10年的年度温室气体排放量，单位：万吨二氧化碳当量。

5）电力消耗：如：每年不同部门的电力消耗数据，包括工业、交通和居民等。

6）卫星遥感监测数据：如：每年获取的大气中二氧化碳浓度数据。

7）地面监测数据：如：每年在不同监测站点获取的温室气体浓度数据。

模型构建：利用回归分析模型，建立温室气体排放与GDP、人口、能源消耗、电力消耗和监测数据之间的关系：

E=β 0+β 1GDP+β 2Population+β 3Energy+β 4Power+β 5RemoteSensing+β 6Ground（2）

回归系数估计结果： β 0= 1 0 ， β 1= 0 . 5 ，β2=0.3，β3=1.2，β4=0.8，β5=0.4，β6=0.6。

具体步骤：

1）数据准备：将收集到的GDP、人口、能源消耗、电力消耗和温室气体监测数据进行标准化处理。

2）模型训练：使用最小二乘法估计回归系数，建立回归模型。

3）模型验证：利用历史数据对模型进行验证，评估模型的拟合优度（R2）。

预测：利用模型预测未来10年的温室气体排放量。

1）假设未来10年GDP年均增长3%，人口年均增长1%，能源消耗年均减少2%，电力消耗优化。

2）预测结果显示，未来10年温室气体排放量将减少20%。

3）具体步骤：

①未来情景设定：设定未来10年的GDP、人口、能源消耗、电力消耗和监测数据的增长率。

②模型应用：将设定的未来情景代入回归模型，计算未来10年的温室气体排放量。

评估：利用统计性能指标评估模型。

1）MSE：0.02，表示模型的预测误差较小。

2）R2：0.85，表示模型的拟合效果较好。

3）残差分析：残差分析显示无显著自相关性，模型预测精度较高。

4.4.2 案例研究2：机器学习模型的应用

背景：某城市政府计划通过多种政策组合，如：提高能源效率、推广可再生能源和实施碳税，减少未来5年的温室气体排放。

数据收集：

1）能源消耗：过去5年的年度能源消耗量，单位：万吨标准煤。

2）经济活动：过去5年的年度GDP数据，单位：亿元人民币。

3）社会人口：过去5年的年度人口数据，单位：万人。

4）温室气体排放：过去5年的年度温室气体排放量，单位：万吨二氧化碳当量。

5）交通运输数据：如：不同年份的车辆类型、行驶里程和燃料消耗量数据。

6）无人机监测数据：如：在特定区域内每年进行的温室气体浓度监测数据。

7）地面传感器数据：如：每年获取的城市不同区域的温室气体浓度实时数据。

模型构建：利用随机森林模型，建立温室气体排放的预测模型。

模型流程：

1）数据准备：将数据集划分为训练集和测试集，训练集用于模型训练，测试集用于模型评估。

2）模型训练：构建100棵回归树，每棵树使用不同的样本和变量。

3）模型验证：利用交叉验证评估模型性能。

预测：利用模型预测未来5年的温室气体排放量。

1）假设未来5年实施的政策包括提高能源效率每年2%、推广可再生能源每年5%、碳税每吨50美元。

2）预测结果显示，未来5年温室气体排放量将减少15%。

3）具体步骤：

①未来情景设定：设定未来5年的能源效率提升、可再生能源推广和碳税政策。

②模型应用：将设定的未来情景代入随机森林模型，计算未来5年的温室气体排放量。

评估：利用模型评估指标评估模型。

交叉验证：平均MSE = 0.03，精确率 = 0.92，召回率 = 0.88，F1评分 = 0.90，模型表现优秀。

5 结 论

本文探讨了城市温室气体排放推演及其评估的标准化方法，为全球城市提供了一个统一的框架，以应对气候变化挑战并推动低碳转型。通过详细定义数据收集、模型选择、情景设定及评估指标，确保城市温室气体排放推演的准确性与可靠性，为城市决策者提供了更加科学的支持。两个典型城市案例研究验证了该标准化方法在实际应用中的有效性和适用性。未来，这一标准化方法的广泛推广将有助于提升全球城市气候行动的协调性和科学性，为全球可持续发展目标的实现提供重要支持。

参考文献

[1]孙永平， 蒋经宁. 推动“能耗双控”逐步转向“碳排放双控”[J]. 光明日报， http：//theory.people.com.cn/n1/2024/0305/c40531-40188912.html.

[2]能耗双控向碳排放双控转变的政策内涵与影响分析[J]. 南方能源观察， https：//www.gov.cn/zhengce/content/202408/content_6966079.htm.

[3]Lee J Y， Marotzke J， Bala G， et al. Future global climate：scenario-based projections and near-term information[M].Cambridge University Press， 2021： 553-672.

[4]Barth B， Tollin N， Vener J， et al. Urban Climate Action.The urban content of the NDCs： Global review 2022[J].Urban Climate Action. The urban content of the NDCs：Global review 2022， 2022： 1-59.

[5]Cherian A. Energy and global climate change： bridging thesustainable development divide[M]. John Wiley & Sons，2015.

[6]Vijayan M， Patil A， Kapse V， et al. Assessing the energyefficiency practices in cities across the world[J]. CurrentScience， 2021， 121（3）： 372-383.

[7]Mil lwa rd-Hopkins J， G ou ldson A ， S cot t K ， et a l.Uncovering blind spots in urban carbon management： the role of consumption-based carbon accounting in Bristol，UK[J]. Regional environmental change， 2017， 17： 1467-1478.

[8]Kii M， Matsumoto K， Sugita S. Future Scenarios of UrbanNighttime Lights： A Method for Global Cities and Its Application to Urban Expansion and Carbon EmissionEstimation[J]. Remote Sensing， 2024， 16（6）： 1018.

[9]Jone s C M ， Whe eler S M ， K a m men D M. Ca rb on footprint planning： quantifying local and state mitigationopportunities for 700 California cities[J]. Urban Planning，2018， 3（2）： 35-51.

[10]Umoh A A， Ohenhen P E， Chidolue O， et al. Incorporatingenergy efficiency in urban planning： A review of policiesand best practices[J]. Engineering Science & TechnologyJournal， 2024， 5（1）： 83-98.

[11]汪光焘， 李芬， 刘翔. 城市科学研究的新机遇[J]. 中国科学院院刊， 2023， 38（7）： 978-990.

[12]张雅欣， 罗荟霖， 王灿. 碳中和行动的国际趋势分析[J].气候变化研究进展， 2021， 17（1）： 88.

[13]庄贵阳， 薄凡， 张靖. 中国在全球气候治理中的角色定位与战略选择[J]. 世界经济与政治， 2018（4）： 4-27.

[14]Kunchala R K， Patra P K， Kumar K N， et al. Spatiotemporalvariability of XCO2 over Indian region inferredfrom Orbiting Carbon Observatory （OCO-2） satellite andChemistry Transport Model[J]. Atmospheric Research，2022， 269： 1-9.

[15]郑珂. 京津冀区域近地面CO2时空变化的观测和模拟研究 [D]. 南京： 南京信息工程大学， 2020.

[16]陈启鑫， 康重庆， 夏清， 等. 电力行业低碳化的关键要素分析及其对电源规划的影响[J]. 电力系统自动化， 2009，33（15）： 18-23.

[17]张巍. 基于STIRPAT模型的陕西省工业碳排放量预测和情景分析[J]. 可再生能源， 2017（ 05）：143.

[18]芦颖， 李旭东， 杨正业. 贵州省能源碳排放现状及峰值预测[J]．环境科学与技术，41（11）：173．

[19]陈玉敏， 唐伟， 刘雪原， 等. 基于卫星遥感的四川省XCO2 高分辨率时空分布[J]. Environmental Science &Technology （10036504）， 2023， 46（2）.