云南大学Commun Earth Environ | 用“自上而下”的清单确定东亚新兴的CO2热点

标题： Emerging carbon dioxide hotspots in East Asia identified by a top-down inventory

作者： 夏磊[云南大学 ]；刘蕊[云南大学]；Wenxuan Fan[云南大学]；Changxu Ren[云南大学]

期刊： Communications earth&environment

类型： Article

时间： 2025.1.7

链接：

https://www.nature.com/articles/s43247-024-01991-7

引用： Xia, L., Liu, R., Fan, W. et al. Emerging carbon dioxide hotspots in East Asia identified by a top-down inventory. Commun Earth Environ 6, 10 (2025).

高分辨率的CO ₂ 排放清单对于准确的碳排放评估和管理至关重要。本研究采用自上而下的空间代用模型，编制了东亚 2012 年至 2021 年的高分辨率（1 km）CO ₂ 排放清单。将多种数据源与地理加权回归相结合，可以提高CO ₂ 清单中各部门空间分布的准确性。为证明其准确性，我们将我们的清单与现有的CO ₂ 清单进行了比较，如采用 “自下而上 ”方法的《中国多分辨率排放清单》。我们概述并讨论了不同方法估算结果的趋同和差异，发现结果基本一致。根据高分辨率CO ₂ 网格，从全国来看，中国的CO ₂ 排放量占东亚CO ₂ 排放量的 80% 以上，其次是日本和韩国。热点和驱动因素分析的结果显示，华北和华东地区的热点持续存在，而西北地区则出现了新的趋势。热点地区排放增长的主要驱动因素是经济增长和能源结构变化。冷热点地区排放变化的驱动因素因地区特点而异。本文为有针对性的区域碳减排战略提供了可操作的见解。

自1750年工业化以来，至2022年大气中CO ₂ 浓度因人类活动尤其是化石燃料燃烧增加了约40%，占人为CO ₂ 排放（CO ₂ emissions，CE）的90%以上。高分辨率CO ₂ 排放清单是识别污染源、支持模型模拟和制定减排计划的基础。

全球现有的CE清单包括全球大气研究排放数据库（the Emissions Database for Global Atmospheric Research，EDGAR）、人为CO ₂ 开源数据清单（the Open-source Data Inventory for Anthropogenic CO₂，ODIAC）和气候与大气污染研究的多分辨率排放清单模型（the multi-resolution emission inventory model for climate and air pollution research，MEIC）。MEIC采用“自下而上”方法，基于地面数据估算排放量，但难以大规模实施。EDGAR和ODIAC使用“自上而下”的方法，利用空间代理（如夜间照明数据）建立与排放的关系，但难以准确表征点源和线源排放。因此，现在通常结合多种空间代理数据以提高“自上而下”清单的准确性。

为准确表征难以定位的工业排放点源，研究采用VIIRS（visible infrared imaging radiometer suite）提供的火点数据，并通过特定方法分析不同类型的工厂，实现了高验证精度。同时，利用道路密度和人口密度数据作为交通和居民部门的空间代理，提高CE估算的准确性。地理加权回归模型（the geographically weighted regression model，GWR）被用于捕捉数据的空间异质性，优化模型拟合效果。

本研究聚焦东亚地区，该区域约占世界人口20.6%和全球CE总量的33%，包括发达国家、发展中国家及欠发达国家，区域发展不平衡导致CE空间异质性显著。我们采用“自上而下”的方法，结合多种空间代理数据（如NTL、人口密度、道路数据、VIIRS火点数据等），编制了2012-2021年间的高分辨率CE排放清单。基于1km网格数据分析了CE的时空演变规律，识别出关键冷热点区域及其驱动因素，旨在为区域碳减排策略提供科学依据。

为验证CO ₂ 估算结果，我们将日本、韩国、朝鲜、蒙古及中国31个省份2017年电力、工业、交通和居民部门的CE与MEIC清单对比（图1），差异范围在-9.5%至18.8%之间，电力和工业部门差异较大，分别为-7.5%至14.3%和-32.6%至23.1%。在中国大陆30个省份中，有29个省份的电力部门CE估算值高于MEIC，主要是因为我们基于官方省级能源消费数据进行估算，而MEIC使用各发电厂的排放数据。在日本和韩国，MEIC对电力部门的CE估计高于本研究，但工业部门则较低，这反映了MEIC将某些地区的热能生产CE归于工业部门，而其他地区归于电力部门的不同处理方式。

我们将估算的CE与EDGAR、MEIC和IEA（非电网清单数据）的结果进行了比较，覆盖中国大陆、中国台湾、日本、韩国、朝鲜和蒙古（图2）。差异源于使用的能源类型、排放因子及统计方法的不同。年度CE趋势与其他清单一致，但朝鲜因数据稀缺和精度问题存在较大差异。

• 中国大陆： 总排放量从2012年的100.55亿吨增至2021年的113.55亿吨，占东亚总排放量的比例由81.83%升至84.89%。

• 中国台湾： CE由2012年的2.35亿吨增至2021年的2.42亿吨，持续占东亚总排放量约2%。

• 日本： CE由2012年的12.85亿吨降至2021年的10.58亿吨，占比从10.46%降至7.91%。

• 韩国： CE小幅下降，从2012年的6.46亿吨降至2021年的6.41亿吨，维持在东亚总排放量的5%左右。

• 蒙古： CE从2012年的1600万吨上升到2021年的2200万吨，占比从0.13%升至0.17%。

• 朝鲜： CE在2016年至2017年间急剧上升后逐渐下降。

补充图1展示了各省份累积CE值，用于计算中国大陆的总排放量（图2a）。

不同地区的各部门CE变化趋势各异（图2）。发达国家如日本，2012-2021年间各部CE均呈下降趋势，与人口经济增长放缓、能源转型及碳中和政策相关。韩国的CE保持稳定，仅在2018年略有回升。在发展中的中国大陆，电力部门CE从35.19亿吨增至45.24亿吨，占比从35.04%升至39.84%；中国台湾地区电力部门CE也由1.40亿吨上升至1.55亿吨，占比从59.55%增至64.1%。欠发达地区的情况更为复杂。蒙古电力部门占碳排放的70%，主要由于燃煤电厂消耗了该国大部分能源且工业依赖对外贸易。朝鲜则不同，其工业部门是清洁能源的主要来源，占比约55%，而非电力部门，这反映了其老化电力设施、资金短缺及重工业为主的产业结构特点。

为生成1km空间分辨率的排放清单，我们利用空间代理数据与各部门CE统计数据建立关系进行空间分配。例如，使用VIIRS-VNP14IMG火点数据和DBSCAN算法结合土地分类图像提取工业热源，并通过Google Earth验证选定工业位置的有效性（补充图2）。NTL、人口密度和道路数据作为不同部门CE的空间代理，所有数据分配到1km网格中。研究采用OLS和GWR方法建模，结果显示改进的空间代理数据配合GWR模型效果最佳（补充图3、4）。

通过叠加分区地图得到东亚总体CE图（图3），基于网格化排放值百分位数分为六类：0值、0至25%、25至50%、50至75%、75至90%及大于90%范围。2012-2021年间，前10%（大于90%范围）的CE网格贡献了该区域碳排放总量的98%，显示出高度不均匀和集中的分布特征。胡焕庸的“黑河-腾冲线”将东亚分为东西两部分，东部虽仅占总面积的35.2%，但在2012年贡献了89%的CE，尽管这一比例在2017年降至86.9%，并在2021年进一步降至84.6%，仍然是主要排放区（补充图5）。

中国

作为东亚最大的排放国，中国前10%能耗电网的排放量98.1%集中在华北、华东、西南中部、华南珠三角及台湾西部等经济和工业发达地区。大城市如上海、台北和深圳属于东亚前10%的排放范围。发电厂和工业点源主要位于这些区域。前50%能耗电网集中于人口密集的西南、华中和华北，而零或最低25%的排放区位于人口稀少的西北高原和沙漠地带。

日本与韩国

在日本和韩国，前10%消费电网集中在东京和首尔等大都市。日本的工业和发电厂排放集中在沿海地区；韩国则主要集中在首尔大都市区以及釜山和济州岛。

蒙古与朝鲜

在欠发达地区如蒙古和朝鲜，高排放区集中在首都乌兰巴托（占48.8%）和平壤（占21.1%）。蒙古近半居民集中在乌兰巴托，导致CE大部分集中在首都，其他城市中心也有分布，农村地区大多处于最低25%排放范围。蒙古以线源排放为主，排放分散在各城市中心。朝鲜由于高人口密度和较小国土面积，CE更密集且以线源排放为主，大部分排放位于前50%，零排放区集中在东北部，而高排放和工业、发电厂排放集中在首都附近。(补充细节保留)

通过栅格CE统计和时空立方体及Getis-Ord Gi*统计量，我们分析了地级市的三维CE热点及其趋势（图4；不同类型热点和冷点定义见补充表1）。在中国大陆，排放热点集中度最高，包括17个热点加剧区域和26个热点持续区域，主要位于珠三角、苏南和上海、宁夏、陕北、内蒙古中部、山东及晋冀地区。日本的排放热点曾集中在东京湾，但近年来已消失，与该国总CE减少有关。韩国的热点区如全罗北道、庆尚南道和蔚山等地不稳定，并非每年都是热点。

中国的冷点集中在西部四川、南部甘肃、东部青海及海南中部等人口稀少山区或森林地带（补充图6d、e、7），导致CE较低。蒙古的冷点集中在中部地区（图4c），但不包括乌兰巴托、奥尔罕和达尔罕，这些地方由于较高的经济活动和发电厂排放而不在冷点之列（补充图6b）。

图4b、h显示，中国大陆和蒙古的热点趋势增加区域更多，而日本大部分地区热点减少，韩国首尔和济州岛的热点显著增加，中国台湾地区的热点减少集中在中部。鉴于热点主要分布在中国，图4(i)统计了中国七个区县的热点及其上升趋势的数量（见图3d）。华北和华东拥有最多的CE热点（分别为22个和30个），也显示出最多的热点上升趋势（分别为54个和22个）。这两个区域同时具有较多的热点和上升趋势，反映了华北作为重要工业基地及华东作为经济发达地区的角色，表明它们是我国循环经济的关键区域。

选取三类共十个省份或国家分析CE变化的驱动因素（图5）。第一类为CE增长显著的热点地区，包括中国的江苏、山东、山西、广东和内蒙古；第二类是CE减少显著的地区，如日本、上海和北京；第三类是CE增加显著的冷热点地区，包括中国的蒙古和海南省（补充图8）。驱动因素涉及煤炭、石油、天然气及水泥生产的CE强度、能源消费结构、总量、经济状况和人口规模。

在第一类地区中，经济增长是CE增加的主要驱动力。江苏、山东、山西、广东和内蒙古由于经济快速增长，分别贡献了5.3658亿吨、5.7615亿吨、3.4544亿吨、3.9553亿吨和2.2688亿吨的排放增长。此外，能源结构的变化也是重要因素：江苏、山东、山西和广东因天然气使用量增加，分别减少了4419万吨、3301万吨、1152万吨和2257万吨的排放；而内蒙古由于煤炭比重上升，增加了8277万吨的碳排放，反映了该省在过去十年中煤炭消费的显著增长。这表明中国在努力提高清洁能源比例的同时，某些地区的煤炭依赖度仍然很高。

第二类区域为CE减少的热点地区，如中国的上海、北京和日本。这些经济发达地区的CE减少主要由能源强度下降驱动：日本、上海和北京分别减少了177.99 Mt、181.12 Mt和113.25 Mt的碳排放。能源结构变化也是重要因素，上海和北京通过减少煤炭使用（分别为-5.95 Mt和-28.51 Mt）降低了排放，这与中国对高排放行业的控制政策相符；而日本则是通过减少石油使用（-1.185亿吨）来降低排放，体现了其控制石油消费的努力。

第三类区域包括快速发展的欠发达或人口稀少地区，如中国的海南省和蒙古国。这些地区的煤炭消费增长主要受经济和人口增长驱动。海南省由于经济增长贡献了33.8 Mt的煤炭消费量，人口增长贡献了5.3 Mt；蒙古国的经济增长贡献了14.97 Mt，人口增长贡献了3.3 Mt的煤炭消费量。这反映了这些地区在发展过程中对传统能源的依赖增加。