从功能区视角的高分辨率城市区域碳排放估算方法研究：以北京为例

《Urban Science》：Research on High-Resolution Urban Regional Carbon Emission Estimation Method from the Perspective of Functional Areas: A Case Study of Beijing Hongyuan Huo, Ling Li, Yi Lian, Peng Du and Lei Cui

　　

快速的工业化和城市化显著加速了二氧化碳（CO₂）排放，加剧了气候缓解挑战。对中国而言，精确的微观尺度城市碳排放评估对于制定有效的减排政策至关重要；然而，当前的工作常受限于高分辨率数据的缺乏，导致无法捕捉细粒度的空间异质性。为填补这一空白，研究人员整合了1米分辨率国家土地覆盖产品（SinoLC-1）与开放街道地图（OSM）路网和兴趣点（POI）数据，以划定北京的城市功能区。随后，研究人员开发了一种方法，用于在1米分辨率下估算并将碳排放按工业部门类别空间分配到这些功能区。2020年的结果表明，森林、水体、草地的碳吸收总量约为624,900吨，而耕地和建成区能源消耗的排放总量达107,692,300吨。建设用地被识别为主要碳源，而林地和水体则作为关键碳汇。值得注意的是，第三产业占能源相关排放的最大份额（41.80%），主要由电力和煤油消费驱动。在空间上，排放呈现显著异质性，高值集群集中在中心城区和特定郊区节点。交叉验证表明，这种基于功能区的空间分配方法在解析微观尺度排放格局方面显著优于传统的基于夜间灯光的方法。这一高分辨率分析改进了对城市碳循环空间变异性的刻画，为精准低碳规划和能源管理提供了可靠的数据支持。

**论文解读：基于功能区视角的高分辨率城市区域碳排放估算方法研究——以北京为例**

**1. 研究背景与意义**
气候变化是当今人类面临的最严峻挑战之一，国际社会需协同努力减少温室气体（GHG）排放。中国作为全球最大的能源消费国和碳排放国，已承诺“双碳”目标：2030年前碳达峰、2060年前碳中和。研究表明，约85%的碳排放源于城市，因此城市成为脱碳主战场。精确的微观尺度碳排放空间图对于地方政府公平分配排放配额、制定精准减排政策至关重要。然而，现有研究多局限于国家、省域或城市群尺度，缺乏高分辨率数据，难以捕捉城市内部精细的空间异质性。传统方法中，“自上而下”的空间降尺度依赖夜间灯光（NTL）数据，存在灯光溢出、中心城饱和、无法区分工业部门等局限；而“自下而上”方法虽能整合微观活动数据，但数据获取和计算复杂度高。城市功能区（UFZ）作为连接多种土地利用类型的基本地理单元，能更好反映人类活动与碳排放的关联。本研究提出一种1米分辨率的碳排放估算与空间分配方法，融合多源地理空间数据，以北京为案例，旨在解决微观尺度碳排放异质性表征问题，为精准低碳规划提供科学依据。论文发表在《Urban Science》。

**2. 主要技术方法**（不超过250字）
本研究采用的关键技术方法包括：①基于兴趣点（POI）和开放街道地图（OSM）路网数据，通过核密度分析识别城市功能区（公共用地、工业用地、商业用地等七类）；②利用1米分辨率土地覆盖产品SinoLC-1划分林地、耕地、草地、水体和建成区，依据碳排放系数（如林地-0.6440 t·hm^-2·a^-1）计算直接碳排放；③依据《北京统计年鉴》能源平衡表和IPCC指南，计算间接碳排放（分第一、二、三产业及生活消费）；④采用自上而下与自下而上结合的空间分配方法：按POI数量将第二、三产业碳排放分配至独立地块，按建筑面积（基于AOI数据和建筑高度）分配生活消费碳排放；⑤运用随机森林算法的袋外（OOB）误差评估不同功能区对各行业碳排放的重要性。方法中未涉及培养、质粒构建，样本来源为北京市2020年多源数据。

**3. 研究结果**

**4.1 北京城市功能区识别结果**
通过SinoLC-1土地覆盖产品提取建成区，结合OSM和POI数据，识别出七类功能区（公共用地、道路交通用地、工业用地等）。分析显示，东城区、西城区建成区面积占比超90%，城市化程度高；朝阳、海淀等中心城区工业与公共用地合计约50%；通州区耕地占比45%，体现新兴发展特征；周边区县林地、水体、草地占比较高，承担生态保育功能。

**4.2 北京碳排放总量与组成**
2020年，森林、草地、水体作为碳汇共吸收约624,900吨碳（林地为主）；耕地和建成区作为碳源合计排放约107,692,300吨（建成区为主）。按行业分，第三产业能耗碳排放最大（57.42百万吨，占41.80%），主要来自电力和煤油；第二产业次之（49.38百万吨，占35.95%），生活消费第三（29.73百万吨，占21.64%），第一产业最小（0.84百万吨，占0.61%）。能源类型中，电力贡献35.01%，天然气29.77%。

**4.3 碳排放空间分布精度验证**
通过与基于NPP-VIIRS夜间灯光数据和全球开放二氧化碳数据（ODIAC）产品的碳排放空间化结果进行交叉验证，发现本研究的基于能耗分解（ECD）方法得到的单位面积碳排放空间分布与两者整体趋势一致（高值集中在中心城区），但在细节上更精准。在典型功能区（如机场、商业街）的对比中，ECD方法能更好反映真实排放水平，优于受分辨率限制的NTL和ODIAC方法。

**4.4 能源消费碳排放空间分布**

**4.4.1 不同行政区建成区碳排放空间分布**
碳排放呈现从中心向外围递减的层状格局，高值集中在二至四环间的中心城区（东城、西城、朝阳、海淀等）及部分近郊。第二产业排放高值区在怀柔区东南部（37.8万吨，工业与交通区驱动）；第三产业排放热点在丰台区中南部（17.35万吨，工业区）；生活消费排放最高位于通州与朝阳交界（35.69万吨，住宅与商业混合区）。碳排放与建成区面积、人口、GDP呈正相关；朝阳区因建成区面积和人口最大，碳排放高；东城、西城虽面积小但人口经济密集，排放也显著。

**4.4.2 不同行政区功能区碳排放分布**
公共用地在门头沟（51.33%）和平谷（68.04%）占比高，反映缺乏高碳产业；工业用地在朝阳（38.14%）和石景山（32.53%）占比高，体现经济重心与历史重工业遗留；道路交通用地在东城、西城、海淀占比较高，与人口密度和交通需求相关；商业用地在大兴占52.03%，反映近年快速商业发展；住宅、混合用地和绿地广场排放占比普遍较低。

**4.5 不同功能区对各行业碳排放的贡献**
随机森林重要性分析显示：工业区对第二产业碳排放贡献42%，商业区其次（18%）；公共区对第三产业贡献35%，商业区26%；住宅区对生活消费贡献28%，商业区13%。综合来看，工业区对总碳排放贡献最大（29%），商业区次之（22%）。不同行政区有差异：如门头沟道路交通区对二、三产业贡献大，密云公共区对二、三产业贡献大；绿地广场在所有区贡献均低于15%。

**4.6 政策启示**
基于高分辨率碳排放的空间异质性和功能区贡献特征，提出三项策略：①加强自然碳汇（森林、水体、草地）并推进生态修复，在中心城区扩展口袋公园和屋顶绿化，在生态保育区限制开发，在农业区推广低碳耕作（降低耕地排放系数0.497 t·hm^-2·a^-1）；②优先推动第三产业低碳转型，优化能源结构，在商业区推行能源基准、LED照明和智能温控，推广电力替代、分布式光伏，在工业区（石景山、房山）实施绿色改造和零碳工业园；③建立高分辨率碳排放空间数据库，创建“功能区-排放强度”管控清单，对生态保育区实施“正面清单”管理（优先低碳产业），对核心商业区实施“负面清单”（限制高耗能项目），构建智能街区碳排放监测平台。

**4. 总结与讨论**
研究讨论部分指出，本方法在空间分布精度上优于传统夜间灯光和ODIAC数据集，但存在不确定性：由于时间与数据限制，仅分析了2020年数据，未来可通过获取长时间序列数据研究时空变化；利用POI和OSM识别功能区受数据可用性限制，在欠发达地区可能存在精度问题，未来可引入深度学习方法改进识别。研究结论翻译如下：基于自上而下与自下而上结合的空间分配方法，本研究整合1米分辨率SinoLC-1土地覆盖产品、POI和OSM路网等多源数据，划定北京城市功能区并估算各工业部门的高分辨率碳排放。2020年结果揭示碳汇与碳源之间的巨大差距：森林、水体、草地吸收了约624,900吨碳，而耕地和建成区能耗排放约1.0769亿吨。建设用地是主要碳源，林地和水体是重要碳汇。按行业，第三产业是能源相关排放的最大贡献者（57.42百万吨，41.80%），主要来自电力和煤油，第一产业贡献最小（约842,600吨，0.61%）。空间上，本方法在捕捉精细异质性方面优于基于夜间灯光或ODIAC数据的方法。行政区分析显示，公共区和商业区排放份额持续较高，工业区对总量贡献最大。这些格局反映了局部能源消费特征，为空间针对性减排策略提供了关键见解。这一基于功能区的高分辨率框架增强了对城市内部排放变异性的理解，支撑精准低碳城市规划。与以往研究相比，本研究在精度和创新性上均有提升。未来工作可通过获取长期序列数据研究时空变化，并利用深度学习方法提高功能区识别精度。