慕尼黑2019-2024年公共电力以及商业和住宅燃烧部门的CO2排放清单

《Atmospheric Environment: X》：Munich CO2 emission inventory for sectors public power and commercial and residential combustion for the years 2019–2024

　　

城市在气候减缓中扮演核心角色，但常常缺乏具有足够空间和时间分辨率的排放清单以进行详细监测和政策评估。现有清单通常基于降尺度的国家统计数据和通用时间剖面，限制了它们捕捉城市特定活动模式和局部时间变异性的能力。在本研究中，研究人员提出了一份针对德国慕尼黑的高分辨率自下而上排放清单，涵盖2019-2024年公共电力以及商业和住宅燃烧部门。化石燃料和生物燃料的CO₂排放量以100米空间分辨率和小时时间分辨率进行量化。计算了一个建筑级热需求代理，用于空间分布报告的燃料消耗。使用小时区域供热热负荷数据训练机器学习模型以推导时间剖面。对于发电厂，小时燃料输入数据使得时间排放剖面成为可能，而总排放量基于年度环境报告。通过与国家降尺度清单进行比较，并针对能源生产数据和气象指标评估时间剖面，对清单进行了评估。通过将其与替代建筑级模型和当地运营商的一个非公开模型进行比较，分析了空间不确定性。该清单揭示了2019年至2024年间的年际排放变化，并显示了外部驱动因素（如能源危机和年平均温度变化）的影响。研究人员强调了使用本地数据的影响，但也表明本地清单受到输入数据质量和可用性的限制。该清单作为开放数据集发布。

### 论文解读：慕尼黑高分辨率CO₂排放清单的构建与评估

#### 研究背景与问题

城市是气候减缓的核心载体，但多数城市缺乏足够时空分辨率的排放清单，难以支撑精细监测与政策评估。现有清单多基于国家统计数据的降尺度方法（downscaling）和通用时间剖面（temporal profiles），无法捕捉城市特有的活动模式与局部时间变异性。德国慕尼黑市设定了2035年实现碳中和的雄心目标，但该市此前缺乏公开的、基于自下而上（bottom-up）方法的高分辨率排放清单，导致无法为减排规划提供可靠基线。为此，研究人员在ICOS Cities项目框架下，针对慕尼黑公共电力（GNFR_A，Gridded Nomenclature for Reporting sectors A）及商业和住宅燃烧（GNFR_C）部门，开发了2019-2024年高分辨率CO₂排放清单，以填补这一空白。

#### 研究内容与结论

研究人员整合了本地建筑3D模型、区域供热（district heating）运行数据、发电厂小时燃料输入数据、城市能源统计及环境自报告（EMAS）等多源数据，构建了空间分辨率100米、时间分辨率小时的排放清单。通过对比国家降尺度清单（德国环境署UBA的GRETA清单、荷兰应用科学研究组织TNO的GHGco清单）以及独立建筑级模型，评估了清单的可靠性。结果表明：清单能有效反映年际排放变化，受能源危机（2022年天然气价格飙升）和年平均温度波动的显著影响；本地数据的使用大幅提升了时空精度，但输入数据质量与可获取性仍是主要限制。该清单已作为开放数据集发布，为城市气候规划、大气建模提供关键支撑。论文发表于《Atmospheric Environment: X》。

#### 主要关键技术方法（不超过250字）

研究人员采用以下关键技术方法：1）建筑级热需求代理（heat-demand proxy）：基于3D建筑数据（CityGML）和类型学信息，计算每栋建筑的年热需求，用于空间分配燃料消耗；2）机器学习时间剖面生成：使用梯度提升回归（Gradient Boosting Regressor）模型，以小时区域供热热负荷数据为训练目标，预测2019-2024年逐小时热需求，获得GNFR_C部门的时间剖面；3）发电厂小时燃料输入数据：直接利用慕尼黑市政公用公司（SWM）提供的所有发电厂小时燃料输入数据，推导电厂特定时间剖面；4）清单评估：与国家降尺度清单（UBA GRETA v1.6.0.1、TNO GHGco v4.1 HighRes）比较年度总量与空间分布，并与能源生产数据（SMARD、ENTSO-E）及气象指标（加热度日HDD）对比时间剖面；5）空间不确定性分析：对比建筑级标准模型（SBM）和SWM内部模型（Model Munich），评估热需求代理与燃料分配的不确定性。数据来源包括慕尼黑市、LDBV、OSM、EMAS报告等。

#### 研究结果

**3.1 GNFR_A: Public power sector**
**3.1.1 Annual emission totals**：基于SWM环境报告，2019-2024年公共电力部门总CO₂排放从2981 kt降至2136 kt，主要归因于基础设施变化（如CHP北区2024年煤改气、CHP南区地热投入及机组现代化）。
**3.1.2 Temporal profiles**：通过小时燃料输入数据推导的电厂时间剖面显示，CHP南区的天然气机组和加热厂（HP）具有强季节性，而垃圾焚烧机组运行平稳。与SMARD发电数据对比，相关性达0.92-0.96，但国家尺度时间剖面（CAMS-TEMPO）无法捕捉局部维护停机等细节。

**3.2 GNFR_C: Other stationary combustion**
**3.2.1 Annual fuel consumption**：温度是年际燃料消耗的主驱动力，但2022年能源危机导致天然气消耗显著低于温度预期，显示行为适应效应。
**3.2.2 Annual emission totals**：TUM清单的GNFR_C排放低于UBA（+3.8%至+16%）和TNO（+9.9%至+24.5%），差异源于区域供热排放被归入GNFR_A，而参考清单在城市中心区域高估。
**3.2.3 Spatial distribution**：空间分布显示，TUM清单能通过建筑几何和类型学捕捉城市核心与郊区的建筑类型差异，而参考清单在区域供热高渗透区（如市中心）存在系统性高估。
**3.2.4 Temporal profiles**：机器学习模型生成的时间剖面与加热度日（HDD）在周、日尺度上一致，但日内分布更符合人类行为（如早晚高峰），优于基于温度的时间代理。
**3.2.5 Analysis of spatial uncertainty**：与标准模型（SBM）比较，热需求代理的鲁棒标准差为24.4%；与Model Munich比较，天然气空间分配鲁棒标准差为33.8%，主要不确定性来自加热类型份额的块级数据。

**3.3 Transferability of the approach**：方法可转移至其他城市，需建筑几何、类型、加热类型等数据；区域供热热负荷或智能电表数据可作为时间剖面的参考；建筑数据库可通过国家地籍或OpenStreetMap获取。

#### 总结讨论与结论翻译

**总结讨论**：研究展示了本地数据对提升排放清单时空分辨率的必要性，但数据可获取性仍是主要瓶颈。加热类型份额的块级假设导致空间不确定性，而加热油和木材消耗缺乏集中监测，不确定性较大。时间剖面虽优于传统温度代理，但区域供热网络的惯性可能引入峰值延迟。未来需结合大气观测（如涡度相关法、¹⁴C分析）进行独立验证，并利用智能电表数据细化用户群体剖面。

**结论翻译**：
**4.1 GNFR_A: Public power sector**：研究表明，即使年度总量基于高质量报告，部门归属和报告方法的差异仍会导致显著偏差，这对大气建模尤为重要。本研究收集的小时燃料输入数据提供了前所未有的时间细节，已用于并行项目，有望改善慕尼黑区域的大气传输模型。
**4.2 GNFR_C: Other stationary combustion**：气象变率是燃料消耗年际变化的主要驱动因素，2022年能源危机显示了行为适应的短期影响，但研究期内未观察到明确的排放下降趋势，这可能与时间跨度有限及能效改善的长期性有关。温度代理（如HDD）能捕捉周、日尺度变率，但无法反映日内动态；即使少量本地数据也可训练机器学习模型生成连续小时时间剖面。空间上，所有清单都能再现城市核心与郊区的对比，但最大差异出现在区域供热高渗透区和建筑类型快速变化的区域，表明基于代理的降尺度方法会平滑或错位排放，而本地清单能提供更精细的空间异质性。