2023, Vol. 15 
2. 西湖大学，浙江西湖高等研究院，浙江 杭州 310024
2. Westlake Institute for Advanced Study, Westlake University, Hangzhou, Zhejiang 310024, China
二氧化碳(CO2)是最重要的人为温室气体。人类活动导致的CO2排放是气候变化的主要驱动因素[1]。为了避免气候变化带来的灾变，人类必须减少CO2排放，发展低碳经济[2-3]。城市作为一个人口密度大，经济密度高以及能源消耗强度高的人类生产活动载体，是人为CO2排放的重要来源。据最近的研究估计，在统计的53个国家的167个城市或都市圈中，排放量在前25的城市占温室气体排放总量的一半以上[4]。中国正在经历城市化和工业化的快速发展阶段，现已成为全球最大的CO2排放国[5]。因此，城市CO2减排在中国“2030年前碳达峰”和“2060年前碳中和”的“双碳”战略中举足轻重[6-7]。基于大气浓度观测计算城市CO2人为源排放量，是验证减排进程、评估政策效果的有力工具。
2021年9月，生态环境部发布了《碳监测评估试点工作方案》，针对区域、城市和重点行业，开展碳监测评估试点。对试点城市的选择，主要考虑能源结构、产业结构、城市化水平、人口规模、区域等因素。杭州作为16个试点城市之一，将建立温室气体浓度监测网络，通过浓度观测反演城市碳排放通量[8]。
碳通量反演需要格点化的排放清单作为先验信息。先验清单空间分布和部门类别的显著错误，会增加后验估计的误差，也会给正确解读后验结果造成困难[9-11]。Hu等[12]在江西南昌CO2排放研究(2022年)中指出，先验信息中电厂位置是否准确，对城市CO2排放通量的估计值影响很大。因此，准确反映城市排放空间格局的分部门格点化清单是碳排放反演的重要基础。
现有的格点化排放清单大多针对全球或全国尺度的研究编制，包括欧洲开发的全球大气研究排放数据库(EDGAR)[13]、清华大学开发的中国多尺度排放清单模型(MEIC)[14]和生态环境部开发的中国高空间分辨率网格数据(CHRED)[15]等。这些清单的名义空间分辨率在0.1°~0.25°之间，能够满足省级及以上区域的研究要求，但排放源空间分布的不确定性在城市尺度上仍然较大。这是由于全球或国家尺度的格点化清单一般无法全面掌握城市CO2排放点源的准确位置信息，只能使用国内生产总值(GDP)或人口等作为代理权重数据刻画排放的空间分布，因此很难满足城市尺度的碳通量反演的需求。
现以中国城市温室气体工作组编制的《中国城市二氧化碳排放数据集(2020)》[16](以下简称《城市排放数据集》)为基础，整合了CHRED 3.0数据集，各城市统计年鉴以及现场调研、电话咨询等数据，构建城市级CO2排放清单。利用点源精确位置信息和高分辨率空间代理数据建立杭州市高分辨率排放清单模型(以下称“HEIHZ排放清单”)。格点化清单的分部门排放总量与《城市排放数据集》一致，因此，以该清单为先验信息的碳通量反演即是对该数据集的检验，而反演结果也可用于进一步改进《城市排放数据集》的估计。这样的设计为碳监测数据服务城市管理和决策提供了基本框架。
1 研究方法 1.1 研究区概况杭州市位于浙江省北部，钱塘江下游区域，总面积16 850 km2[17]，2020年常住人口1 196.50万人[18]。以整个杭州市行政区域为研究区域，包括上城、拱墅、西湖、滨江、萧山、余杭、临平、钱塘、富阳、临安10个区和建德市、桐庐县、淳安县。以2020年为基准年，构建城市尺度高分辨率格点化CO2排放清单。研究区域位置和主要水系及高速公路分布见图 1(a)(b)。
|
图 1 研究区域 |
利用空间信息数据将表格式的城市CO2排放清单格点化，编制可用于碳通量反演的高分辨率CO2排放清单。2020年杭州市各类CO2排放源的排放估计来自《中国城市二氧化碳排放数据集(2020)》。该数据集为表格式，包含了全国各城市CO2排放数据，报道了各部门排放源的城市尺度排放总量，提供了长时间序列、全口径、全覆盖的中国城市温室气体排放数据集。利用活动水平数据可对其进行再次分类，得到二级类别。CO2排放源类别及各类别排放量见图 2。2020年杭州市CO2人为源排放量达到4 234万t，其中占比最高的为工业能源排放，其次为工业过程排放，这2类排放均为点源排放。其中，工业能源排放包括电力生产、建材、化工和其他工业能源排放，工业过程排放则包含水泥生产和石灰石生产排放。非点源排放包含交通、生活、农业和服务业排放，其中最高的为交通排放，约为750万t。
|
图 2 杭州市2020年CO2排放源类别及各类排放量 |
此外，还使用了一系列高空间分辨率的空间信息数据作为交通、生活、农业、服务业等非点源排放的代理权重数据。其中，人口数据来自全球人口数据(WorldPop)网站[19-21]，土地利用数据基于遥感数据的重分类[22]，夜间灯光数据来自武汉大学与相关研究机构共同研制的“珞珈一号”专业夜光遥感卫星的夜间灯光数据[23]，土地覆盖数据选用MODIS L3级土地覆盖类型产品MCD12Q1数据集[24]，交通路网数据和兴趣点(POI)数据获取自在线地图平台的应用程序编程接口(API)，POI数据易获取，精度高[25-27]。
1.3 空间分配方法根据排放特征将排放源分为点源和非点源2类，基于ArcGIS平台，建立杭州市分辨率为1 km的空间网格。点源指可获得位置信息的排放源，主要是具有一定规模的工业企业，包括电力生产、建材、化工、其他工业能源、水泥生产、石灰石生产这6个二级排放部门(图 2)。非点源指由于过于分散、无法获得位置信息的排放源，包括交通、生活、农业、服务业这4个二级排放部门(图 2)。据统计分析，杭州市点源排放占CO2总排放的75.78%，而非点源排放占24.21%。因此点源排放的空间分配精度直接影响到整体的准确性。
针对点源排放，利用在线地图平台的API接口，提取到工厂类POI的地理坐标信息。对于大型排放源，获取其相关报表以确定其生产规模，利用产量等生产规模指标作为总量分配的权重；对于小型排放源，由于数量众多难以获得完整产量数据，且其排放量总体占比较小，因此并没有参考其产量等进行权重分配，而是采用统计各网格中的小型排放源数量进行空间分配的方法。一些占地面积较大的大型排放源，由于无法确定排放口的具体位置，假设厂区内均匀排放，将排放量按面积分配到该排放源占据的网格中。点源的CO2排放量主要来自水泥生产、电力生产、建材和化工，分别占点源排放总量的24.16%，21.23%，12.23%和11.20%。排放源数量最多的部门为其他工业能源，共609个；其次是化工，仅75个；而排放量最大的水泥生产只有10个排放源，由此可见水泥生产过程的单体排放量巨大。
针对非点源排放，利用代理权重数据作为分配因子将排放量分配到目标网格。杭州市2020年各类非点源排放空间分配权重数据集见图 3(a)—(g)。其中，居民生活排放与人口分布关系密切，因此根据格点的人口密度为权重进行空间分配。由于WorldPop人口数据不能很好地反映近几年来杭州城市空间格局的变化，本研究根据土地利用数据和夜间灯光数据对WorldPop人口数据进行空间校正。交通运输排放依据路网密度和道路等级估算每个网格交通量作为权重进行空间分配，其权重系数来自路网密度以及各道路等级的额定交通量数据叠加[28-29]；但由于无法获取实时交通量数据，因此并没有考虑到城市道路拥挤造成的城市道路交通量较大的情况。农业排放主要来源于生物质开放燃烧，同时伴有农用机械使用过程中产生的CO2排放，根据土地类型均匀分配到包含农田的格点。服务业排放根据POI数据进行空间分配。非点源排放中排放量最大的为交通排放，占非点源排放总量的68.93%；其次为生活排放，占比为15.17%；农业和服务业的排放量远小于前两者，分别占8.82%和7.08%。
|
图 3 杭州市2020年各类非点源排放空间分配权重数据集 |
对格点化清单的不确定性进行分析和表征，主要考虑4部分不确定性，即点源排放的数值不确定性、空间不确定性，非点源排放的数值不确定性、空间不确定性。假设各部分不确定性是相互独立的，可通过误差传递算法汇总得到清单的整体不确定性。
其中，点源排放和非点源排放的数值不确定性根据活动水平数据的不确定性与排放因子的不确定性进行计算。其中，活动水平数据与排放因子的不确定性均取自《浙江省温室气体清单编制指南(2020年修订版)》[30]。然后依照误差传递公式得到其数值不确定性，并根据排放比例分配到各自的目标网格中。
在空间排放不确定性的计算过程中，由于在点源排放空间分配时，会对所有点源进行人工地理识别，因此其空间不确定性可以认为是0。非点源的空间不确定性主要集中于居民生活排放和交通运输排放。针对前者，研究通过对各个网格边界的微小移动而引起的数值变化来估计。首先将目标网格分别向东南西北4个方向移动网格边长的10%，从而得到4个方向的漂移网格，再按照目标网格人口数量的90%和漂移方向相邻网格人口数量的10%的比例进行加权求和，得到4个方向漂移网格的加权人口数据，并计算得到4个漂移网格人口数据的标准差即为该网格的空间不确定性。交通运输的空间不确定性由交通量的漂移值决定，研究假定每一级道路交通量漂移值为±5%。
分别计算得到点源及非点源的数值不确定性和空间不确定性以后，采用加减运算的误差传递公式进行上述4类不确定性的叠加，从而得到HEIHZ清单不确定性的空间分布情况。
1.5 与其他格点化清单对比将上述HEIHZ清单与全球大气研究排放数据库(EDGAR)和中国多尺度排放清单模型(MEIC)2份应用较广泛的格点化排放清单进行对比。EDGAR清单是基于人为排放的国际数据，测算了1970年以来的能源生产和消费、工业生产、废弃物处理处置以及生物质燃烧等产生的温室气体排放量，包含了各个部门与国家的3种主要温室气体(CO2、CH4、N2O)和氟化气体的排放量[13, 31-32]。MEIC清单是由清华大学于2010年开发，通过构建统一的排放源分类体系和排放因子数据库，制定的我国人为大气污染物以及CO2排放清单，包括工业、民用以及交通700多种人为排放源等[33-34]。为方便对比，将EDGAR v6.0版本和MEIC v1.3版本2017年的年均网格数据重采样到含杭州市范围的4 km分辨率网格。
2 结果与讨论 2.1 排放强度汇总与结果分析杭州市2020年高分辨率CO2排放空间分配结果见图 4(a)(b)。图 4(a)显示了将各部门CO2排放量加总并计算得到的杭州市2020年1 km高分辨率CO2排放清单，图 4(b)为用4 km的网格对该排放清单进行重采样。杭州市2020年CO2高排放区域见图 5。由图 5可见，杭州市主要有4个CO2高排放区域，分别位于主城区，城市东部的萧山区和钱塘区，富阳区和桐庐县交界处，及建德市。这4个高排放区域的碳排放量占杭州市排放总量的84.34%。其中，①号高排放区域为主城区，其排放量占总量的8.39%。该区域人口众多，路网密集，分布有大量的服务业设施，排放主要来自交通运输、居民生活和服务业。②号高排放区域为萧山区和钱塘区，其排放量占总量的28.73%。该区域是工业园区所在地，分布有集中的高排放点源以及大量中低排放点源。③号高排放区域位于富阳区和桐庐县交界处，排放量占总量的24.83%，主要排放源是水泥熟料生产企业。④号高排放区域位于建德市西部，排放量占总量的22.38%，主要排放源是水泥熟料生产和橡胶生产加工企业。
|
图 4 杭州市2020年高分辨率CO2排放空间分配结果 |
|
图 5 杭州市2020年CO2高排放区域示意 |
杭州现有13个区县市级以及195个乡镇街道级行政单位，统计每个区、县、市、乡、镇、街道的排放强度，见图 6。排放强度最高的为拱墅区，其排放强度达到7.02×10-7 kg/(m2·s)，其次是钱塘区和上城区，分别为3.96×10-7和2.06×10-7 kg/(m2·s)。排放强度最低的为淳安县，仅为2.57×10-9 kg/(m2·s)。由于排放强度计算的是单位面积内每秒的CO2排放量，因此排放量较小的拱墅区和滨江区由于其行政面积较小，排放强度均较大。而排放量最大的建德市(其排放量达到979万t)，由于较大的行政面积，其排放强度仅位列第6位，为1.33×10-7 kg/(m2·s)。通过各乡、镇、街道的排放强度对比可以看出，人口等要素并不能决定排放强度的高低，通常为若干高排放企业起决定性作用。
|
图 6 各区、县、市、乡、镇、街道CO2排放强度 |
点源排放的空间分布特征见图 7(a)(b)。点源排放包括工业能源排放[图 7(a)]和工业过程排放[图 7(b)]。工业能源排放主要是工业生产过程中化石燃料燃烧活动、生物质燃烧活动产生的CO2排放，包括4个二级部门，分别为电力生产排放、建材排放、化工排放和其他工业能源排放，均属于点源排放。工业能源排放主要分布在萧山区和钱塘区，以及西向(G56)和西南向(G25)2条高速沿线的临安、富阳、桐庐、建德。其中，富阳区中部，桐庐县与富阳区交界处和建德市西部主要是工业与建筑业排放源；建德市西部还分布有少量化工企业源。萧山区与钱塘区主要是化工企业排放源，其中橡胶及化纤生产企业CO2排放强度较高。临安区的G56高速沿线(尤其是西段)分布有大量排放量较小的工厂企业。
|
图 7 点源排放的空间分布特征 |
工业过程排放主要包括水泥和石灰石生产过程中排放CO2。水泥熟料生产过程中，CO2排放主要来源于碳酸盐的分解，其占比可达52%[35]。水泥生产企业主要分布于钱塘江沿岸的富阳区、桐庐县和建德市。石灰石生产过程中的CO2排放原理与水泥生产过程类似，但由于石灰石产量少于水泥熟料，因此其排放强度也明显低于水泥生产企业，主要分布在建德市和富阳区。
杭州市非点源排放的空间分布特征见图 8(a)(b)。非点源排放来自交通排放[图 8(a)]，生活排放、农业排放和服务业排放[图 8(b)]。高速公路的交通量大，但路网密度较小，其排放强度基本与高密度的一级道路相近，甚至在市中心区域小于一级道路的排放强度。居民生活排放的空间分配结果则完全依据人口空间分布。农业排放则主要分布于余杭区、富阳区、桐庐县和建德市西部地区。服务业排放分布于人口稠密地区，其中主要分布地点为西湖区，上城区和拱墅区的交界地带，即西湖风景区、湖滨商圈和武林商圈。
|
图 8 杭州市非点源排放的空间分布特征 |
杭州市2020年高分辨率CO2排放清单总体不确定性见图 9(a)(b)。图 9(a)为根据第1.4节的方法估算得到的排放清单的总体不确定性的绝对值，其分布与排放量的分布有着很强的相关性，即排放高的区域不确定性绝对值高，排放低的区域不确定性绝对值也偏低。图 9(b)为总体不确定性的相对值，最高值网格的不确定性达到42.86%，出现在废弃物处理排放源，主要因为废弃物排放源的数值不确定性较大。人口密集、排放较高的市中心区域相对不确定性低于城市郊区，这主要是由于交通运输源的位置不确定性较高引起的。
|
图 9 杭州市2020年高分辨率CO2排放清单总体不确定性 |
将EDGAR和MEIC清单[图 10(a)和10(c)]进行重采样以后，与HEIHZ清单进行对比，见图 10(b)和10(d)，显示了4 km网格上HEIHZ排放清单与EDGAR和MEIC的差值，其中红色区域代表HEIHZ清单数值较高，蓝色部分代表HEIHZ清单数值较低。
|
图 10 HEIHZ清单和EDGAR清单、MEIC清单的对比结果 |
EDGAR v6.0清单的空间格局与HEIHZ大体相似。差异主要在于EDGAR对工业排放(集中在钱塘区、桐庐县和富阳区)的估计低于HEIHZ，而对主城区西湖区的排放估计高于HEIHZ。而MEIC与HEIHZ的空间分布存在较大差异。MEIC清单的高排放区域集中于杭州市主城区，尤其是主城区北部以及萧山区；但MEIC清单未反映周边区县(包括钱塘区、桐庐县和富阳区)的工业排放。这可能是由于MEIC清单利用人口或GDP等变量作为排放空间代理权重数据造成的。
总体来说，EDGAR清单与HEIHZ清单空间格局近似，但对不同区域、不同部门的排放量估计有差别；而MEIC清单的空间格局与HEIHZ清单差别较大，尤其是工业排放较集中的区县。
3 结论(1) 编制了适用于城市碳排放反演的杭州市2020年高分辨率、多部门的CO2格点化排放清单。本清单基于中国城市温室气体工作组编制的《中国城市二氧化碳排放数据集(2020)》，利用精确的点源位置信息和一系列空间代理权重数据对各部门CO2排放量进行空间分配，获得城市CO2排放的空间格局。对于点源，利用获取自在线地图API的经纬度信息作为坐标信息，结合企业的产量等代理权重数据，将排放量分配至对应格点；对于非点源，借助人口、交通量等代理权重数据对排放量进行空间分配。
(2) 格点化清单结果显示，杭州市有4个CO2高排放区域，包括人口、路网密集的主城区，分布有大量工业企业的萧山区和钱塘区，位于钱塘江沿线以水泥熟料生产企业为主要排放源的富阳区和桐庐县交界处，以及分布有水泥熟料和橡胶生产企业的建德市西部。本研究定量估算了CO2格点化清单不确定性的空间分布情况，并与目前应用较为广泛的EDGAR和MEIC清单进行对比。本研究的格点化排放清单与EDGAR清单的空间格局近似，而与MEIC清单在工业排放较集中的区县差别较大。
(3) 本研究主要针对杭州市编制排放清单。但是，所使用的数据源均来源于公开数据集，可通过API接口获取POI数据以及企业类数据。该方法具有较好的可推广性，可应用于其他城市的格点化清单编制工作。高分辨率格点化排放清单可以作为先验清单用于城市碳通量反演，帮助反演结果的分析和研判，在城市碳监测中发挥重要作用。进一步研究的重点是综合利用城市运行大数据，实现更高效、准确、动态的CO2格点化排放清单的编制。
| [1] |
马立, 王璟煦, 张迪迪, 等. 高时空分辨率FFCO2排放清单的构建方法及研究展望[J]. 地理学报, 2022, 77(3): 650-664. |
| [2] |
ROCKSTR M J, GAFFNEY O, ROGELJ J, et al. A roadmap for rapid decarbonization[J]. Science, 2017, 355(6331): 1269-1271. DOI:10.1126/science.aah3443 |
| [3] |
ROGELJ J, DEN ELZEN M, HÖHNE N, et al. Paris Agreement climate proposals need a boost to keep warming well below 2 ℃[J]. Nature, 2016, 534(7609): 631-639. DOI:10.1038/nature18307 |
| [4] |
WEI T, WU J L, CHEN S Q. Keeping track of greenhouse gas emission reduction progress and targets in 167 cities worldwide[J]. Frontiers in Sustainable Cities, 2021, 3: 696381. DOI:10.3389/frsc.2021.696381 |
| [5] |
WU J, WU Y, GUO X, et al. Convergence of carbon dioxide emissions in Chinese cities: A continuous dynamic distribution approach[J]. Energy Policy, 2016, 91(4): 207-219. |
| [6] |
GUAN D B, LIU Z, GENG Y, et al. The gigatonne gap in China's carbon dioxide inventories[J]. Nature Climate Change, 2012, 2(9): 672-675. DOI:10.1038/nclimate1560 |
| [7] |
GUAN D B, SHAN Y L, LIU Z, et al. Performance Assessment and Outlook of China's Emission-Trading Scheme[J]. Engineering, 2016, 2(4): 398-401. DOI:10.1016/J.ENG.2016.04.016 |
| [8] |
刘诗萌. 碳监测试点开闸[N]. 华夏时报, 2021-09-27(7).
|
| [9] |
DAVID R L, DANIEL Z A, RAMON A A, et al. Constructing a spatially resolved methane emission inventory for the Barnett Shale Region[J]. Environmental Science & Technology, 2015, 49(13): 8147-8157. |
| [10] |
JDANNES D M, JACOB D J, SULPRIZIO M P, et al. Gridded national inventory of U.S. methane emissions[J]. Environmental Science & Technology, 2016, 50(23): 13123-13133. |
| [11] |
SCARPELLI T R, JACOB D J, OCTAVIANO VILLASANA C A, et al. A gridded inventory of anthropogenic methane emissions from Mexico based on Mexico's national inventory of greenhouse gases and compounds[J]. Environmental Research Letters, 2020, 15(10): 105015. DOI:10.1088/1748-9326/abb42b |
| [12] |
HU C, GRIFFIS T J, XIA L, et al. Anthropogenic CO2 emission reduction during the COVID-19 pandemic in Nanchang City, China[J]. Environmental Pollution, 2022, 309: 119767. DOI:10.1016/j.envpol.2022.119767 |
| [13] |
MONFORTI F F, CRIPPA M, GUIZZARDI D, et al. EDGAR v6.0 greenhouse gas emissions[EB/OL]. (2022-09-22)[2023-06-13]. http://data.europa.eu/89h/97a67d67-c62e-4826-b873-9d972c4f670b.
|
| [14] |
MEIC. MEIC Model[EB/OL]. (2022-09-26)[2023-06-13]. http://meicmodel.org/.
|
| [15] |
CAI B F, LIANG S, ZHOU J, et al. China high resolution emission database(CHRED) with point emission sources, gridded emission data, and supplementary socioeconomic data[J]. Resources, Conservation and Recycling, 2018, 129: 232-239. DOI:10.1016/j.resconrec.2017.10.036 |
| [16] |
中国城市温室气体工作组. 中国城市二氧化碳排放数据集(2020)[EB/OL]. (2022-10-14)[2023-06-13]. http://www.cityghg.com/.
|
| [17] |
中共机州市委杭州市人民政府. 行政区域[EB/OL]. (2023-05-05)[2023-06-13]. http://www.hangzhou.gov.cn/art/2023/5/5/art_1229144714_59079216.html.
|
| [18] |
杭州市统计局, 杭州市社会经济调查队. 杭州统计年鉴2021[M]. 北京: 中国统计出版社, 2021.
|
| [19] |
GAUGHAN A E, STEVENS F R, HUANG Z, et al. Spatiotemporal patterns of population in mainland China, 1990 to 2010[J]. Scientific Data, 2016, 3(1): 1-11. |
| [20] |
TATEM A J. WorldPop, open data for spatial demography[J]. Scientific Data, 2017, 4(1): 1-4. |
| [21] |
SOUTHAMPTON T U O. WorldPop[EB/OL]. (2022-07-14)[2023-06-13]. https://www.worldpop.org/.
|
| [22] |
WANG R, GAO W, ZHOU N, et al. Urban structure and its implication of heat stress by using remote sensing and simulation tool[J]. Sustainable Cities and Society, 2021, 65(6): 102632. |
| [23] |
湖北数据与应用中心. 湖北数据与应用中心[EB/OL]. (2022-07-15)[2023-06-13]. http://59.175.109.173:8888/index.html.
|
| [24] |
DAMIEN SULLA-MENASHE M F. MODIS/terra+aqua land cover type yearly L3 global 500m sIN grid V061[EB/OL]. (2022-07-14)[2023-06-13]. https://ladsweb.modaps.eosdis.nasa.gov/missions-and-measurements/products/MCD12Q1#overview.
|
| [25] |
张景奇, 史文宝, 修春亮. POI数据在中国城市研究中的应用[J]. 地理科学, 2021, 41(1): 142-148. |
| [26] |
薛冰, 李京忠, 肖骁, 等. 基于兴趣点(POI)大数据的人地关系研究综述: 理论、方法与应用[J]. 地理与地理信息科学, 2019, 35(6): 51-60. |
| [27] |
徐薛艳, 龙涛, 孙雪飞. 上海中心城区海外游客兴趣点(POI)时空分布特征研究[J]. 世界地理研究, 2018, 27(5): 147-156. |
| [28] |
中华人民共和国交通部. 公路工程技术标准: JTG B01—2014[S]. 北京: 人民交通出版社, 2015: 1-9.
|
| [29] |
中华人民共和国住房和城乡建设部. 城市道路工程设计规范: CJJ 37—2012[S]. 北京: 中国建筑工业出版社, 2016: 8-9.
|
| [30] |
浙江省生态环境厅. 浙江省温室气体清单编制指南(2020年修订版)[R]. 浙江: 浙江省生态环境厅, 2020.
|
| [31] |
JANSSENS-MAENHOUT G, CRIPPA M, GUIZZARDI D, et al. EDGAR v4. 3.2 Global Atlas of the three major greenhouse gas emissions for the period 1970—2012[J]. Earth System Science Data, 2019, 11(3): 959-1002. DOI:10.5194/essd-11-959-2019 |
| [32] |
CRIPPA M, SOLAZZO E, HUANG G L, et al. High resolution temporal profiles in the emissions database for global atmospheric research[J]. Scientific Data, 2020, 7(1): 121. DOI:10.1038/s41597-020-0462-2 |
| [33] |
ZHENG B, TONG D, LI M, et al. Trends in China's anthropogenic emissions since 2010 as the consequence of clean air actions[J]. Atmospheric Chemistry and Physics, 2018, 18(19): 14095-14111. |
| [34] |
LI M, LIU H, GENG G N, et al. Anthropogenic emission inventories in China: A review[J]. National Science Review, 2017, 4(6): 834-866. |
| [35] |
CZIGLER T, REITER S, SCHULZE P, et al. Laying the foundation for zero-carbon cement[EB/OL]. (2020-05-14)[2023-06-13]. https://www.mckinsey.com/industries/chemicals/our-insights/laying-the-foundation-for-zero-carbon-cement#/.
|