The Progress in the Research on Estimation of Vehicle Carbon Emission in China
-
摘要: 中国机动车是交通领域碳排放的一个重要贡献者，中国机动车的碳排放及其对碳排放总量的贡献预计将在未来增加。道路交通领域是重要的碳排放源, 文章综述了中国机动车碳排放估算的研究进展，阐明各省市机动车排放清单、时间趋势和区域特征，为助力实现中国碳中和目标，对未来碳排放措施提供相应的决策支持。Abstract: China's motor vehicles are an important contributor to carbon emission in the transport sector, and their contribution to total carbon emission is expected to increase in the future. Road traffic is an important source of carbon emission. The progress in the research on vehicle carbon emission estimation in China is reviewed and the vehicle emission inventory, temporal trend and regional characteristics are described in order to help achieve China's carbon neutrality goal and provide decision support for future carbon emission measures.
-
Keywords:
- carbon emission /
- estimation model /
- motor vehicle /
- road traffic
-
随着温室效应的不断积累，地球极端气候事件逐年增加，给人们的生产生活造成了巨大的经济损失。地球气候问题已经成为了世界各国政府和人民关注的焦点，气候的变革会直接影响人类的未来。地球的15个气候临界点，已经明确有9个被激活[1]。由于气候临界点之间存在关联性，它们被激活将触发级联效应，进一步加重“气候风险”。麦肯锡地球研究所近年来的研究表明：气候风险呈现出增长性、空间分异性、非定常性、非线性、系统性、递减以及准备不足特点。地球气候问题迫切需要大国政府采取行之有效的措施去应对气候变化。
中国过去40年碳排放量的快速增长引起了广泛关注[2]，中国交通领域碳排放量成为节能减排的重点领域[3]，在地球碳排放总量控制中起着不可估量的作用。中国力争在2030年前实现CO2排放达到峰值，争取在2060年前实现碳中和。在此背景下，开展机动车碳排放的研究对实现“双碳目标”起着关键作用。
本文首先概括机动车的碳排放，然后介绍交通领域碳排放估算方法以及中国机动车碳排放现状，最后对中国机动车碳排放估算研究方向进行展望。
1. 机动车碳排放概况
机动车排放的气体主要包括两类：空气污染物和碳排放[4]。机动车尾气排放将对空气质量和人类健康产生不利影响[5]。
CO2、CH4和N2O是机动车排放的主要碳排放类型。这些温室气体通过吸收大量的太阳辐射并释放出大气热量，导致全球变暖。
碳排放导致近10年的地球表面温度相比1850—1900年提高1.09 ℃，2015—2020年是自1850年有记录以来最热的5年[6]。交通运输领域占欧盟碳排放总量的22.3%，其中道路交通领域占总排放量的21.1%，进一步分析，乘用车碳排放量占欧洲碳排放总量的12.8%，货车占2.5%，而重型卡车和公共汽车占5.6%[7]。从总量上看，国际能源署数据表明，交通运输行业为全球第二大碳排放来源，其碳排放量比例接近1/4，是导致地球气候发生急剧变化的主要因素[8]。
随着中国社会和经济发展的快速推进，中国机动车保有量快速增长，自1990年的554万辆升至2020年的3.72亿辆，增长率达到6 714%。相应的，机动车尾气的碳排放量也迅速增加，成为碳排放量的重要来源。研究显示，2020年全国交通领域碳排放量达9.3亿t，占全国终端碳排放总量的15%。在全球碳达峰与碳中和的背景下，机动车的碳排放研究十分迫切。目前，有关机动车的碳排放估算方法、碳排放水平异质性以及碳排放管理策略等是研究的重点内容，其中机动车碳排放量估算已成为社会经济和环境可持续发展的研究热点。
2. 机动车碳排放量估算方法
作为一个全球性的热点问题，CO2和一般的碳排放相关课题已经在多种不同角度得到了广泛的研究。碳排放量估算方法是机动车碳排放量核准的基础。目前，关于机动车碳排放的估算，国内外学者主要通过机动车本身的测试获得车辆标准碳排放水平，并建立碳排放和交通运输之间的关系，利用模型和大数据分析开展研究[9]。
综合已有研究内容，机动车碳排放量方法主要包括3种类型：(1)机动车排放测试技术；(2)基于排放因子模型构建排放清单，包括移动源排放模型(Mobile Source Emission Factor Model，MOBILE)、计算道路运输排放量的计算机程序(Computer Programme to Calculate Emissions from Road Transport，COPERT)、排放因子模型(Emission Factor Model，EMFAC)、综合模式排放模型(Comprehensive Modal Emissions Model，CMEM)、综合移动源排放(Motor Vehicle Emission Simulator，MOVES)模型和国际车辆排放(International Vehicle Emission，IVE)等模型；(3)基于深度学习的排放建模。
2.1 机动车排放测试技术
机动车排放测试技术是获得准确的个体车辆碳排放量的基本方法。常规实验室估算机动车碳排放量是根据《轻型车污染物排放限值和测量方法》规定的试验方法，即用一辆标准状态的试验车在标准环境下在底盘测功机上运行一个基于新欧洲驾驶油耗测试标准(New European Driving Cycle，NEDC)的工况测试，测量其总尾气排气量，收集部分尾气检测其污染物(如CO2)的体积分数，采用体积分数乘以排气量的体积即可得出这辆车在整个试验过程中所排放的某种污染物的总质量。机动车排放测试技术主要包括台架测试、车载测试和遥感测试，其中车载测试和遥感测试贴近于实际道路驾驶情况[10]，而台架测试法是指在实验室环境条件下通过尾气分析系统对污染物排放进行测试[11]。
台架测试法具有测试条件可控和结果再现性强等优点，已被广泛应用于各国的机动车法规测试中。然而，近年来的许多研究发现轻型车在NEDC工况[12]下的标准测试结果与实际道路排放因子之间呈现明显差异[13-15]。
车载排放测试技术可以克服实验室台架测试的弱点，更切实地反映机动车在实际道路行驶过程中的排放特征[16], 例如分析各类车型的气态污染物排放因子[17]。
遥感测试是通过ZHANG等[18]在1980年后期研发的一项机动车排放测试技术。该技术发展迅速，世界上许多国家和地区接连实施了道路机动车排放遥感测试。研究者常根据碳平衡原理，依据遥感排放测试数据估算车辆技术基于燃油消耗的排放因子，并结合典型燃油经济属性数据进一步分析其基于里程的排放因子[19-20]。
相比台架测试、车载排放测试方法，遥感测试法具有较低的测试成本、可获得较大的样本排放数据，但是，遥感测试存在测试时间较短、测试精度较低和测试点位布局不合理等不足。同时遥感测试数据的点位选取对排放因子结果有显著影响[21]。
综上所述，机动车排放量测试技术可以精准地获得某一辆或某一类机动车的碳排放因素和排放总量，也可以作为其他碳排放预测模型的基础数据，但是对于区域性大尺度的碳排放量核算来说，有一定局限性。
2.2 基于排放因子模型构建排放清单
机动车个体不同情景的碳排放排放量与汽车行驶里程数(Vehicle Kilometers of Travel，VKT)相结合，核算机动车的碳排放量，是模型预测的主要思路。目前主要模型方法包括：MOBILE、COPERT、EMFAC、CMEM、MOVES、IVE等(表 1)。美国环境保护署(Environmental Protection Agency，EPA)研发的MOBILE系列模型、欧洲环境署(European Environment Agency，EEA)的COPERT、美国加州空气局(California Air Resources Board, CARB)的EMFAC均基于机动车平均速度的宏观排放因子模型，均为目前常用的机动车碳排放量估算模型。
表 1 常用机动车预测模型对比Table 1. The comparison of common vehicle prediction models模型名称 建模年度 研究尺度 模型型号 优势 局限性 MOBILE 1978 宏观、中观 MOBILE1/2/3/4/4.1/5/5a/5b/6/6.2 体系完整、应用广泛 本地性差，操作界面复杂，基于固定的工况和排放率 COPERT 1985 宏观、中观 COPERTⅠ/Ⅱ/Ⅲ/IV/5/5.5 图形界面友好，数据输入信息较少，污染物种类较多 对排放因子的处理方法粗放，车队信息不完整 EMFAC 1988 宏观、中观、微观 EMFAC/2011/HK/2017 估算原理与MOBILE相似 地域和排放标准局限性，需要详细车辆运行状态数据，采集难度大 CMEM 1995 微观 CMEM 能够确定车队逐秒排放因子 车辆运行状态数据要求高，采集难度大 MOVES 2001 宏观、中观、微观 MOVES/6/6.2/ 2010/2014a/2014b/3 在源类别、污染物和分析尺度上均综合了道路源和非道路源排放 针对美国本土，需要大量数据本地化，数据获取困难 IVE 2003 宏观、中观 IVE 界面友好，使用VSP参数对排放进行修正 车型分类过于复杂，数据获取困难 注：宏观及中观层面是指国家及县市机动车排放总量估计，微观层面是指路段、交叉口及停车场等车辆排放因子估计[22]。 2.2.1 移动源排放模型
MOBILE模型是由美国EPA于1978年研发的用来估算实际运行要求下碳氢化合物(HC)、一氧化碳(CO)和一氧化氮(NO)的估算软件模型。该模型经过多次优化调整，现在已经根据研究目的和内容更新到MOBILE 6.2版本，用于估算近百年内的机动车排放因子。
清华大学研究团队通过MOBILE 5建立了北京、武汉等城市的机动车排放清单[23-24]。MOBILE的发展体系完整、应用广泛，因此被公认为最完备的机动车排放估算模型。但MOBILE模型基于固定的工况和排放率，且本地性差，操作界面复杂，不适用于大尺度、区域的排放估算。
2.2.2 计算道路运输排放量的计算机程序
COPERT模型由EEA赞助研发，已经自1989年的COPERT Ⅰ发展至2021年的COPERT 5.5，用于估算单独1辆车或1个车队1年中的污染物排放量, 并用于研发高时空分辨率的机动车排放数据库[24]。该模型采用平均速度揭示机动车驾驶特征，并且利用了大量准确的实验数据，能够兼容不同参数变量和国家标准，被亚欧大陆国家广泛使用。ONG等[25]使用COPERT模型估算2007年马来西亚公路运输的CO2当量排放。结果显示：该地区碳排放总量为59 383.51 t，CO2排放是碳排放污染的主要来源，占总CO2当量的71%。FRANÇOIS等[26]在法国里昂地区，使用COPERT模型通过城市流动的生命周期空间和地域发展评估的研究强调了私家车对环境影响的主要贡献(约90%)。
有研究认为COPERT模型比MOBILE模型更适用于中国机动车排放清单的建立，谢绍东等[27]将COPERT模型和MOBILE模型的模拟结果与台架测试结果对比研究表明：COPERT模型的模拟结果更接近于台架测试结果。根据平台测试和车辆尾气测试数据，与移动模型相比，COPERT模型的结果更接近于中国的排放量[28-29]。COPERT模型测试所使用的工况和发动机技术与中国的排放标准接近，欧洲排放标准可以涵盖中国21世纪以来的排放标准，因此，COPERT模型成为中国科研人员估算机动车排放清单的主流模型。然而，COPERT模型需要输入燃油质量、气象条件和驾驶条件等本地信息，这些输入数据包括辆数量组成和车辆年均行驶里程VKT等。COPERT模型存在对排放因子的处理方法粗放、车队信息不完整等问题。虽然市政交通管理部门拥有大量详细的车辆年均行驶里程信息，但这些数据的获取受到了广泛的限制，因此，这将著影响估算总燃料用量和CO2排放量的准确性。
2.2.3 排放因子模型
EMFAC模型是由美国CARB研发的移动源排放模型，采用了与美国其它州不同的排放标准。第一代于1988年发布，至今已于2017年发布了EMFAC 2017。EMFAC模型已被广泛用于流动源的排放评估，以生成排放清单、制定污染控制实施方案、评估排放控制法规的有效性、分析与论证项目符合性、预测未来流动排放趋势[30]。EMFAC模型与MOBILE模型构建方法类似，皆采用车速、行驶里程、驾驶行为等因素对模型进行修正。BISHOP等[31]使用EMFAC 2017从美国加州公路汽油车的测量中估算出的较高的氮氧化物排放，汽油燃油汽车是这些道路排放的主要来源，但所需要的车辆运行状态数据采集难度大。
EMFAC模型存在地域和排放标准的局限性，若将其应用于其他区域，需开展本地化参数修正。中国香港特别行政区就涉及EMFAC模型中的机动车种类、车辆维修制度、排放标准等开展了本地化修正，确立了EMFAC-HK，而且持续优化EMFAC-HK，用来实时地响应其机动车污染管制的情况[32]。WANG等[33]使用EMFAC-HK测量了中国香港特别行政区道路隧道内车辆的排放，测量和模型估计都表明：摩托车和以石油液化气为燃料的公共小巴(占车辆总数的3.7%)所排放的CO比例过高(CO占27%，NMHC占49%)，应加强排放控制，燃油经济性的改善并没有带来预期的CO2减排，这表明需要更积极地减少CO2排放，尤其是重型车辆的CO2排放。
2.2.4 综合模式排放模型
CMEM模型是由美国加州大学河畔分校与密歇根大学在1994—1998年协同研发。发动机功率、发动机转速、空燃比、燃料消耗率、发动机排放等模块共同组成了该模型。研究发现：在机动车高速运行过程中，CMEM模型倾向于预测更高的碳氢化合物(HC)排放和更低的氮氧化物(NO)排放。在机动车非常低速运行时，CMEM模型对所有排放的预测往往低于EMFAC、MOBILE模型[34]。何春玉等[35]运用CMEM模型估算北京市机动车碳排放。结果显示：该市车辆行驶高峰时段和实际车载实验各类污染物排放因子大多数普遍高于非高峰时段。此外，该模型对车辆运行状态要求高，进而相关数据采集难度大。
2.2.5 综合移动源排放模型
MOVES模型是美国EPA基于MOBILE、NONROAD模型于2001年研发的全新综合移动源排放模型。MOVES模型将移动源排放估计的基础从平均速度改为模式活动。基于此，MOVES模型得到了不断的优化，MOVES模型的结构是模型估算原理实施的物理保证，估算原理是模型结构的逻辑关系。相比MOBIL模型，MOVES模型的模拟结果更具准确性[36]。
BAI等[37]使用EMFAC模型和MOVES模型估算了加州洛杉矶县在2002年和2030年CO2和CH4的碳排放，分析了潜在活动数据和排放因子如何影响2个模型之间的观察差异，在县一级，2002年MOVES模型产生了类似的CO2排放量，但仅为EMFAC模型估算的CH4排放量的42%;在2030年，MOVES模型估算的CO2排放量增加了40%，CH4排放量几乎是EMFAC模型估计值的2倍，造成这些差异的重要因素是MOVES模型中包含的活动数据和排放速率。杨凯茜[38]选择MOVES模型研究2014年西安市的机动车尾气排放。结果表明：MOVES模型更注重中观和微观层面的机动车尾气排放因子模拟，与其他模型相比，MOVES模型可以更加全面且精确地反映机动车运行状况和尾气排放。总体上，MOVES模型针对美国本土，相关学者需要实收集车辆行驶工况数据并进行分析[39]，加上各种不确定性因素，在技术层面获取数据较为困难。
2.2.6 国际车辆排放模型
IVE模型由国际可持续系统研究中心和加州大学河滨分校在美国环境保护署的资助下共同研发。IVE模型可以估算机动车从1990年到2050年的本地、全球有毒污染物的排放清单[40]。该模型进一步考虑了由于车队周转、日排放、加油排放等因素而导致的排放率随时间的变化，其基准排放率取决于车辆技术、空气与燃料体积比、发动机尺寸和燃料类型。基准排放率数据来自美国、欧洲、中国、印度和泰国等不同地区。它利用车辆比功率和发动机压力来更准确捕捉驾驶行为的影响[41]。该模型的一般输入项目包括：车队特征、车辆活动、驾驶模式、燃料质量和基于当地条件的温度[42]。
IVE模型已被应用于中国、印度机动车碳排放量的估算。叶身斌等[43]基于该模型研究了天津市机动车排放特征，结果揭示公交车的平均排放情况显著高于乘用车。NESAMANI[44]在印度金奈使用IVE模型估算得到公路运输每天贡献约6 637 t CO2当量，结果显示，两轮和三轮汽车的CO排放量约占总排放量的64%，重型汽车的NOx和PM排放量分别占总排放量的60%和36%以上。此外，该模型对于车型分类过于复杂，有关机动车类型和相应参数的数据获取困难。
2.3 基于深度学习的排放建模
近期，随着人工智能的发展, 尤其是卷积神经网络(CNN)模型在诸多领域取得进展，将深度学习应用于交通领域逐渐成为热门的研究方向。准确估算碳排放是有效模拟碳排放控制政策的重要前提，但由于污染源繁多(如居民生活、汽车尾气等)，并且其排放量不断变化，因此基于传统的排放源调查效率十分低下。而且传统方法严重依赖于宏观统计数据，缺乏时效性及精度保障。这种不准确的排放清单也成为了当前影响碳排放估算的主要限制因素。
目前基于深度学习的排放建模是通过CNN模型对地理位置进行编码，用LSTM循环神经网络对时序变化信息进行编码，再结合研究目的加以设计和优化。HUANG等[45]基于神经网络的综合化学输运模型(Neural-Network-based Comprehensive chemical Transport Model，NN-CTM)准确反映了排放清单与污染物浓度之间的关系，进而在模型中输入地表和卫星观测的污染物浓度数据，通过误差反向传播的方法来估算新的排放清单，该方法同样可被应用于CO2、CH4等碳排放估算中，可为中国实现“碳达峰、碳中和”提供有价值的参考。因此，可以借此展开实质性的研究，通过建立符合研究目的模型，辅以设计相应的模块，优化模型，最终建立一个具有预测和实时分析的模型。
HOCHREITER等[46]为解决传统递归神经网络(Recurrent Neural Network, RNN)的梯度爆炸问题，对标准RNN结构进行了改进，构建LSTM神经网络以此存储单元存储和输出信息。LSTM对长时间序列具有良好的可预测性，但其训练时间往往较长。有鉴于此，CHUNG等[47]通过简化LSTM的结构，提出了一种门控递归单元(Gated Recursive Unit，GRU)神经网络，提高了训练效率。GRU网络的预测精度与LSTM的相当，但GRU结构更简单，参数更少，可以有效缩短训练时间[48]。此外，GRU模型继承了LSTM模型的解决方案，解决了RNN网络中的长依赖问题。
如今，新能源客车正以其更好的环保特性逐渐取代柴油发动机。PAN等[49]使用中国镇江测量的液化天然气客车数据集，基于GRU建立的排放模型在预测精度和训练效率方面优于基准方法，该框架包含时间依赖性和外部因素，包括速度、加速度、动态载客量和道路等级，用于建立实时排放速率模型。研究表明：所提出的模型可为交通和环保工程师选择合适的城市交通排放监测方法提供潜在的指导。
3. 中国机动车碳排放概况
中国机动车碳排放估算从1995年开始以一线城市为主，于2010年达到顶峰并扩展到国内二三线城市。中国碳排放量的主流模型是COPERT，大多数的中国机动车碳排放研究根据机动车大小和用途大致可以分为4类：轻型乘用车、重型客车、轻型卡车和重型卡车。一些城市的研究，摩托也包括在这项工作中。中国统计年鉴与中国交通运输统计年鉴(含国家、省统计年鉴)将中国的汽车主要分为民用车和私家车，根据相关用途主要分为微/轻/中/大型客车、微/轻/中/重型货车、摩托、其它。中国机动车碳排放污染物种类包括CO、CH4、NOx、EC等。
不同区域机动车碳排放量分布特征受到广泛研究，总体上，华东和华南地区机动车碳排放量研究较多(表 2、表 3)，且碳排放量较其他区域较高。
表 2 中国机动车碳排放空间分布Table 2. The distribution of carbon emissions from vehicles in China表 3 中国机动车碳排放研究Table 3. The research on carbon emission from motor vehicles in China地区名 研究时间 使用方法 研究车型 污染物种类 京津冀 2007—2011 年均行驶里程 重(轻)型客(货)车、摩托 CO、NOx、HC、PM 呼和浩特 2011 CVEM 轿车、微/中/大型客车、轻/重型货车 CO、HC、NOx、PM 北京、上海 1995、1999、2000、2005、2011 COPERT 乘用车、轻型车辆、重型卡车、公交车、摩托 CO、NMVOC、NOx、BC、OC 山东省 2000—2013 COPERT Ⅳ 微/轻/中/大型客车、微/轻/中/重型货车、摩托 CO、NOx、NMVOC、PM 青岛 2017 自上而下 微/轻/中/大型客车、微/轻/中/重型货车、摩托 CO、NOx、VOC、NH3、PM10、SO2 广东省 2012 COPERT Ⅳ 微/轻/中/大型客车、微/轻/中/重型货车、摩托 CO、VOC、CH4、NMVOC、NOx、PM2.5、EC、OM、NH3、SO2 广州 1995、1999、2000、2005、2008、2011 COPERT Ⅳ 微/轻/中/大型客车、微/轻/中/重型货车、摩托 CO、VOC、PM、NMVOC、NOx、BC、OC 佛山 2008 COPERT 摩托、轿车、货车、长途客车、出租车、公交 CO、NOx、VOC、PM 海口 2015 MOVES 2014a 轻/中型客车、轻/重型货车、摩托 HC、CO、NOx、PM 成都 2014 COPERT 摩托、轻/大型客车、轻/重型货车 CO、NOx、VOC、PM 兰州 2010 COPERT 微/轻/中/大型客车、微/轻/中/重型货车、摩托 CO、HC、NOx、PM 西安 2016 / 微/轻/中/大型客车、微/轻/中/重型货车、摩托 CO、NOx、HC、PM 注：NMVOC表示非甲烷挥发性有机化合物；BC表示黑碳；OC表示废水中以碳计的有机物的含量；EC表示元素碳；OM表示粒径0.001~10 μm的颗粒物；VOC表示挥发性有机化合物。 中国的各大城市的机动车碳排放问题仍然严峻，各级政府均采取了有效措施来应对碳排放问题，最有效的措施莫过于新能源汽车的推广使用，这在一定程度上缓解了道路污染问题，也有效减少了能源的消耗问题。中国各省市采取了行之有效的措施逐渐推广了公交车和城乡大巴电动化，在全市范围内建设了充电桩，为普及电动车打好了基础。此外，中国电车企业比亚迪技术领先于世界，并于近期成为世界排名前十的车企，这得益于国内市场的广阔需求和政府宏观政策的引领。
在华北地区，京津冀机动车于2007—2011年碳排放总量呈现逐年递增的趋势，机动车碳排放总量为409.35万t[50]。王琨[51]使用CVEM模型估算了2011年呼和浩特市机动车的机动车碳排放总量为10.95万t。在华东地区，王聪[52]使用COPERT Ⅳ模型估算了山东省的CO和NOx的排放量年均增长均超过9.0%。孙世达等[53]通过采用自上而下法建立排放清单，估算出2017年青岛市机动车碳排放总量为9.91万t。
在华东地区，王慧慧等[54]通过调研考察了上海市机动车道路交通等基础数据资料，并对机动车各污染物排放量进行估算, 2012年上海市机动车碳排放总量为40.86万t，2018年上海市机动车碳排放总量为31.04万t。对比2年的结果可知，上海市机动车碳排放总量呈现明显下降的趋势，说明政府采取了强有力的减碳措施。
在华南地区，刘永红等[55]使用COPERT Ⅳ分析了2012年广东省不同车型的机动车排放。结果表明：各车型排放贡献率存在着明显的差异，其中轻型客车、摩托和大型客车所占排放比例较高；广州市和深圳市排放量所占珠三角整体比例较高，机动车污染物排放量上升趋势呈现明显的地区差异性[56]，佛山市、东莞市、珠海市、江门市、中山市、肇庆市、惠州市所占排放比例较低[57]。廖瀚博等[58]使用COPERT Ⅳ估算2008年广州市机动车碳排放总量为21.96万t。谢荣富等[59]使用MOVES 2014a估算2015年海口市机动车的碳排放量，机动车碳排放总量为6.09万t，其中轻型汽油客车是HC和CO的主要贡献车型。
在西南地区，机动车碳排放量的研究集中在成都市。赖承钺等[60]基于COPERT Ⅳ模型估算获得了2014年成都市机动车碳排放总量为24.66万t。通过对成都市机动车的排放特征进行分析，低排放标准机动车的排放水平是所有标准车型中最高的，且道路拥堵情况对机动车的排放水平亦有重要影响。
在西北地区，机动车排放量核算主要集中在兰州市和西安市。据统计，2016年西安市机动车碳排放量为33.25万t[61]。兰州市是中国西北典型的重工业城市，数十年的空气质量低于其他省会城市。机动车碳排放总量为7.10万t[62]。
4. 中国机动车碳排放估算研究展望
通过对有关道路交通碳排放量估算方法文献的系统梳理和分析，总结中国机动车的碳排放研究具有以下特点：在研究区域方面，中国国内研究集中在东部沿海地区及一线城市，西部城市的相关研究鲜有涉及。实际上，西部地区地域辽阔，占国土总面积的70.6%，人口占全国总人口的27.2%，基于西部丰富的矿产资源和深厚的工业基础，碳排放量占全国碳排放总量的比例较高，因此，对中国整体区域的研究显得尤为重要；在研究尺度方面，对中国机动车碳排放相关污染物建立排放清单并没有进行长时间序列的研究，无法对所研究区域结合当地减排政策进行对比分析。一方面，学者普遍依赖于EEA、EPA等机构研发的模型展开研究，估算过程相关参数本地化困难，并且尚未构建中国各省市机动车碳排放清单，研究领域存在空白；另一方面，新能源汽车的大力推进，将有效减少汽柴油车为动力的机动车碳排放量。然而，新能源汽车对于碳排放量的影响程度以及对未来碳排放的贡献水平，仍然需要进一步开展研究。在研究内容方面，中国机动车碳排放污染物排放清单并没有涉及碳排放的所有污染物，所核算的污染物以常见尾气排放污染物为主。随着双碳政策的实施，及时有效地开展中国各个地级市的交通领域机动车的碳排放量评价显得尤为重要。通过构建适用于中国国内的机动车碳排放模型，结合新能源汽车等带来的减碳优势，核算出全国各省市交通领域的碳排放情况，并在长时间序列下开展定量和定性研究，对检验减碳效果具有实际的研究意义，有助于当地政府制定相应的策略，以便制定新的和更有效的车辆排放控制战略。
-
表 1 常用机动车预测模型对比
Table 1 The comparison of common vehicle prediction models
模型名称 建模年度 研究尺度 模型型号 优势 局限性 MOBILE 1978 宏观、中观 MOBILE1/2/3/4/4.1/5/5a/5b/6/6.2 体系完整、应用广泛 本地性差，操作界面复杂，基于固定的工况和排放率 COPERT 1985 宏观、中观 COPERTⅠ/Ⅱ/Ⅲ/IV/5/5.5 图形界面友好，数据输入信息较少，污染物种类较多 对排放因子的处理方法粗放，车队信息不完整 EMFAC 1988 宏观、中观、微观 EMFAC/2011/HK/2017 估算原理与MOBILE相似 地域和排放标准局限性，需要详细车辆运行状态数据，采集难度大 CMEM 1995 微观 CMEM 能够确定车队逐秒排放因子 车辆运行状态数据要求高，采集难度大 MOVES 2001 宏观、中观、微观 MOVES/6/6.2/ 2010/2014a/2014b/3 在源类别、污染物和分析尺度上均综合了道路源和非道路源排放 针对美国本土，需要大量数据本地化，数据获取困难 IVE 2003 宏观、中观 IVE 界面友好，使用VSP参数对排放进行修正 车型分类过于复杂，数据获取困难 注：宏观及中观层面是指国家及县市机动车排放总量估计，微观层面是指路段、交叉口及停车场等车辆排放因子估计[22]。 
下载: 导出CSV
表 3 中国机动车碳排放研究
Table 3 The research on carbon emission from motor vehicles in China
地区名 研究时间 使用方法 研究车型 污染物种类 京津冀 2007—2011 年均行驶里程 重(轻)型客(货)车、摩托 CO、NOx、HC、PM 呼和浩特 2011 CVEM 轿车、微/中/大型客车、轻/重型货车 CO、HC、NOx、PM 北京、上海 1995、1999、2000、2005、2011 COPERT 乘用车、轻型车辆、重型卡车、公交车、摩托 CO、NMVOC、NOx、BC、OC 山东省 2000—2013 COPERT Ⅳ 微/轻/中/大型客车、微/轻/中/重型货车、摩托 CO、NOx、NMVOC、PM 青岛 2017 自上而下 微/轻/中/大型客车、微/轻/中/重型货车、摩托 CO、NOx、VOC、NH3、PM10、SO2 广东省 2012 COPERT Ⅳ 微/轻/中/大型客车、微/轻/中/重型货车、摩托 CO、VOC、CH4、NMVOC、NOx、PM2.5、EC、OM、NH3、SO2 广州 1995、1999、2000、2005、2008、2011 COPERT Ⅳ 微/轻/中/大型客车、微/轻/中/重型货车、摩托 CO、VOC、PM、NMVOC、NOx、BC、OC 佛山 2008 COPERT 摩托、轿车、货车、长途客车、出租车、公交 CO、NOx、VOC、PM 海口 2015 MOVES 2014a 轻/中型客车、轻/重型货车、摩托 HC、CO、NOx、PM 成都 2014 COPERT 摩托、轻/大型客车、轻/重型货车 CO、NOx、VOC、PM 兰州 2010 COPERT 微/轻/中/大型客车、微/轻/中/重型货车、摩托 CO、HC、NOx、PM 西安 2016 / 微/轻/中/大型客车、微/轻/中/重型货车、摩托 CO、NOx、HC、PM 注：NMVOC表示非甲烷挥发性有机化合物；BC表示黑碳；OC表示废水中以碳计的有机物的含量；EC表示元素碳；OM表示粒径0.001~10 μm的颗粒物；VOC表示挥发性有机化合物。
下载: 导出CSV
-
[1] LENTON T M, ROCKSTRM J, GAFFNEY O, et al. Climate tipping points-too risky to bet against[J]. Nature, 2019, 575: 592-595. doi: 10.1038/d41586-019-03595-0
[2] 单肖年, 刘皓冰, 张小丽, 等. 基于MOVES模型本地化的轻型车排放因子估计方法[J]. 同济大学学报(自然科学版), 2021, 49(8): 1135-1143. https://www.cnki.com.cn/Article/CJFDTOTAL-TJDZ202108010.htm SHAN X N, LIU H B, ZHANG X L, et al. Emission factor estimation method for light vehicle based on MOVES model localization[J]. Journal of Tongji University(Natural Science), 2021, 49(8): 1135-1143. https://www.cnki.com.cn/Article/CJFDTOTAL-TJDZ202108010.htm
[3] LIU Z, LI L, ZHANG Y J. Investigating the CO2 emission differences among China's transport sectors and their influencing factors[J]. Natural Hazards, 2015, 77(2): 1323- 1343. doi: 10.1007/s11069-015-1657-2
[4] SUN S, JIANG W, GAO W. Vehicle emission trends and spatial distribution in Shandong Province, China, from 2000 to 2014[J]. Atmospheric Environment, 2016, 147: 190-199. doi: 10.1016/j.atmosenv.2016.09.065
[5] CHEN H, LIN Y, SU Q, et al. Spatial variation of multiple air pollutants and their potential contributions to all-cause, respiratory, and cardiovascular mortality across China in 2015-2016[J]. Atmospheric Environment, 2017, 168: 23-35. doi: 10.1016/j.atmosenv.2017.09.006
[6] MASSON-DELMOTTE V, ZHAI P, PIRANI A, et al. Climate change 2021-the physical science basis[J]. Chemistry International, 2021, 43(4): 22-23. doi: 10.1515/ci-2021-0407
[7] FATIGATI F, GIOVINE G, CIPOLLONE R. Feasibility assessment of a dual intake-port scroll expander operating in an ORC-Based power unit[J]. Energies, 2022, 15(3): 1-26.
[8] Transport Emissions. Available online[EB/OL]. [2021- 11-16](2022-06-10) https://ec.europa.eu/clima/eu-action/transport-emissions_en.
[9] WANG W, ZHONG H, ZENG Y, et al. A carbon emission calculation model for roadside parking[J]. International Journal of Environmental Research and Public Health, 2021, 18(4): 1906/1-21.
[10] 郝吉明, 傅立新, 贺克斌, 等. 城市机动车排放污染控制: 国际经验分析与中国的研究成果[M]. 北京: 中国环境科学出版社, 2001. HAO J M, FU L X, HE K B, et al. Urban vehicle emission pollution control: analysis of international experience and research results in China[M]. Beijing: China Environmental Science Press, 2001.
[11] CHAN T L, NING Z. On-road remote sensing of petrol vehicle emissions measurement and emission factors estimation in Hong Kong[J]. Atmospheric Environment, 2005, 39(14): 6843-6856.
[12] NESAMANI K S. Estimation of automobile emissions and control strategies in India[J]. Science of the Total Environment, 2010, 408(8): 1800-1811. doi: 10.1016/j.scitotenv.2010.01.026
[13] WEISS M, BONNEL P, HUMMELR, et al. On-road emissions of light-duty vehicles in Europe[J]. Environmental Science & Technology, 2011, 45(19): 8575-8581.
[14] HUO H, YAO Z, HE K, et al. Fuel consumption rates of passenger cars in China: labels versus real-world[J]. Energy Policy, 2011, 39(11): 7130-7135. doi: 10.1016/j.enpol.2011.08.031
[15] 胡京南, 郝吉明, 傅立新, 等. 机动车排放车载实验及模型模拟研究[J]. 环境科学, 2004, 5(3): 19-25. https://www.cnki.com.cn/Article/CJFDTOTAL-HJKZ200403003.htm HU J N, HAO J M, FU L X, et al. Study on vehicle emission test and model simulation[J]. Environmental Science, 2004, 25(3): 19-25. https://www.cnki.com.cn/Article/CJFDTOTAL-HJKZ200403003.htm
[16] LIU H, HE K, LENTS J M, et al. Characteristics of diesel truck emission in China based on portable emissions measurement systems[J]. Environmental Science & Technology, 2009, 43(24): 9507-9511.
[17] YAO Z, HUO H, ZHANG Q, et al. Gaseous and particulate emissions from rural vehicles in China[J]. Atmospheric Environment, 2011, 45(18): 3055-3061. doi: 10.1016/j.atmosenv.2011.03.012
[18] ZHANG Y, STEDMAN D H, BISHOP G A, et al. Worldwide on-road vehicle exhaust emissions study by remote sensing[J]. Environmental Science & Technology, 1995, 29(9): 2286-2294.
[19] CHAN T L, NING Z. On-road remote sensing of petrol vehicle emissions measurement and emission factors estimation in Hong Kong[J]. Atmospheric Environment, 2005, 39(14): 6843-6856.
[20] GUO H, ZHANG Q, SHI Y, et al. On-road remote sensing measurements and fuel-based motor vehicle emission inventory in Hangzhou, China[J]. Atmospheric Environment, 2007, 41(14): 3095-3107. doi: 10.1016/j.atmosenv.2006.11.045
[21] LEE T, FREY H C. Evaluation of representativeness of site-specific fuel-based vehicle emission factors for route average emissions[J]. Environmental Science & Techno-logy, 2012, 46(12): 6867-6873.
[22] WEISS M, BONNEL P, HUMMEL R, et al. On-road emissions of light-duty vehicles in Europe[J]. Environmental Science & Technology, 2011, 45(19): 8575-8581.
[23] 郝吉明, 吴烨, 傅立新, 等. 北京市机动车污染分担率的研究[J]. 环境科学, 2001, 22(5): 1-6. https://www.cnki.com.cn/Article/CJFDTOTAL-HJKZ200105000.htm HAO J M, WU Y, FU L X, et al. Study on vehicle pollution sharing rate in Beijing[J]. Environmental Science, 2001, 22(5): 1-6. https://www.cnki.com.cn/Article/CJFDTOTAL-HJKZ200105000.htm
[24] HUANG Y W, ZHAO Y, YANG Y. Research on provincial vehicle air pollutant emission inventory based on different methods-a case study of Jiangsu Province[J]. China Science and Technology Paper, 2017, 12(3), 347-353.
[25] ONG H C, MAHLIA T M I, MASJUKI H H. A review on emissions and mitigation strategies for road transport in Malaysia[J]. Renewable and Sustainable Energy Reviews, 2011, 15(8): 3516-3522. doi: 10.1016/j.rser.2011.05.006
[26] FRANÇOIS C, GONDRAN N, NICOLAS J P. Spatial and territorial developments for life cycle assessment applied to urban mobility-case study on Lyon area in France[J]. The International Journal of Life Cycle Assessment, 2021, 26(3): 543-560. doi: 10.1007/s11367-020-01861-2
[27] 谢绍东, 宋翔宇, 申新华. 应用COPERT Ⅲ模型估算中国机动车排放因子[J]. 环境科学, 2006(3): 3415-3419. https://www.cnki.com.cn/Article/CJFDTOTAL-HJKZ200603002.htm XIE S D, SONG X Y, SHEN X H. Calculation of vehicle emission factors in China using COPERT Ⅲ model[J]. Environmental Science, 2006(3): 3415-3419. https://www.cnki.com.cn/Article/CJFDTOTAL-HJKZ200603002.htm
[28] JIA T, LI Q, SHI W Z. Estimation and analysis of emissions from on-road vehicles in Mainland China for the period 2011—2015[J]. Atmospheric Environment, 2018, 191: 500-512. doi: 10.1016/j.atmosenv.2018.08.037
[29] 李修刚, 杨晓光, 王炜, 等. 用于城市交通规划的机动车污染物排放因子[J]. 交通运输工程学报, 2001(4): 87-91. doi: 10.3321/j.issn:1671-1637.2001.04.020 LI X G, YANG X G, WANG W, et al. Vehicle emission factors for urban traffic planning[J]. Journal of Traffic and Transportation Engineering, 2001(4): 87-91. doi: 10.3321/j.issn:1671-1637.2001.04.020
[30] ZHANG Y J. The impact of financial development on carbon emissions: an empirical analysis in China[J]. Energy Policy, 2011, 39(4): 2197-2203. doi: 10.1016/j.enpol.2011.02.026
[31] BISHOP G A. Does California's EMFAC2017 vehicle emissions model under predict California light-duty gasoline vehicle NOx emissions[J]. Journal of the Air & Waste Management Association, 2021, 71(5): 597-606.
[32] LAU J, HUNG W T, CHENG C S. On-board gaseous emissions of LPG taxis and estimation of taxi fleet emissions[J]. Science of the Total Environment, 2011, 409(24): 5292-5300. doi: 10.1016/j.scitotenv.2011.08.054
[33] WANG X, CHEN L W A, HO K F, et al. Comparison of vehicle emissions by EMFAC-HK model and tunnel measurement in Hong Kong[J]. Atmospheric Environment, 2021, 256: 118452/1-11.
[34] BARTH M, ALCOLM C, OUNGLOVE T, et al. Recent validation efforts for a comprehensive modal emissions model[J]. Transportation Research Record, 2001, 1750(1): 13-23. doi: 10.3141/1750-02
[35] 何春玉, 王歧东. 运用CMEM模型估算北京市机动车排放因子[J]. 环境科学研究, 2006, 19(1): 109-112. doi: 10.3321/j.issn:1001-6929.2006.01.027 HE C Y, WANG Q D. CMEM model was used to estimate vehicle emission factors in Beijing[J]. Research of Environmental Science, 2006, 19(1): 109-112. doi: 10.3321/j.issn:1001-6929.2006.01.027
[36] EPA. Daft Motor Vehicle Emission Simulator(MOVES): Software design and reference manual[CP]. Environmental Protection Agency, 2009.
[37] BAI S, EISINGER D, NIEMEIER D. MOVES vs. EMFAC: A comparison of greenhouse gas emissions using Los Angeles County[C]//Transportation Research Board 88th Annual Meeting. California: University of California, 2009.
[38] 杨凯茜. 西安市机动车尾气排放量化模拟研究[D]. 西安: 长安大学, 2015. YANG K X. Quantitative simulation of vehicle exhaust emissions in Xi'an[D]. Xi'an: Chang'an University, 2015.
[39] HU M, WANG S, HUANG W, et al. Vehicle trajectory reconstruction and emission estimation based on license plate recognition data[J]. Journal of Shenzhen University Science and Engineering, 2020, 37(2): 111-220. doi: 10.3724/SP.J.1249.2020.02111
[40] DAVIS N, LENTS J, OSSES M, et al. Development and application of an international vehicle emissions model[J]. Transportation Research Record, 2005, 1939(1): 156-165. doi: 10.1177/0361198105193900118
[41] BARTH M, AN F, YOUNGLOVE T, et al. The development of a comprehensive modal emissions model[M]. Washington: Transportation Research Board, 2000: 25-11.
[42] SCHWARTZ S E. Resource Letter GECC-2: The greenhouse effect and climate change: the intensified greenhouse effect[J]. American Journal of Physics, 2018, 86(9): 645-656. doi: 10.1119/1.5045577
[43] 叶身斌, 王岐东, 贺新. 天津在路机动车活动水平调查研究[J]. 北京工商大学学报(自然科学版), 2007, 25(2): 28-31. https://www.cnki.com.cn/Article/CJFDTOTAL-BQGB200702007.htm YE S B, WANG Q D, HE X. Investigation and research on vehicle activity level on Tianjin road[J]. Journal of Beijing Technology and Business University(Natural Science Edition), 2007, 25(2): 28-31. https://www.cnki.com.cn/Article/CJFDTOTAL-BQGB200702007.htm
[44] NESAMANI K S. Estimation of automobile emissions and control strategies in India[J]. Science of the Total Environment, 2010, 408(8): 1800-1811. doi: 10.1016/j.scitotenv.2010.01.026
[45] HUANG L, LIU S, YANG Z, et al. Exploring deep learning for air pollutant emission estimation[J]. Geoscientific Model Development, 2021, 14(7): 4641-4654. doi: 10.5194/gmd-14-4641-2021
[46] HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780. doi: 10.1162/neco.1997.9.8.1735
[47] CHUNG J, GULCEHRE C, CHO K, et al. Gated feedback recurrent neural networks[J]. Computer Science, 2015, 37: 2067-2075.
[48] WANG J Q, DU Y, WANG J. LSTM based long-term energy consumption prediction with periodicity[J]. Energy, 2020, 197: 117197/1-12.
[49] PAN Y, ZHANG W, NIU S. Emission modeling for new-energy buses in real-world driving with a deep learning-based approach[J]. Atmospheric Pollution Research, 2021, 12(10): 101195/1-10.
[50] 李莹莹. 京津冀机动车污染物排放总量测算及减排防控策略研究[D]. 天津: 天津理工大学, 2015. LI Y Y. Measurement of total vehicle emissions and prevention and control strategies in Beijing-Tianjin-Hebei Region[D]. Tianjin: Tianjin University of Technology, 2015.
[51] 王琨. 呼和浩特市机动车尾气污染测算分析[D]. 呼和浩特: 内蒙古工业大学, 2014. WANG K. Calculation and analysis of vehicle exhaust pollution in Hohhot[D]. Hohhot: Inner Mongolia University of Technology, 2014.
[52] 王聪. 基于COPERT4模型的山东省汽车尾气排放特征及预测研究[D]. 青岛: 中国海洋大学, 2015. WANG C. Study on characteristics and prediction of automobile exhaust emissions in Shandong Province based on COPERT4 model[J]. Qingdao: Ocean University of China, 2015.
[53] 孙世达, 金嘉欣, 吕建华, 等. 基于精细化年均行驶里程建立机动车排放清单[J]. 中国环境科学, 2020, 40(5): 2018-2029. doi: 10.3969/j.issn.1000-6923.2020.05.019 SUN S D, JIN J X, LV J H, et al. Establish vehicle emission inventory based on fine annual mileage[J]. China Environmental Science, 2020, 40(5): 2018-2029. doi: 10.3969/j.issn.1000-6923.2020.05.019
[54] 王慧慧, 曾维华, 吴开亚. 上海市机动车尾气排放协同控制效应研究[J]. 中国环境科学, 2016, 36(5): 1345-1352. doi: 10.3969/j.issn.1000-6923.2016.05.010 WANG H H, ZENG W H, WU K Y. Study on synergistic Control effect of Vehicle exhaust emission in Shanghai[J]. China Environmental Science, 2016, 36(5): 1345-1352. doi: 10.3969/j.issn.1000-6923.2016.05.010
[55] 刘永红, 姚达文, 黄建彰. 珠三角地区机动车排放清单建立与来源分析[J]. 环境科学与技术, 2015, 38(S1): 458-463. https://www.cnki.com.cn/Article/CJFDTOTAL-FJKS2015S1094.htm LIU Y H, YAO D W, HUANG J Z. Establishment and source analysis of vehicle emission inventory in Pearl River Delta region[J]. Environmental Science and Techno-logy, 2015, 38(S1): 458-463. https://www.cnki.com.cn/Article/CJFDTOTAL-FJKS2015S1094.htm
[56] 马品, 曹生现, 刘永红, 等. 2006—2012年广东省机动车尾气排放特征及变化规律[J]. 环境科学研究, 2015, 28(6): 855-861. https://www.cnki.com.cn/Article/CJFDTOTAL-HJKX201506003.htm MA P, CAO S X, LIU Y H, et al. Characteristics and variation of vehicle exhaust emissions in Guangdong Province from 2006 to 2012[J]. Research of Environmental Sciences, 2015, 28(6): 855-861. https://www.cnki.com.cn/Article/CJFDTOTAL-HJKX201506003.htm
[57] 车汶蔚, 郑君瑜, 钟流举. 珠江三角洲机动车污染物排放特征及分担率[J]. 环境科学研究, 2009, 22(4): 456-461. https://www.cnki.com.cn/Article/CJFDTOTAL-HJKX200904014.htm CHE W W, ZHENG J Y, ZHONG L J. Emission characteristics and share rate of vehicle pollutants in the Pearl River Delta[J]. Research of Environmental Sciences, 2009, 22(4): 456-461. https://www.cnki.com.cn/Article/CJFDTOTAL-HJKX200904014.htm
[58] 廖瀚博, 余志, 周兵, 等. 广州市机动车尾气排放特征研究[J]. 环境科学与技术, 2012, 35(1): 134-138;163. doi: 10.3969/j.issn.1003-6504.2012.01.028 LIAO H B, YU Z, ZHOU B. Characteristics of vehicle exhaust emission in Guangzhou[J]. Environmental Science and Technology, 2012, 35(1): 134-138;163. doi: 10.3969/j.issn.1003-6504.2012.01.028
[59] 谢荣富, 陈振斌, 邓小康, 等. 基于MOVES2014a的海口市机动车污染物排放特征及分担率研究[J]. 海南大学学报(自然科学版), 2017, 35(3): 282-289. https://www.cnki.com.cn/Article/CJFDTOTAL-HNDK201703012.htm XIE R F, CHEN Z B, DENG X K, et al. Study on emission characteristics and sharing rate of vehicle pollutants in Haikou City based on MOVES2014a[J]. Journal of Hainan University(Natural Science), 2017, 35(3): 282-289. https://www.cnki.com.cn/Article/CJFDTOTAL-HNDK201703012.htm
[60] 赖承钺, 邓小芸, 贾滨洋. 成都市机动车排放清单及排放特征研究[J]. 四川环境, 2018, 37(1): 151-158. doi: 10.3969/j.issn.1001-3644.2018.01.027 LAI C Y, DENG X Y, JIA B Y. Study on vehicle emission inventory and emission characteristics in Chengdu[J]. Sichuan Environment, 2018, 37(1): 151-158. doi: 10.3969/j.issn.1001-3644.2018.01.027
[61] 马文杰, 彭青宇, 谭志海. 西安市机动车尾气排放特征研究[J]. 科技创新导报, 2018, 15(15): 119-121. https://www.cnki.com.cn/Article/CJFDTOTAL-ZXDB201815065.htm MA W J, PENG Q Y, TAN Z H. Research on characteristics of vehicle exhaust emissions in Xi'an City[J]. Science and Technology Innovation Guide, 2018, 15(15): 119-121. https://www.cnki.com.cn/Article/CJFDTOTAL-ZXDB201815065.htm
[62] 韩冰. 兰州市机动车尾气排放特征研究[D]. 兰州: 兰州交通大学, 2013. HAN B. Study on characteristics of vehicle exhaust emissions in Lanzhou[D]. Lanzhou: Lanzhou Jiaotong University, 2013.
-
期刊类型引用(6)
1. 方艳林，王升帅，张伟，张妮，谢璇，张厚勇. 基于PEMS的非四机械尾气碳排放特征探析. 环境监控与预警. 2025(01): 98-102 . 
百度学术
2. 吴雨涟，杨洁，邵智娟，沈春其，裴程伟，秦龙飞，郑嘉兴，徐婷婷，阚诗烨，宋程璐，崔璀. 苏州市机动车排放清单及特征研究. 环境科学学报. 2024(09): 129-139 . 百度学术
3. 陈佳昊，项雅静. 基于拥堵系数的上海市道路高分辨率碳排放时空分配方法研究. 环境科学与管理. 2024(11): 16-21 . 百度学术
4. 石文哲，王峰，付合英，李忠飞，王亮，于海洋，唐忠锋. 基于全生命周期法的矿用柴油重卡碳核算. 环境工程学报. 2023(06): 1907-1914 . 百度学术
5. 菅月诚，彭娜娜，高艳珊，王强. “双碳”背景下细颗粒物和臭氧污染研究进展. 能源环境保护. 2023(05): 190-200 . 百度学术
6. 代洪娜，曾煜磊，施庆利，孙婷. 碳达峰与碳中和背景下省域高速公路网碳排放精细化测算方法. 华南师范大学学报(自然科学版). 2023(04): 1-13 . 百度学术
其他类型引用(6)
计量
- 文章访问数: 589
- HTML全文浏览量: 123
- PDF下载量: 101
- 被引次数: 12
