李静、王伟民、张干等—ES&T：耦合植物放射性碳和贝叶斯反演的城市碳排放核查实践

 近日，先进环境装备与污染防治技术全国重点实验室张干研究员团队在利用植物放射性碳（¹⁴C）约束与贝叶斯反演进行城市尺度化石源二氧化碳排放（CO_2ff）核查方面取得新进展。团队将基于植物 ¹⁴C估算的 CO_2ff与大气传输—反演框架耦合，形成了一套低成本、可扩展、面向治理的排放独立核查方法。相关成果于10月22日在线发表于国际期刊 《Environmental Science & Technology》。

 化石能源燃烧是大气 CO₂浓度上升与全球气候变暖的主因。城市既是化石源CO₂排放最集中的地表单元，也是核查最困难的环节。因受源活动数据不完整且滞后、排放因子变化范围大和与空间分辨率不足等因素的影响，传统“自下而上”排放清单的不确定性可达约 50%。因此，亟需建立独立、可落地的碳核查技术手段，以校验排放清单、支撑减排决策。¹⁴C可可靠量化 CO_2ff与自然生物源排放CO₂的相对贡献。草本植物作为“被动采样器”能在一个生长季整合周—月尺度信号、采样成本低，适用于高空间分辨率的城市网格化采样和¹⁴C分析。大气反演，则可将基于植物¹⁴C推导的 CO_2ff浓度转化为排放通量与年度排放总量，用于化石源CO₂排放清单“自上而下”的独立校验和城市碳排放核查。

 先进环境装备与污染防治技术全国重点实验室博士后李静与深圳市生态环境监测中心站王伟民副研究员和张干合作，建立了植物 ¹⁴C 与贝叶斯反演深度耦合的技术方法（图1），并应用于深圳市化石源CO₂排放清单的校验，获得了较好的实践效果。团队在深圳构建了 5×5 km²网格，对70个采样站点的草本植物进行了¹⁴C分析（图2），获得了对生长季大气 ¹⁴CO₂的高密度、时间整合约束，为贝叶斯反演提供了充足数据量、和高分辨率网格空间覆盖。

 团队发现，尽管ODIAC（2022 年，135.8 Mt/年）、MEIC（2020 年，30.7 Mt/年）等两套先验清单在化石源CO₂排放总量与空间分布上存在巨大差异，在统一的网格与误差设定下，植物¹⁴C—贝叶斯方法仍将二者反演到一致的后验水平（图3），表明植物 ¹⁴C 观测对先验误分配与总量偏差具有强约束与校准能力。空间上，后验识别出深圳西北部为主要热点区（图3），与 CO_2ff观测格局和土地/设施分布相吻合。共排放协同分析表明，PM_2.5、PM₁₀、NO₂、CO 与 CO_2ff的像元尺度相关性显著（Pearson r ≈ 0.56–0.76；秩相关 ρ ≈ 0.53–0.85），而 SO₂与 CO_2ff基本无关（r = 0.006，ρ = −0.004），反映出相关污染物的有效减排管控（图4）。团队还揭示并纠正了先验清单的空间误分配，即以人口/夜光为代理的清单在深圳市中心—南部居住区偏高、在西北工业区偏低（图5），而后验清单在全域上对其完成了系统校准，为“热点区优先减排、分区分类施策”的政策设计提供了直接依据。依托该观测—传输耦合体系，深圳市后验总排放稳健收敛至约 59.2 Mt CO₂/年。

 在方法学上，团队系统展示了“草本植物 ¹⁴C + 贝叶斯反演”在城市尺度的联合应用潜力。以 0.05°×0.05° 分辨率构建源—受体关系，计算雅可比矩阵并在贝叶斯框架下最小化目标函数，统一将后验通量换算为月/年总量，为“生长季 ¹⁴C—年尺度排放”的一致表达提供了标准化流程。该流程与公开基线（如 WLG 站）及清单数据协同使用，可在数据受限地区快速搭建城市排放核查体系。

 此项研究强调，观测驱动的城市排放核查可与清单互证，支撑城市级“碳热点”定位、工业源治理优先级排序与年度排放核查，因而是实现区域碳减排目标与碳中和路径的有力技术手段。

 该研究受到国家自然科学基金重点项目（42330715）和青年项目（42203081）、广东省基础与应用基础基金项目（2022A1515011851）、和中国博士后科学基金（2021M693184）等项目的资助。李静为论文的第一作者，张干和深圳市环境监测中心站王伟民副研究员为共同通讯作者。中国科学院大气物理研究所韩鹏飞、广东省生态环境监测中心陈多宏、张涛等为主要合作者。

论文信息：Jing Li（李静）,Boji Lin（林勃机）,Weimin Wang（王伟民）,Pingyang Li（李平阳）,Jun Li（李军）,Pengfei Han (韩鹏飞)，Wenbiao Feng（冯文彪）,Zhineng Cheng（成志能）,Sanyuan Zhu（朱三元）,Tao Zhang（张涛）,Duohong Chen（陈多宏）,and Gan Zhang（张干）."High-Resolution Mapping of Fossil Fuel CO₂ Using Plant Radiocarbon and Bayesian Inversion: Toward a City-Scale Emission Audit."Environmental Science & Technology 2025.

原文链接：https://doi.org/10.1021/acs.est.5c09553

图1：基于植物 ¹⁴C 与贝叶斯反演的碳排放核查方法（概念图）

图2：深圳市植物 Δ¹⁴C 的空间分布。洋红色圆点表示实测的 Δ¹⁴C 值，背景色为采用克里金插值估算的 Δ¹⁴C。

图3：使用 ODIAC 作为先验的反演结果。左列展示基于观测得到的 CO_2ff空间分布 (a)、初始模拟 (b，使用先验排放) 与优化后模拟 (c，使用后验排放)；中列给出先验排放 (d)、后验排放 (e) 及二者差值 (f)；右列包含模拟值与观测值的散点对比图 (g)、误差指标 (h，MAE、RMSE、MSE、ME)，以及各采样点的 CO_2ff浓度 (i) （MAE：平均绝对误差，RMSE：均方根误差，MSE：均方误差，ME：平均误差/偏差，Bias）。

图4：2022 年深圳市基于 Δ¹⁴C 推导的 CO_2ff排放、空气污染物与工业企业的空间分布。左侧两列依次为： (a) CO_2ff浓度（ppm），(b) 细颗粒物 PM_2.5（µg m⁻³），(c) 可吸入颗粒物 PM₁₀（µg m⁻³），(d) 二氧化氮 NO₂（µg m⁻³），(e) 一氧化碳 CO（mg m⁻³），(f) 二氧化硫 SO₂（µg m⁻³）。各图的颜色梯度表示对应污染物的浓度水平，洋红色圆点为观测值。右列各图为： (g) 具有 CO₂排放的工业企业分布，(h) 全部工业企业分布，(i) 工业企业核密度估计（KDE）热力图，突出工业密度较高与潜在排放源区域。

图5：深圳市多种城市指标与 CO_2ff清单排放的空间分析。图中展示了关键城市要素及不同清单来源的 CO_2ff排放分布：(a) LandScan 2022 的人口密度，采用对数尺度以突出差异；(b) VNL 2022 的夜间灯光强度，指示城市活动与发展；(c) OSM 2025 的交通（蓝）与工业（红）用地；以及基于不同排放清单的 CO_2ff排放估算：(d) ODIAC 2022，(e) MEIC 2020，(f) CHRED 2018。使用不同的颜色刻度表示排放强度。