2026, Vol. 18
气候变化问题是当今全球共同面临的重大挑战，积极应对气候变化，推动绿色低碳转型已成为国际社会的普遍共识与紧迫任务。作为全球温室气体排放规模最大的国家，中国高度重视气候变化问题，积极参与全球气候治理，持续推进减排体系建设。2020年中国提出二氧化碳（CO2）排放力争于2030年前达到峰值，努力争取2060年前实现碳中和的“双碳”战略目标，2025年在新一轮国家自主贡献（NDC）中进一步强化减排力度和治理要求，提出到2035年全经济范围温室气体净排放量比峰值下降7%~10%，力争做得更好。一系列具有挑战性的目标对排放统计核算与减排政策设计提出了更高的要求。
1 背景与需求随着“十五五”时期我国碳排放管理模式由碳排放强度控制向碳排放总量和强度双控制度转变，对减排措施的精细化水平提出了更高要求，相应地，需要更高质量、细颗粒度的排放数据作为支撑。以省级尺度为主的排放清单虽然能够反映地区排放总量及排放结构，在刻画排放空间分布异质性、识别重点排放区域及支撑差异化减排政策制定等方面仍存在一定局限。2024年10月，国家发展改革委、生态环境部等部门联合印发《完善碳排放统计核算体系工作方案》，为提升我国碳排放监测与核算能力奠定了重要基础。高空间分辨率温室气体排放清单是指以小尺度网格或单体为单位，精确反映不同行业、区域和排放源温室气体排放量及其分布的数据集。高空间分辨率温室气体排放清单并非对现有清单和核算体系的替代，而是在现有统计核算框架基础上的延伸与补充，可为精细化管理提供支撑，其应用场景包括以下方面。
一是满足对温室气体排放精细化表征的需求。现有温室气体排放核算统计主要面向国家和省级尺度，受限于数据可得性、方法适用性等因素，城市级及城市以下尺度的排放数据相对匮乏。随着“双碳”行动向更加精准的区域和行业治理延伸，管理部门需对城市、区县、乡镇、园区及部分重点工业企业的排放进行细致刻画。高空间分辨率排放清单在统一核算边界、方法和数据来源的基础上，将排放量在小尺度网格单元呈现，并可以按需聚合至各类行政区或功能区，实现跨区可比、突破行政边界限制的精细化排放表征，为区域碳达峰路径优化和新一轮NDC目标落实提供基础数据支撑。
二是满足高排放精准溯源与责任界定的迫切需求。受能源结构、产业类型和发展阶段等因素影响，不同地区的温室气体排放来源与结构差异显著。准确定位和识别排放源不仅有助于实施针对性减排措施、提升政策效率，也为明确跨区域排放责任和合理分配减排任务提供关键依据。高空间分辨率温室气体排放清单能够清晰呈现出高排放热点区域，并追溯排放来源，识别出钢铁、水泥等重工业企业，城市道路交通堵点和物流走廊，以及港口、机场等综合交通枢纽等典型排放源，为排放管控和监管执法提供支撑。
三是满足政策模拟与效果评估的需求。随着能耗双控制度、产业结构调整、碳排放权交易等减排政策的实施，政策效果的及时量化评估变得尤为重要。针对某一区域建立高空间分辨率、长时间序列的连续排放网格，可以在空间和时间尺度上持续追踪排放变化，对比评估政策实施前后的减排贡献，避免宏观统计数据掩盖区域内部个体排放差异。此外，高分辨率排放数据能够嵌入空气质量和气候模式，支持开展不同政策情景下的减排效果模拟与环境效益分析，为科学决策提供数据基础。
2 方法与进展 2.1 温室气体排放核算方法学高空间分辨率排放清单的建立依赖于完善的温室气体排放核算方法体系。当前，全球温室气体排放的表征以核算为主、监测为辅。在此框架下，已形成以联合国政府间气候变化专门委员会（IPCC）国家清单指南为核心，覆盖国家—省市—企业/设施的多层级、全口径核算方法体系，为进一步构建高空间分辨率排放清单提供了制度化和标准化基础。
2.1.1 国家层面：IPCC国家清单指南的演进与拓展IPCC发布的国家清单指南，是全球各国编制国家温室气体排放清单的核心技术规范。《IPCC国家温室气体清单指南》（1995年）是IPCC的第一版指南，但很快被《IPCC国家温室气体清单（1996修订版）》所取代[1]。在此基础上，2019年IPCC第49次全会通过《IPCC 2006年国家温室气体清单指南2019修订版》[2]，该指南在方法和数据方面均有重要拓展。一方面，指南完善了活动水平数据获取方式，强调了企业级数据的重要作用；另一方面，指南也首次完整提出基于大气浓度（遥感测量和地面基站测量）反演温室气体排放量的方法，为各国国家清单编制和履约提供了新的技术规范[3]。
2.1.2 省市层面：省级清单方法学的系统化完善省级清单是国家清单的细化和延伸。基于IPCC框架，中国建立了省级温室气体排放核算方法体系。2025年生态环境部发布《省级温室气体清单编制指南（修订版）》征求意见稿，标志着省级温室气体清单编制方法体系的全面更新。新版指南规范了核算范围、数据来源和排放因子选取，提高了省级清单的科学性、完整性和可比性，为地方管理部门摸清排放底数、识别关键排放源提供了权威依据。此外，在城市层面的《大气污染物与温室气体融合排放清单编制技术指南（试行）》则进一步细化了排放源的分类分级，推动方法学在城市尺度的深度应用与扩展。
2.1.3 企业/设施层面：支撑碳市场MRV机制与配额分配在全国碳市场的制度体系中，企业的排放量、产品产量及生产运行信息是配额分配和履约的依据，直接影响每家企业的履约成本[4]，因此碳市场对企业温室气体排放数据的准确性提出更高的要求。全国碳市场自2021年正式启动以来，陆续修订了发电、水泥、铝冶炼和钢铁企业温室气体排放核算指南，明确各行业企业核算边界、方法及关键参数（如燃料消耗量、产品产量、生产运行等）的监测与报告要求。各项指南不仅支撑了监测、报告和核查（MRV）体系的有效运行，也为构建工业行业高空间分辨率排放清单奠定了坚实的方法学基础。
2.2 高空间分辨率温室气体排放清单研究进展近年来，精细化管控需求推动温室气体清单从宏观统计尺度向高空间分辨率快速发展。在多源数据融合、核算方法改进、评估模型优化的多重因素推动下，温室气体排放在微观层面的精细化表征能力显著提升。在全国层面上，Cai等基于超过150万家的企业点源数据，自下而上核算工业排放量，结合代理数据估算农业、交通及服务业排放量，建立中国高分辨率排放数据库（CHRED，1 km×1 km）并与各地区社会经济数据相耦合，建立持续迭代更新机制[5, 6]。Hou等利用动态估算模型，结合社会经济、灯光数据等，构建了2012—2022年0.01°分辨率的全国CO2排放清单[7]。Guo等对中国360个地级市八大行业的CO2和甲烷（CH4）排放及其空间分布进行估算，构建了全国0.5 km×0.5 km分辨率的CO2和CH4排放清单[8]。在区域层面，卢清等开发了广东省3 km×3 km分辨率的温室气体排放清单，并识别出高排放网格分布于珠三角及大型高耗能企业周边[9]。多行业融合的高空间分辨率排放清单逐步构建，分辨率已达到公里级别，为统筹全国减排政策提供了基础。
在此基础上，结合行业差异化的排放特征和温室气体类型，针对电力、工业、建筑、交通、农业等行业的高空间分辨率排放清单研究不断深入，为分行业排放路径分析与减排策略制定提供了科学支撑（表 1）。
|
表 1 各部门高空间分辨率温室气体排放清单的构建方法与研究进展 |
电力生产与热力供应行业是全球温室气体排放的首要贡献者，其温室气体主要来自化石燃料燃烧产生的CO2，以及少量氧化亚氮（N2O）排放。2023年中国电力生产和热力供应行业CO2约占能源活动排放总量的58%，是中国CO2排放的首要来源[10]。
电力行业工艺流程相对简单，基于燃料消耗量与排放因子计算、基于在线监测数据计算，以及基于卫星观测和大气扩散模型反演是电力行业CO2排放核算的主要方法。大量研究基于排放因子法构建电力行业高空间分辨率排放清单。Pétron等基于EPA CAMD数据建立美国电力CO2排放清单，并通过大规模停电等异常事件检验了准确性[11]。Liu等构建了中国煤电企业排放数据库（CPED），据此建立企业级CO2排放清单[12]。Wang等建立了覆盖全国6 MW以上发电机组的排放清单[13]。Roy等则建立了2015年越南火力发电企业排放清单[14]。
由于发电企业详细的燃料消耗和燃料参数等数据获取困难，排放因子法在实际应用中存在局限。卫星遥感技术提供了长期、连续的观测数据，实现了CO2浓度的大范围监测。Guo等提出改进的高斯烟羽模型，利用OCO-2/3数据集中的14条烟羽，反演中国6座大型燃煤电厂的CO2排放量，并与同期TROPOMI数据做对比，通过多源碳卫星观测整合和大气背景值优化，提高了烟羽识别效率与精度[15]。
总体来看，电力行业CO2排放清单建设正从传统燃料消耗法向多源数据融合、卫星遥感反演相结合的方向发展，并能够逐步实现对企业和机组级排放的精细化表征，为“一企一策”减排制度设计提供了依据。
2.2.2 工业部门工业部门是中国第二大排放源，2023年约占全国总排放量的24.1%[10]。工业部门主要包括钢铁、水泥、石化化工、铝冶炼等高能耗、高排放行业，其排放既来源于燃料燃烧的能源活动排放，也包括熟料生产、金属冶炼等环节的工业过程排放。与电力行业相比，工业排放源分散、复杂，其高精度排放核算和清单构建也面临更大的挑战。
近年来，研究人员尝试建立企业、工序级工业基础数据库，并基于此构建精细化的工业排放清单。马敬超等融合应急减排清单、排污许可及污染源在线监测（CEMS）数据，构建了2020年京津冀及周边地区工业10 km×10 km融合排放清单，覆盖工业锅炉、钢铁、水泥、焦化、有色金属等17个行业近2万家企业[16]。Zheng等构建近10万家工业设施综合点源数据库，并与多尺度排放清单模型（MEIC）相耦合，实现点源与面源结合，绘制2013年中国1 km×1 km排放网格[17]。
整合生产工艺、技术类别等信息的工业设施级数据库使得制定差异化减排路径成为可能。Lei等基于4884家钢铁企业的19 678个加工单元（包括炼焦、烧结、炼铁、炼钢等）构建了全球钢铁企业CO2排放清单，并根据生产流程的类型、国家、使用年限及运行寿命制定了厂级的低碳转型路径[18]。Cheng等建立了全球3094家水泥企业CO2排放数据库，并据此预测2020—2050年全球发展中国家水泥行业CO2排放量及减排潜力[19]。针对工业过程排放，Yu等构建了中国城市级1990—2020年15种工业产品过程相关温室气体排放时间序列清单，覆盖了中国超过90%的过程相关温室气体排放[20]。高精度、企业级和过程细化的工业排放数据库不仅可以改善核算精度，也为行业低碳转型和差异化减排策略制定提供了科学依据[20]。
2.2.3 建筑部门建筑部门涵盖农村生活、城镇生活和服务业等排放源，温室气体排放主要来自居民生活及服务业运营过程中化石燃料消耗产生的CO2。由于不同地区、不同类型建筑的能源结构、能耗强度等差异显著，建筑排放呈现出覆盖面广、区域异质性强、影响因素复杂等特征。近年来，在清洁取暖、建筑能效提升等政策推动下，建筑排放结构和区域格局快速变化，对排放清单提出了更高要求。
随着卫星遥感、建筑能耗监测、街景图像等多源数据的发展，以及统计模型和机器学习的广泛应用，建筑排放逐步突破了传统基于行政单元和低分辨率网格的静态核算框架，建筑级排放核算成为研究重点。在城市尺度，Hou等利用0.01°分辨率的CO2清单揭示了中国快速城市化背景下排放的多中心、动态迁移特征[21]。Xia等提出面向超大城市的格点化碳中和地图构建方法，将部门排放分配至具体土地利用单元，并结合建筑高度、企业信息等进行二次精细化分配，提升了城市内部排放的刻画能力[22]。
在建筑单体尺度，Yap等通过整合建筑能耗、卫星影像、街景图像、人口分布、道路网络与气象特征，利用图神经网络（GNN）实现对城市建筑运行排放的高精度预测，推动了建筑排放从“网格级”走向“建筑级”[23]。Yu等结合自上而下与自下而上的方法，构建了覆盖中国321个城市2015—2020年的建筑运行碳排放清单，并将排放细化到集中供热、分散供热、烹饪余热照明、制冷、家用电器及其他六类终端用能方式[24]。Chen等融合多源数据，构建南京市53.4万栋建筑碳排放数据库，将建筑轮廓、类型、用途、高度和面积等信息精准描述，并与设施级电力供应数据关联，形成供需联动的建筑运行排放模型，揭示了不同建筑类型在设备结构、运行行为和能耗效率上的显著差异[25]。
总体来看，建筑部门的排放核算正由“面源”向建筑单体尺度建模转变。高空间分辨率的建筑排放清单反映了建筑个体的排放异质性，也为揭示城市化、产业结构演变与能源系统之间的耦合关系提供了关键证据。
2.2.4 交通部门交通部门涵盖道路、航空、水运、铁路及非道路移动机械等排放源，温室气体排放主要来自交通运输装备在使用环节所产生的CO2、CH4和N2O[26]。道路运输是交通温室气体排放的主要贡献者，也是构建高空间分辨率排放清单的核心难点。道路排放受车流量、车辆类型、行驶速度等多重因素影响，传统的里程法、保有量法或周转量法难以准确刻画微观尺度的排放异质性。近年来，随着路网大数据和精细化建模方法的发展，道路排放研究取得显著进展。Xu等基于排放因子法结合道路类型构建中国道路高分辨率CO2排放清单，识别城市主干道、拥堵路段与货运通道的排放热点[27]。在城市尺度上，Li等提出速度—流量—排放模型，通过路网区间平均车速、拥堵指数等监测数据预测道路小时级交通流量，并结合本地化排放因子，构建了北京市2018年1 km×1 km机动车温室气体排放清单，并利用200小时以上道路监测数据验证模型精度[28]。Li等进一步利用高频交通监测数据建立了北京车辆小时级、链路级排放清单，系统刻画新冠感染疫情后交通恢复引发的排放反弹特征[29]。
航空运输是近10年来全球碳排放增长最快的行业之一，对于航空温室气体排放的精准刻画成为研究的热点问题。Lyu等基于逐架次航班信息和分机型的引擎数据库，建立分阶段（LTO循环与高空巡航）核算模型，构建全国机场级2017—2020年中国民航CO2排放清单[30]。Zhang等基于真实飞行轨迹（ADS-B）构建中国航空部门的高分辨率排放清单，结果显示传统基于大圆航线的方法会系统低估短途航班排放，而轨迹驱动方法能够更加准确反映航路长度、飞行高度变化及不同航段排放特征[31]。在水运排放方面，Wang等基于自动识别系统（AIS）和船舶活动数据构建全球1970—2021年海运CO2排放时空序列，并映射至0.1°×0.1°网格，识别主要海运通道和沿岸排放热点[32]。
综合来看，高空间分辨率的交通排放清单不仅揭示了道路排放的空间异质性，也显示了航空和海运排放的结构特征。随着纯电动乘用车、氢燃料商用车、电动船舶及航空替代燃料的快速推进，道路交通与能源部门的耦合愈加紧密。高分辨率交通排放数据因此成为多部门耦合建模、区域净零路径分析及精准减排策略设计的关键。
2.2.5 农业部门农业部门涉及种植业、畜牧业、林业和渔业等，温室气体排放主要来源于水稻种植产生的CH4、畜禽肠道发酵与粪便管理产生的CH4与N2O，以及农田土壤中的N2O排放[33]。除少量农机具燃料消耗导致的CO2排放外，农业排放以非CO2排放为主，占全球非CO2排放的53%[34]。传统基于排放因子的自下而上的方法依赖统计活动数据（如牲畜数量、施肥量等），难以反映气候变化、管理措施和生态过程耦合所引起的时空异质性，且与大气观测之间常存在偏差，使农业成为典型的高空间分辨率排放清单需求部门。
Huang等将CH4排放模型与区域数据库耦合，实现了对中国10 km × 10 km稻田CH4排放的逐日估算，为稻田CH4的过程模拟与格网化提供了早期示范[35]。Charkovska等通过构建数字排放源地图和条件自回归（CAR）模型，将农村聚落、耕地和牧场视为排放源，并将家庭畜禽和农业企业畜禽数量由区县分配到市镇，再根据农村人口分布、农场所属耕地或草地的面积比例分配至排放源，编制波兰农业部门肠道发酵、粪便管理和农田土壤等排放源的0.1 km×0.1 km排放清单[36]。
生物地球化学模型的引入显著提高了农业排放清单的过程一致性。反硝化—分解（DNDC）模型能够模拟由气候、土壤、植被及人类活动等生态因子驱动的土壤环境变量，并将土壤环境因子作为输入，用于硝化、反硝化和发酵等过程模型。近年来，DNDC形成了越来越复杂基于模块的结构，被广泛应用于温室气体排放的模拟核算[37]与农业温室气体排放因子模拟等研究[38]。Lugato等结合1km×1km的气象、土壤和土地利用数据，使用DNDC模型模拟意大利主要农作物（玉米、小麦、大豆、向日葵、葡萄）的碳氮循环与温室气体排放，证明了DNDC模型在区域尺度的有效性[39]。
大气甲烷观测反演可以帮助更好地量化稻田排放，Sentinel—5前驱卫星（Sentinel—5P）搭载的对流层监测仪（TROPOMI）推动了大气CH4监测手段在农业部门的应用。Prajesh等利用卫星遥感与空间聚类准实验设计，将奶牛区与非奶牛参考区域进行对比，分离奶牛特异性CH4信号，表征加拿大奶牛区CH4浓度的时空分布[40]。Chen等利用30 m×30 m分辨率的Landsat影像，通过优化淹水植被识别算法，结合全球耕地数据库与稻作特定数据构建全球逐月稻田覆盖图，并与排放因子数据库相结合，构建全球稻田CH4排放清单[41]。
此外，露天秸秆焚烧过程可能导致大量温室气体排放。Song等建立了中国东北地区5 km×5 km长时间序列的露天秸秆焚烧温室气体排放清单，丰富了对农业温室气体排放的研究维度[42]。
综合来看，农业部门的高分辨率排放清单研究正从依赖排放因子核算的传统方法向多源数据融合与过程模型支撑的精细化核算体系转变。DNDC等生物地球化学模型显著增强了对气候、土壤与管理措施响应机制的刻画能力，而高分辨率遥感数据与土地利用变化信息的引入，使稻田淹水、畜牧分布、秸秆焚烧等关键排放活动的时空动态得以直接观测或反演，大幅提升了农业部门温室气体精细化核算评估的准确性。
3 问题与挑战尽管国内外在温室气体核算方法及高空间分辨率排放清单构建方面已形成较为成熟的理论体系，并发展出多种数据驱动与模型融合的方法框架，但在实际应用中仍面临多重挑战。这些问题既源于活动水平数据本身的复杂性，也受跨区域能源流动频繁、排放结构加快转型及多部门耦合加深等新形势影响，主要体现在以下四个方面。
一是方法标准不统一。目前，高空间分辨率温室气体排放清单的编制尚未形成统一的方法体系。不同研究团队在活动数据获取、排放因子选取及空间分配策略等方面存在差异，导致清单结果在跨区域、跨部门之间的可比性不足，也容易出现重复核算、空间遗漏等问题。在活动水平数据获取方面，不同地区和行业的活动数据获取途径、统计方法及采样精度不同，导致活动水平的标准化和统一性较差。能源统计、产品产量、企业报告、在线监测、地理信息（GIS）、遥感反演、人口活动等数据在时间尺度、空间分辨率、边界定义、更新频率与统计口径等方面存在显著差异。在排放因子选取方面，虽然IPCC方法指南提供了通用框架及缺省排放因子，但高精度排放核算依赖于本地化的排放因子。对于电力、钢铁等行业，由于缺乏针对具体燃料的实测数据，通常使用煤炭、油品和天然气等的缺省值，导致排放因子的准确性不足。当缺乏不同燃料碳氧化率、低位发热量、元素碳含量等关键参数的实测数据时，排放核算的准确性大打折扣。在空间分配方面，部分区域面源仍采用自上而下的降尺度方法，结合土地利用、夜间灯光、人口分布等代理参数分配排放，但这些代理参数难以反映网格内部个体实际排放水平的差异，容易造成工业园区排放被低估、人口稠密区排放被高估等偏差。空间分配缺乏统一标准，在电厂、工业设施和大型建筑等排放高度集中区域尤为突出，对微观排放的精细刻画受到限制。
二是非二氧化碳排放方法学相对薄弱。与CO2相比，CH4、N2O等非CO2气体排放源更为分散、排放机理复杂且受运行工况影响较大，使其核算结果存在较大的不确定性。首先，非CO2气体的排放因子受原料成分、工艺设备、运行负荷、温度和压力等因素的显著影响，但由于缺乏系统性的实测数据，非CO2排放因子主要依赖于经验参数或相关文献，导致计算结果不确定性较大。其次，现有的城市级或网格级排放清单缺乏能够精准刻画非CO2排放过程的空间代理数据。例如，垃圾填埋场的渗漏排放呈强烈的空间离散性，燃气输配系统中的CH4泄漏受管网结构和运行压力的显著影响，农业领域的N2O排放则与施肥时序、土壤含水量等密切相关，这些因素难以得到准确表达。因此，非CO2排放的核算方法体系与数据体系远落后于CO2，已成为制约高分辨率温室气体排放清单进一步完善的重要短板。
三是高空间分辨率技术本身存在客观技术局限。高空间分辨率并不等同于高精度，其实现高度依赖多源数据融合与模型模拟，技术不确定性仍然显著。一方面，高空间分辨率排放清单往往需要融合遥感反演、统计数据、企业报告、GIS数据等多源数据，并构建复杂代理变量。不同数据在时空分辨率、统计口径等方面差异较大，多源融合过程中误差可能被放大或在空间上重新分配，影响结果的精确度。以道路交通为例，其排放涉及多部门管理，数据归口分散，活动过程具有显著的时空动态性。车流量、车型结构和车辆油耗等数据获取难度较大，统计口径和更新频率不一致，使网格尺度排放分配与结果校核在较大程度上仍依赖模型假设，增加了不确定性。另一方面，部分排放过程本身难以被直接观测，高分辨率结果在一定程度上仍依赖模型假设和间接推断，存在分辨率提高但真实性受限的问题。此外空间分辨率清单在数据获取、算力需求和持续更新方面成本较高，对技术条件和长期运行能力提出了较高要求，制约其在大范围、常态化业务中的推广应用。
四是缺乏小尺度排放校验规则。高空间分辨率排放清单的准确性和一致性依赖于系统的校核体系。然而，目前针对小尺度排放清单缺乏有效的跨部门、跨尺度和跨方法的校验机制。现有网格排放数据主要依赖自上而下的行业汇总方法，并与宏观统计数据进行校对，但这种方法无法精准捕捉到微观层次的活动差异。企业排放量与在线监测数据、生产活动、产品销售等缺乏交叉验证，导致排放数据的可靠性无法保障。此外，遥感反演与地面排放清单的对比分析更多反映结果层面的偏差，缺乏针对性强的误差归因机制（如排放因子不准、空间分配误差或活动数据缺失等），无法准确识别和消除数据偏差。由于缺少统一的校验标准和方法体系，小尺度排放清单在实际应用中难以形成一致、可靠的结果，限制了其在政策制定和排放监管中的应用效果。
4 展望与建议基于高空间分辨率温室气体排放清单的研究进展、存在问题与挑战，本文提出以下四方面建议。
一是建立统一规范的高空间分辨率温室气体排放清单方法学，以系统提升清单结果的准确性、一致性和可操作性。建议在IPCC国家清单指南、省级清单指南和企业核算指南的基础上，构建适用于我国的1km×1km高空间分辨率温室气体排放清单方法学，形成分来源、分行业、分类型的标准化核算框架。在具体实施中，应明确不同区域、行业和排放源的核算边界，规范活动水平数据的收集、整合与处理流程；同时，制定分行业排放因子的选用原则，优先采用本地实测参数，减少对缺省因子的依赖，从而增强核算的地域适用性与精度。此外，需要构建统一的数据采集、融合与补全技术体系，实现能源统计、企业报告、遥感、GIS及在线监测等多源数据的标准化整合，并明确工业、建筑、交通、农业等主要排放源的空间分配规则，以形成可操作的精细化空间分配路径。最后，应建立系统化的不确定性评估与质量控制机制，为清单数据的可靠性和可追溯性提供保障，为高分辨率排放清单的科学应用奠定基础（图 1）。
|
图 1 高空间分辨率温室气体排放清单构建及应用示意 |
与此同时，在坚持统一的核算原则、关键参数选取规则和不确定性评估方法的前提下，允许不同地区结合实际情况，在核算口径、空间分配方法及数据来源等方面进行合理选择与调整，在保证方法体系整体一致性的同时，兼顾地方差异性和可操作性，从而既提升排放清单的可比性，又增强其对地方精细化管理和政策实践的适用性。
二是构建规范的网格排放校验机制。应构建规范的网格排放校验机制，以保障高空间分辨率温室气体排放清单的可靠性。通过整合多源大数据和先进算法，可以建立覆盖活动水平数据、排放因子及模型参数的交叉比对机制，实现排放结果在一致性和准确性方面的系统校核。研发面向小尺度排放数据的质量审核与不确定性诊断技术，并在总量、区域和网格等多层级开展核验，可有效识别不同数据来源和不同尺度之间的系统性差异与潜在误差。通过建立标准化、可追溯的校验流程，不仅能够提升小尺度排放数据的科学性和透明度，也为排放清单的可操作性和政策应用提供坚实的数据支撑。
三是从数据和模型等多方向突破技术局限。加强多源数据的融合使用，明确不同数据源在不同空间尺度下的适用范围，通过分层融合与不确定性约束，避免简单叠加放大误差。逐步推进关键行业和重点排放源的实测数据积累，通过企业调研、燃料实测、在线监测等现场手段，获取并积累企业一手数据，为构建高分辨率排放清单提供更可靠的底层支撑。结合遥感观测、地面监测与统计核算结果，构建多尺度交叉验证与误差归因机制，提高高空间分辨率结果的可解释性和可信度。
四是拓展空间分辨率温室气体排放清单应用场景。在构建高空间分辨率温室气体排放清单的基础上，可将其与多样化数据与应用场景相结合，深入支撑环境管理与政策制定。例如，可将排放网格与同尺度的人口、国内生产总值（GDP）等社会经济数据耦合，分析碳排放的影响因素和驱动因素；可将其与其他大气污染物排放量、排放浓度数据相融合，构建多污染物耦合的网格化排放格局，从而识别温室气体与污染物的高排放热点，为减污降碳提供支撑；此外，可将排放网格与碳移除活动对应匹配，建立源—汇耦合的空间排放模型，为区域碳中和路径设计提供科学依据。
| [1] |
IPCC. 2006 IPCC Guidelines for National Greenhouse Gas Inventories[R]. Hayama, Japan: Institute for Global Environmental Strategies, 2006.
|
| [2] |
IPCC. 2019 Refinement to the 2006 IPCC Guidelines for National Greenhouse Gas Inventories[R]. Hayama, Japan: Institute for Global Environmental Strategies, 2019.
|
| [3] |
蔡博峰, 朱松丽, 于胜民, 等. 《IPCC 2006年国家温室气体清单指南2019修订版》解读[J]. 环境工程, 2019, 37(8): 1-11. |
| [4] |
吕晨, 阮建辉, 王科, 等. 碳市场发电行业配额分配方法分析及优化建议[J]. 环境科学, 2024, 45(8): 4619-4626. |
| [5] |
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 |
| [6] |
GAO Y, ZHANG L, HUANG A S, et al. Unveiling the spatial and sectoral characteristics of a high-resolution emission inventory of CO2 and air pollutants in China[J]. Science of the total environment, 2022, 847: 157623. DOI:10.1016/j.scitotenv.2022.157623 |
| [7] |
HOU X S, WANG X Q, CHENG S Y, et al. High resolution CO2 emissions inventory and investigation of driving factors for China using an advanced dynamic estimation model[J]. Resources, conservation and recycling, 2025, 215: 108109. DOI:10.1016/j.resconrec.2024.108109 |
| [8] |
GUO J W, QI Y B, LUO J Q, et al. Carbon emission status and regional differences of China: high-resolution estimation of spatially explicit carbon emissions at the prefecture level[J]. Land, 2025, 14(2): 291. DOI:10.3390/land14020291 |
| [9] |
卢清, 唐明双, 廖彤, 等. 广东省高分辨率温室气体排放清单及特征[J]. 环境科学, 2024, 45(2): 909-919. |
| [10] |
International Energy Agency (IEA). World Energy Statistics and Balances[R]. Paris: IEA, 2025.
|
| [11] |
PéTRON G, TANS P, FROST G, et al. High-resolution emissions of CO2 from power generation in the USA[J]. Journal of geophysical research: biogeosciences, 2008, 113(G4): G04008. |
| [12] |
LIU F, ZHANG Q, TONG D, et al. High-resolution inventory of technologies, activities, and emissions of coal-fired power plants in China from 1990 to 2010[J]. Atmospheric chemistry and physics, 2015, 15(23): 13299-13317. DOI:10.5194/acp-15-13299-2015 |
| [13] |
WANG M, YAO M T, WANG S S, et al. Study of the emissions and spatial distributions of various power-generation technologies in China[J]. Journal of environmental management, 2021, 278: 111401. DOI:10.1016/j.jenvman.2020.111401 |
| [14] |
ROY S, LAM Y F, HUNG N T, et al. Development of 2015 Vietnam emission inventory for power generation units[J]. Atmospheric environment, 2021, 247: 118042. DOI:10.1016/j.atmosenv.2020.118042 |
| [15] |
GUO W Y, SHI Y S, LIU Y, et al. CO2 emissions retrieval from coal-fired power plants based on OCO-2/3 satellite observations and a Gaussian plume model[J]. Journal of cleaner production, 2023, 397: 136525. DOI:10.1016/j.jclepro.2023.136525 |
| [16] |
马敬超, 胡京南, 杜谨宏, 等. 基于多源环境管理数据融合的京津冀及周边地区工业源排放清单[J]. 环境科学, 2025, 46(7): 4011-4023. |
| [17] |
ZHENG B, CHENG J, GENG G N, et al. Mapping anthropogenic emissions in China at 1 km spatial resolution and its application in air quality modeling[J]. Science bulletin, 2021, 66(6): 612-620. DOI:10.1016/j.scib.2020.12.008 |
| [18] |
LEI T Y, WANG D P, YU X, et al. Global iron and steel plant CO2 emissions and carbon-neutrality pathways[J]. Nature, 2023, 622(7983): 514-520. DOI:10.1038/s41586-023-06486-7 |
| [19] |
CHENG D Y, REINER D M, YANG F, et al. Projecting future carbon emissions from cement production in developing countries[J]. Nature Communications, 2023, 14(1): 8213. DOI:10.1038/s41467-023-43660-x |
| [20] |
YU X, TAN C. China's process-related greenhouse gas emission dataset 1990-2020[J]. Scientific data, 2023, 10(1): 55. DOI:10.1038/s41597-023-01957-y |
| [21] |
HOU X S, WANG X Q, CHENG S Y, et al. Evaluating urban carbon neutrality pathways and co-benefits through an integrated downscaling framework: a case study of the Beijing-Tianjin-Hebei region, China[J]. Environmental Science & Technology, 2025, 59(49): 26479-26491. |
| [22] |
XIA M Y, CHUAI X, ZHAI L, et al. High-resolution carbon neutrality mapping and a heterogeneity analysis for China's two typical megalopolises[J]. Urban climate, 2023, 49: 101488. DOI:10.1016/j.uclim.2023.101488 |
| [23] |
YAP W, WU A N, MILLER C, et al. Revealing building operating carbon dynamics for multiple cities[J]. Nature sustainability, 2025, 8(10): 1199-1210. DOI:10.1038/s41893-025-01615-8 |
| [24] |
YU Y H, YOU K R, CAI W G, et al. City-level building operation and end-use carbon emissions dataset from China for 2015-2020[J]. Scientific data, 2024, 11(1): 138. DOI:10.1038/s41597-024-02971-4 |
| [25] |
CHEN Y X, WANG Z Y, WEN Q, et al. A building-scale modeling framework for urban net-zero transitions in Nanjing[J]. Nature communications, 2025, 16(1): 8954. DOI:10.1038/s41467-025-64016-7 |
| [26] |
李晓易, 吴睿. 交通运输温室气体核算边界和测算方法研究[J]. 气候化研究进展, 2023, 19(1): 84-90. |
| [27] |
XU Y L, LIU Z Y, XUE W B, et al. Identification of on-road vehicle CO2 emission pattern in China: a study based on a high-resolution emission inventory[J]. Resources, conservation and recycling, 2021, 175: 105891. DOI:10.1016/j.resconrec.2021.105891 |
| [28] |
LI Y X, LV C, YANG N, et al. A study of high temporal-spatial resolution greenhouse gas emissions inventory for on-road vehicles based on traffic speed-flow model: a case of Beijing[J]. Journal of cleaner production, 2020, 277: 122419. DOI:10.1016/j.jclepro.2020.122419 |
| [29] |
LI Y M K, ZHANG Q R, LIU M D, et al. High spatiotemporal resolution inventory finely depicts the rebound characteristics of greenhouse gas emissions from vehicles in Beijing after the COVID-19 epidemic[J]. Environmental science & technology letters, 2025, 12(4): 405-412. |
| [30] |
LYU C, LIU X M, WANG Z, et al. An emissions inventory using flight information reveals the long-term changes of aviation CO2 emissions in China[J]. Energy, 2023, 262: 125513. |
| [31] |
ZHANG J R, ZHANG S J, ZHANG X L, et al. Developing a high-resolution emission inventory of China's aviation sector using real-world flight trajectory data[J]. Environmental science & technology, 2022, 56(9): 5743-5752. |
| [32] |
WANG X T, LIU H, ZHANG J N, et al. Global shipping emissions from 1970 to 2021: structural and spatial change driven by trade dynamics[J]. One earth, 2025, 8(4): 101243. |
| [33] |
LOKUPITIYA E, PAUSTIAN K. Agricultural soil greenhouse gas emissions: a review of national inventory methods[J]. Journal of environmental quality, 2006, 35(4): 1413-1427. |
| [34] |
BEACH R H, CREASON J, OHREL S B, et al. Global mitigation potential and costs of reducing agricultural non-CO2 greenhouse gas emissions through 2030[J]. Journal of integrative environmental sciences, 2016, 12(S1): 87-105. |
| [35] |
HUANG Y, ZHANG W, ZHENG X H, et al. Estimates of methane emissions from Chinese rice paddies by linking a model to GIS database[J]. Acta ecologica sinica, 2006, 26(4): 980-987. |
| [36] |
CHARKOVSKA N, HORABIK-PYZEL J, BUN R, et al. High-resolution spatial distribution and associated uncertainties of greenhouse gas emissions from the agricultural sector[J]. Mitigation and adaptation strategies for global change, 2019, 24(6): 881-905. |
| [37] |
JIANG Z W, YANG S H, PANG Q Q, et al. Optimizing biochar application rate and predicting of climate change impacts on net greenhouse gas emissions in paddy systems using DNDC-BC model[J]. Agricultural and forest meteorology, 2025, 364: 110461. |
| [38] |
LEIP A, BUSTO M, WINIWARTER W. Developing spatially stratified N2O emission factors for Europe[J]. Environmental pollution, 2011, 159(11): 3223-3232. |
| [39] |
LUGATO E, ZULIANI M, ALBERTI G, et al. Application of DNDC biogeochemistry model to estimate greenhouse gas emissions from Italian agricultural areas at high spatial resolution[J]. Agriculture, ecosystems & environment, 2010, 139(4): 546-556. |
| [40] |
PRAJESH P J, RAGUNATH K, GORDON M, et al. Satellite-based seasonal fingerprinting of methane emissions from Canadian dairy farms using Sentinel-5P[J]. Climate, 2025, 13(7): 135. |
| [41] |
CHEN Z C, LIN H P, BALASUS N, et al. Global Rice Paddy Inventory (GRPI): a high-resolution inventory of methane emissions from rice agriculture based on Landsat satellite inundation data[J]. Earth's future, 2025, 13(4): e2024EF005479. |
| [42] |
SONG Z H, ZHANG L M, TIAN C G, et al. Development of a high-spatial-resolution annual emission inventory of greenhouse gases from open straw burning in Northeast China from 2001 to 2020[J]. Atmospheric chemistry and physics, 2024, 24(22): 13101-13113. |