《城市绿色出行指数白皮书》——附录B :碳排放计算模型

简介: 《城市绿色出行指数白皮书》——附录B :碳排放计算模型

附录B:碳排放计算模型


国内常用的碳排放计算模型有MOVES模型、EMBEV模型、CRTEM模型、IVEChina模型和CVEM模型。上述模型在国内具有大量的统计数据,已在北京、上海、深 圳和成都等城市进行本地化修正并已应用。


MOVES模型


MOVES模型是使用最广泛的微观排放模型,基于车辆比功率(VSP)、速度和加 速度等实际车辆工况特征参数,可以反映实际运行状态下的排放差异,并可以与交通仿 真工具结合。MOVES模型中开放的数据库存储了不同车辆类型、车龄、车速及车辆比 功率下的车辆基本排放因子,称之为微单元(Bin),同时存储了其他相关影响因素的 修正系数,具有很强的可扩展性。MOVES模型的计算思路如下:


image.png

参考文献:

Perugu, H. (2019) Emission modelling of light-duty vehicles in India using the revamped VSP-based MOVES model: The case study of Hyderabad. Transportation Research Part D: Transport and Environment. 68, 150-163.

Chen, S., Du, Z., Shi, X., Liu, Y., Li, S., Shao, C. & Steve-harold, K. W. (2021) MOVES-Beijing-based high spatial and temporal resolution ammonia emissions from road traffic in Beijing. Atmospheric Environment. 256, 118443.

Abou-Senna, H. & Radwan, E. (2013) VISSIM/MOVES integration to investigate the effect of major key parameters on CO2 emissions. Transportation Research Part D: Transport and Environment. 21, 39-46.


EMBEV模型


EMBEV模型是清华大学根据大样本测试数据开发的符合中国城市车辆技术特点的 排放模型,先后应用于北京、南京和澳门等城市。该模型设计了图形用户界面层、逻辑 控制与计算层和数据库层,考虑了车型、能源类型、国标、车龄和车型组成比例等因素。 EMBEV模型的计算思路如下:


image.png


参考文献:

Zhang, S., Wu, Y., Wu, X., Li, M., Ge, Y., Liang, B., Xu, Y., Zhou, Y., Liu, H., Fu, L. & Hao, J. (2014) Historic and future trends of vehicle emissions in Beijing, 1998–2020: A policy assessment for the most stringent vehicle emission control program in China. Atmospheric Environment. 89, 216-229.

Wen, Y., Zhang, S., He, L., Yang, S., Wu, X. & Wu, Y. (2021) Characterizing start emissions of gasoline vehicles and the seasonal, diurnal and spatial variabilities in China. Atmospheric Environment. 245, 118040.

Wu, X., Wu, Y., Zhang, S., Liu, H., Fu, L. & Hao, J. (2016) Assessment of vehicle emission programs in China during 1998–2013: Achievement, challenges and implications. Environmental Pollution. 214, 556-567.


CRTEM模型


CRTEM是基于HEBFA开发的中国道路交通排放模型,采用自上而下的计算模式, 具有高时空分辨率的特点,已应用于北京、深圳和天津等城市。该模型考虑了排放类型、 车辆类别、年份、交通流状况和道路坡度等因素。CRTEM的计算思路如下:


image.png


参考文献:

Federal Ministry for the Environment.(2021) Modelling road transport emissions in china. Available  from: https://changing-transport.org/publication/modelling-road-transport-emissions-in-china/  [Accessed 14th November 2021].  

能源与交通创新中心. (2015) 城市交通排放计算-私家车. Available from: http://www.icet.org.cn/ [Accessed 14th November 2021].


IVE-China模型


IVE-China模型是专门为发展中国家设计的机动车排放模型,已应用于北京、上海 等城市,并建立了各城市的排放因子数据库,具有高时间分辨率的特点,可以很好的反 应车辆工况(如:不同VSP)对排放的影响。 IVE-China模型的计算思路如下:


image.png


参考文献:

Guo, H., Zhang, Q.-Y., Shi, Y. & Wang, D.-H. (2007) Evaluation of the international vehicle emission (IVE) model with on-road remote sensing measurements. Journal of Environmental Sciences. 19, 818- 826.

Wang, H., Chen, C., Huang, C. & Fu, L. (2008) On-road vehicle emission inventory and its uncertainty analysis for shanghai, china. Science of The Total Environment. 398, 60-67.

Zhou, Z., Tan, Q., Liu, H., Deng, Y., Wu, K., Lu, C. & Zhou, X. (2019) Emission characteristics and highresolution spatial and temporal distribution of pollutants from motor vehicles in Chengdu, China. Atmospheric Pollution Research. 10, 749-758.


CVEM模型


CVEM模型是结合国内外交通排放模型,由我国环保部机动车排放监控中心进行本 地化后建立的。该模型考虑了环境因素(温度、海拔和燃料类型)、车辆活动因素(不 同类型道路的车辆平均速度、不同类型道路的机动车活动比例和机动车年行驶里程)和 车辆技术属性因素(车龄、车型、排放标准和各类型车辆保有量)。但是CVEM是基于 保有量的排放模型,难以体现交通政策变化产生的排放影响,难以精确地刻画排放的时 空分布。


image.png


参考文献:

唐艺, 尹航, 黄志辉, 于雷 & 宋国华. (2018) CVEM排放模型在综合交通规划中的应用——以成渝城市群为例. 交 通运输研究. 4(04), 31-40.  

Liu, D., Deng, Q., Ren, Z., Zhou, Z., Song, Z., Huang, J. & Hu, R. (2020) Variation trends and principal component analysis of nitrogen oxide emissions from motor vehicles in Wuhan city from 2012 to 2017. Science of The Total Environment. 704, 134987.

相关文章
|
数据采集 JavaScript 数据安全/隐私保护
「Python」爬虫实战-北京公交线路信息爬取(requests+bs4)
使用requests爬取北京公交线路信息,目标网址为[https://beijing.8684.cn/](https://beijing.8684.cn/)。 爬取的具体信息为公交线路名称、公交的运营范围、运行时间、参考票价、公交所属的公司以及服务热线、公交来回线路的途径站点。
3111 0
|
人工智能 搜索推荐 大数据
数字化转型三阶段:信息化、数字化、数智化分别代表着什么?
企业数字化转型分为信息化、数字化、数智化三个阶段,三者可并行推进。信息化实现业务数据化,提升管理效率;数字化打通信息孤岛,优化运营流程;数智化融合数据与智能技术,推动业务与管理智能化升级,助力企业构建新竞争优势,实现全面转型升级。
|
12月前
|
NoSQL 数据可视化 API
API数据可视化:从MongoDB到Tableau的数据分析链路
本方案构建从 MongoDB 到 Tableau 的 API 数据可视化链路,涵盖数据获取、清洗、存储与可视化四大环节。采用 Python 抓取并清洗数据,以 MongoDB 存储并优化查询性能,最终通过 Tableau 实现多维可视化分析。内容含完整代码、架构设计与性能优化策略,助力企业快速构建数据驱动的分析体系。
|
算法 自动驾驶 机器人
基于Astar的复杂栅格地图路线规划算法matlab仿真
本项目基于A*算法实现复杂栅格地图的路径规划,适用于机器人导航、自动驾驶及游戏开发等领域。通过离散化现实环境为栅格地图,每个栅格表示空间区域属性(如可通行性)。A*算法利用启发函数评估节点,高效搜索从起点到终点的近似最优路径。项目在MATLAB2022a中运行,核心程序包含路径回溯与地图绘制功能,支持障碍物建模和路径可视化。理论结合实践,该方法具有重要应用价值,并可通过技术优化进一步提升性能。
|
缓存 JavaScript 前端开发
Windows7压缩包安装node.js 报错提示windows Server 2012 R2 和安装React脚手架 最详细教程
对于Windows 7安装node.js 提示“This application is only supported on wWindows 8.1,windows Server 2012 R2, or higher.”类似这种情况的,该问题是因为node.js官方在 x12版本后就不支持win7系统了。
|
Java
Java关键字 —— static 与 final 详细解释!一看就懂 有代码实例运行!
这篇文章详细解释了Java中static和final关键字的用法,包括它们修饰类、方法、变量和代码块时的行为,并通过代码示例展示了它们的具体应用。
1132 0
Java关键字 —— static 与 final 详细解释!一看就懂 有代码实例运行!
|
机器学习/深度学习 Python
验证集的划分方法:确保机器学习模型泛化能力的关键
本文详细介绍了机器学习中验证集的作用及其划分方法。验证集主要用于评估模型性能和调整超参数,不同于仅用于最终评估的测试集。文中描述了几种常见的划分方法,包括简单划分、交叉验证、时间序列数据划分及分层抽样划分,并提供了Python示例代码。此外,还强调了在划分数据集时应注意随机性、数据分布和多次实验的重要性。合理划分验证集有助于更准确地评估模型性能并进行有效调优。
|
JSON JavaScript API
用Python编写小工具下载OSM路网数据
用Python编写小工具下载OSM路网数据
991 6
|
SQL 安全 IDE
如何开始学习PHP?
【9月更文挑战第1天】如何开始学习PHP?
605 2
|
人工智能 算法 数据可视化
DBSCAN密度聚类算法(理论+图解+python代码)
DBSCAN密度聚类算法(理论+图解+python代码)
10968 1