《城市绿色出行指数白皮书》——附录D :碳排放因子修正

简介: 《城市绿色出行指数白皮书》——附录D :碳排放因子修正

附录D:碳排放因子修正


附录D对碳排放因子修正进行详细阐述:


地面交通(𝒊 = 𝟏, 𝟐, 𝟑)


地面交通所受影响较多,包括速度、载客率(* )、道路坡度、天气等。而这些因素具有时空 特性。为了对应不同时空下的影响因素变化,本报告针对不同的交通方式、不同的时空特征, 提出建立如下所示的时空分布表(** ):


image.png


每种交通方式都会对应一张工作日和一张节假日的时空分布表,表中的数据由统 计时间内对应时段、对应区域、对应交通方式的平均值表示。出于公平性的考虑,在 其余条件(出行时间、出行路线、天气等)相同的情况下,选择公交出行的个人,所产 生的碳排放量应该是相同的。但实际过程中,车辆受驾驶行为和交通状况的影响,同 种交通方式的碳排放量会有一定差别。因此,本报告将在相应时段、区域内行驶的车 辆数据直接使用时空分布表中的数据进行替代。这样的方法既满足了公平性,也保证 了区域碳足迹量化时的准确性。


工作日与节假日的时空分布是不同的,以公交车为例,其工作日与节假日的载客 率曲线[21]如下图所示。


image.png


每种影响因素对应的修正因子可以通过实验测量可得,例如,根据汽油小汽车碳 排放量与速度的关系,在不考虑其他影响因素的情况下,得到速度修正曲线如下图所 示。对于车辆不同的能源类型,应按照3.3节中相应的原则单独计算或加权求和。


image.png


可根据速度/载客率/坡度曲线图获取相应的修正因子,最终地面交通修正因子的 计算公式为:


image.png


轨道交通(𝒊 = 𝟒)


对于轨道交通,本报告同样提出了其对应的时空分布表。与地面交通不同的是, 轨道交通中个人碳排放量的直接影响因素只有载客率,但天气会对载客率产生影响, 因此需要考虑天气和载客率两个因素。此处以地铁1号线、2号线为例,其载客率的 时空分布表如下表所示,仅在该线路途径区域记录其载客率。


image.png


在表中获取某时段某区域的载客率后,可根据载客率曲线图获取相应的修正因子, 最终轨道交通修正因子的计算公式为:


image.png


参考文献:


王昌, 姜仙童, 吴艳平 (2021). 基于聚类分析的公交线路资源配置时段划分方法——以烟台市为例. 交通运输研 究 , 7(05), 35-42.

张少君 (2014). 中国典型城市机动车排放特征与控制策略研究. 博士学位论文. 清华大学.

相关文章
|
域名解析 网络协议 安全
信息收集的工具你听过几种(盘点信息收集)
信息收集的工具你听过几种(盘点信息收集)
信息收集的工具你听过几种(盘点信息收集)
|
2月前
|
数据采集 机器学习/深度学习 存储
一文讲清数据清洗的十大常用方法
本文详解数据清洗十大常用方法与实战技巧,涵盖缺失值填补、重复值处理、异常值检测、数据标准化、文本清洗、数据脱敏等关键操作,助你高效提升数据质量,解决“脏乱差”问题。
一文讲清数据清洗的十大常用方法
|
5月前
|
前端开发 Java 数据库连接
java bo 对象详解_全面解析 java 中 PO,VO,DAO,BO,POJO 及 DTO 等几种对象类型
Java开发中常见的六大对象模型(PO、VO、DAO、BO、POJO、DTO)各有侧重,共同构建企业级应用架构。PO对应数据库表结构,VO专为前端展示设计,DAO封装数据访问逻辑,BO处理业务逻辑,POJO是简单的Java对象,DTO用于层间数据传输。它们在三层架构中协作:表现层使用VO,业务层通过BO调用DAO处理PO,DTO作为数据传输媒介。通过在线商城的用户管理模块示例,展示了各对象的具体应用。最佳实践包括保持分层清晰、使用工具类转换对象,并避免过度设计带来的类膨胀。理解这些对象模型的区别与联系。
393 1
|
IDE Android开发 iOS开发
探索安卓与iOS系统的技术差异:开发者的视角
本文深入分析了安卓(Android)与苹果iOS两大移动操作系统在技术架构、开发环境、用户体验和市场策略方面的主要差异。通过对比这两种系统的不同特点,旨在为移动应用开发者提供有价值的见解,帮助他们在不同平台上做出更明智的开发决策。
《城市绿色出行指数白皮书》——附录C :碳排放因子计算
《城市绿色出行指数白皮书》——附录C :碳排放因子计算
2963 0
|
Web App开发 XML 存储
一篇文章讲明白JPG、PNG、GIF、SVG等格式图片区别
一篇文章讲明白JPG、PNG、GIF、SVG等格式图片区别
|
存储 编解码 监控
《城市绿色出行指数白皮书》——附录B :碳排放计算模型
《城市绿色出行指数白皮书》——附录B :碳排放计算模型
3292 0
|
机器学习/深度学习 算法 PyTorch
使用Pytorch实现对比学习SimCLR 进行自监督预训练
SimCLR(Simple Framework for Contrastive Learning of Representations)是一种学习图像表示的自监督技术。 与传统的监督学习方法不同,SimCLR 不依赖标记数据来学习有用的表示。 它利用对比学习框架来学习一组有用的特征,这些特征可以从未标记的图像中捕获高级语义信息。
1554 1
《城市绿色出行指数白皮书》——3.碳排放计算框架——3.4 碳排放修正因子计算
《城市绿色出行指数白皮书》——3.碳排放计算框架——3.4 碳排放修正因子计算
402 0