《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
|
大数据 开发者 程序员
连接真实世界,高德地图背后的算法演进和创新
出行是生活的重要部分。我们都习惯了出门用导航,但一个导航App背后,需要什么样的数据和算法来支撑呢?算法又如何来推动出行体验的进步和创新呢?在阿里CIO学院攻“疫”技术公益大咖说的第十四场直播中高德地图首席科学家任小枫将为大家讲解高德地图背后的算法的演进和创新,分别从地图制作、搜索推荐、路径规划、时
11677 1
|
机器学习/深度学习 计算机视觉 Python
【YOLOv11改进 - 注意力机制】EMA(Efficient Multi-Scale Attention):基于跨空间学习的高效多尺度注意力
【YOLOv11改进 - 注意力机制】EMA(Efficient Multi-Scale Attention):基于跨空间学习的高效多尺度注意力.EMA(Efficient Multi-Scale Attention)模块是一种高效多尺度注意力机制,旨在提高计算机视觉任务中的特征表示效果。该模块通过结合通道和空间信息、采用多尺度并行子网络结构以及优化坐标注意力机制,实现了更高效和有效的特征表示。EMA模块在图像分类和目标检测任务中表现出色,使用CIFAR-100、ImageNet-1k、MS COCO和VisDrone2019等数据集进行了广泛测试。
【YOLOv11改进 - 注意力机制】EMA(Efficient Multi-Scale Attention):基于跨空间学习的高效多尺度注意力
|
IDE 开发工具 iOS开发
Pandas如何在PyCharm中进行安装?
【7月更文挑战第4天】Pandas如何在PyCharm中进行安装?
4209 61
|
存储 缓存 算法
数据空间
数据空间(Data Space)是计算机系统中用于存储和管理数据的区域。数据空间包括处理器内部的寄存器、数据缓存(Data Cache)以及内存中的数据段(Data Segment)等。数据空间的作用是接收、存储和处理来自外部设备或程序的数据,从而实现计算机系统的功能。
1452 4
《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
|
定位技术
《城市绿色出行指数白皮书》——附录G :城市交通碳足迹量化方法
《城市绿色出行指数白皮书》——附录G :城市交通碳足迹量化方法
427 0
《城市绿色出行指数白皮书》——附录G :城市交通碳足迹量化方法
《城市绿色出行指数白皮书》——附录D :碳排放因子修正
《城市绿色出行指数白皮书》——附录D :碳排放因子修正
392 0
《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
|
存储 并行计算 PyTorch
基于Pytorch中安装torch_geometric简单详细完整版
基于Pytorch中安装torch_geometric简单详细完整版
3600 0
基于Pytorch中安装torch_geometric简单详细完整版
《城市绿色出行指数白皮书》——6.杭州交通出行碳排放案例计算——6.3 杭州市交通出行碳排放计算案例——6.3.4 区域级别交通出行碳排放计算
《城市绿色出行指数白皮书》——6.杭州交通出行碳排放案例计算——6.3 杭州市交通出行碳排放计算案例——6.3.4 区域级别交通出行碳排放计算
416 0