排放源的严重时空异质性和有限的测量网络阻碍了对大城市二氧化碳通量的监测和理解，这是气候研究的一个重要问题，因为大城市是气候系统中人为二氧化碳的主要来源之一。为了了解韩国首尔地区的二氧化碳通量，分析了2017-2018年8个地表能量平衡站点的二氧化碳通量，其中6个城市(植被面积分数< 15%)和2个郊区(植被面积分数> 60%)，并将其归因于当地的土地利用和商业类型。分析结果表明，城郊样地CO2通量变化主要受植被驱动，城市与城郊样地CO2通量差异主要来源于植被面积和人为CO2排放的差异。为城市站点CO2通量;(1)交通流量(traffic)和供热燃料消耗(heating)占总量的比重> 80%，(2)植被效应最小，(3)季节循环主要由供热驱动，(4)供热贡献与建筑面积比例正相关，(5)年总量与商业(住宅)面积比例正(负)相关，(6)商业站点的流量对主要商业类型的依赖性进一步增强，导致不同的CO2通量周周期。这项研究表明，了解和估计大城市地区的二氧化碳通量需要在详细考虑土地利用和商业类型的基础上进行仔细的选址和分析，而不是在当代研究中广泛使用的单一代表性土地利用类型。
城市地区二氧化碳(CO2)排放监测是气候研究中的一个关键问题，因为城市是由人为温室气体(ghg)排放引起的全球气候变化的主要贡献者之一。为支持大城市的大量人口、工业、人类活动和基础设施而生产的能源严重依赖化石燃料燃烧，向气候系统排放大量二氧化碳。目前，城市地区的化石燃料和生物燃料燃烧约占全球二氧化碳排放量的70% (Canadell and Raupach 2009;Satterthwaite et al. 2008)。随着城市人口预计将在未来增长，从2018年占世界人口的55%增加到2050年的68%(联合国2019年)，城市地区对全球二氧化碳排放的贡献将继续增加。因此，监测和了解城市二氧化碳通量不仅对预测未来气候变化很重要(Kennedy et al. 2010;Soegaard and M?ller-Jensen 2003)，也可用于评估基于各种方法的间接二氧化碳排放估算，例如，逆向建模、清单(或自下而上)方法和基于卫星的分析，这些方法被广泛用于跟踪每个国家或地区遵守《巴黎协定》(UNFCCC 2015)等国际条约规定的排放限制的情况。
城市地区的二氧化碳通量随区域气候、季节、土地利用类型和商业类型而变化，因为这些因素影响二氧化碳的主要来源和汇。交通、供暖、发电、制造、海港和机场等人类活动以及代谢呼吸是主要的CO2源，而公园植被、城市森林和农田是生长季节主要的CO2汇(Christen 2014;Coutts等人，2007;Crawford and Christen 2015;Grimmond and Christen 2012;Helfter et al. 2011, 2016;Hong et al. 2020;Kennedy et al. 2009;Kurppa et al. 2015;Lee et al. 2021;Stagakis et al. 2019;Velasco and Roth 2010;Vogt et al. 2006;Ward et al. 2015;Weissert et al. 2014)。Velasco和Roth(2010)对30多个中纬度城市的二氧化碳排放量进行了比较，结果表明，城市之间的大部分二氧化碳排放差异可归因于车辆交通(traffic，下文)和取暖燃料消耗(heating，下文)。供暖和植被吸收二氧化碳的季节变化也导致城市二氧化碳通量的明显季节变化，特别是在季节温度差异较大的中纬度地区(Lee等人，2021;Moriwaki and Kanda 2004;Ward et al. 2015)。土地利用和商业类型的差异也导致了不同的交通和供暖模式，从而在异质景观上造成了较大的二氧化碳通量变化(Gokhale 2011;Hong et al. 2020;Lee et al. 2014a)。例如，以前的研究(如Nemitz et al. 2002;Soegaard and M?ller-Jensen 2003;Velasco et al. 2005)发现交通和流动人口模式随主要商业类型(如公司总部、政府办公室、零售商店、娱乐场所)而变化，导致二氧化碳通量日周期不均匀。
随着土地利用和商业类型的变化，二氧化碳通量的时空变化很大，这对监测和量化大城市地区的二氧化碳通量构成了巨大挑战。已经尝试了各种方法来获得不同源区上方和/或内部的二氧化碳通量。利用能源使用记录，特别是化石燃料燃烧记录，计算某一利益区域内各种来源每月或每年二氧化碳通量的清查方法(Kennedy等人，2010年)已得到广泛使用，但缺乏确定当地二氧化碳排放源及其强度的时空分辨率，以及当地排放者的排放报告不准确(Asefi-Najafabady等人，2014年;Sargent et al. 2018)。此外，清单法仅适用于监测人为源的排放。逆建模方法(如Manning et al. 2011;Henne et al. 2016)也被用于根据观测到的微量气体浓度和大气数据，结合一个逆模型，在一个感兴趣的区域内的不同时空尺度上，估算来自自然和人为源和汇的微量气体净排放量。Peters等人(2007)使用了碳追踪器(CarbonTracker)这一逆向模型来估算北美地区的地表二氧化碳通量。Lauvaux et al.(2016)采用逆建模方法建立了美国印第安纳波利斯市的精细尺度CO2排放监测系统。尽管逆建模成功地应用于估算CO2和其他微量气体的区域排放，但该方法容易受到模型误差的影响，以及与其精度和时空覆盖相关的输入数据的不确定性，特别是对于需要精细尺度输入数据的城市地区(Lauvaux et al. 2016)，因为气象和排放源在时间和空间上都是快速变化的。卫星数据也被用于估计大城市地区的二氧化碳排放量(例如，Labzovskii等人，2019;Shim et al. 2019)，但它们缺乏识别城市内部变化的空间分辨率。此外，所有间接的CO2通量估计都需要根据直接测量的原位数据进行验证。因此，迫切需要在多个城市站点直接测量地表二氧化碳通量，这不仅是为了了解城市二氧化碳通量，也是为了评估基于间接方法的二氧化碳通量估算。
利用高频传感器获得的微量气体浓度和大气变量的协方差计算微量气体通量的涡旋相关方差(EC)方法已成为直接测量地表-大气界面能量和二氧化碳交换的基本工具(Baldocchi等人，2001;Moriwaki and Kanda 2004;Soegaard and M?ller-Jensen 2003;Velasco et al. 2005)。EC方法允许以精细的时间分辨率连续监测地表CO2通量，通常从30分钟到1小时。由于在同一地点观测到的通量随风向和风速而变化，如果地点周围微量气体的源和汇在空间和/或时间上不均匀，EC方法的高速率采样能力有利于监测CO2通量和了解与城市生态系统相关的碳循环(Feigenwinter et al. 2012)。若干研究使用欧空体方法成功地量化了二氧化碳通量及其变化，以及影响各城市地区二氧化碳通量的关键因素(例如，Coutts等人，2007年;Lietzke et al. 2015;Velasco and Roth 2010;Ward et al. 2015;Hong et al. 2019, 2020;Park et al. 2022)。以前的城市二氧化碳通量研究通常使用来自单一站点的数据分析城市之间的差异，或者对于同一城市，分480分能考上什么大学析不同时期之间的差异(例如，Coutts等人，2007;Velasco and Roth 2010)。由于二氧化碳通量因土地利用和主要商业类型的不同而有很大差异，包含多种景观和人类活动的大城市地区的二氧化碳通量特征不能用单点测量来表示(Grimmond等人，2002;Kleingeld et al. 2018;Park et al. 2022)。
为了了解大城市地区CO2通量的变化，本研究分析了韩国气象局(KMA)在首尔市区(以下简称首尔)的8个地表能量平衡(SEB)站点使用EC方法获得的CO2通量数据(Choi et al. 2013;Park et al. 2017)在2017年1月至2018年12月的两年间进行了研究。首尔是世界上二氧化碳浓度异常最大的城市之一，季节性变化很大。许多研究根据卫星等各种来源的二氧化碳浓度数据调查了首尔的二氧化碳预算(Labzovskii等人，2019;Shim et al. 2019;Park et al. 2020)和地面测量(Park et al. 2021)。这些过去的研究为了解首尔的二氧化碳预算提供了有用的见解，但缺乏理解首尔城市内二氧化碳通量变化的空间分辨率。最近，Park等人(2022)分析了在首尔多个地点测量的EC数据，表明CO2通量受到可由当地土地利用类型描述的当地源和汇的强烈影响。
本研究分析了在首尔都市区八个EC站点测量的二氧化碳通量，并试图将通量与各种当地因素联系起来，例如每个站点通量足迹内的土地利用类型和主要业务。与过去的研究不同，这些研究为每个地点分配了单一的主要土地利用类型(例如，Hong等人，2019;Park et al. 2022)，本研究除了考虑当代场地类型分配外，还考虑了更精细的当地土地利用因素，如多种土地利用类型的面积山东财经学院东方学院比例，对于商业区，主要商业类型，以了解观测通量的变化。本文组织如下。本研究中使用的EC站点和数据处理方法见第2节。第3节给出了所分析的CO2通量变化及其与当地因素的关系，包括土地利用类型和主要商业(或商业)以及与每个站点特征相关的人类活动。结论和讨论在第四节中提出。
本研究分析了KMA城市气象观测系统(Park et al. 2017)在2017年1月至2018年12月2年期间在8个SEB站点测量的CO2通量数据(图1)。表1给出了这些站点的具体信息，如地理位置、当地气候区(LCZ)、传感器安装情况以及与土地利用类型相关的参数。所有八个SEB地点都位于平坦的地形上，地形坡度最小。8个SEB场地中有7个位于不同高度的建筑物屋顶，从4米到71米不等;其余一个站点(BC)位于地面，EC传感器安装在距地面10米的位置。粗糙度长度(z0)和位移高度(zd)是根据Kanda et al.(2013)使用来自Digital Map 2.0 building (An et al. 2020)的每个站点250 m范围内的建筑数据计算的。所有站点的真实传感器高度定义为建筑物高度(BH)和传感器高度(SH)之和，超过250 m范围内平均BH (MBH)的两倍。因此，所有8个站点的SEB传感器都位于惯性子层，也称为恒定通量层，通常存在于MBH的两倍以上(Barlow 2014;Raupach et al. 1991)。
六盘水职业技术学校(a)首尔都市地区的卫星图像和本研究使用的8个SEB站点的位置(红点)。表1还显示了各个SEB站点的卫星图像:(b) AY(安阳)，(c) GHM(光化门)，(d) GN(江南)，(e) NW(芦原)，(f) JR(中浪)，(g) GJ(加宗)，(h) IL(一山)，(i) BC(富川)。(e)中的白色方块A和B分别表示铁路车辆段和驾驶证驾驶考试设施。(c)、(d)、(e)和(g)中的白色三角形表示提供本研究中分析的交通量的交通监控摄像头的位置。黑色等高线表示两年内(2017-2018年)10% - 80%的通量足迹气候学。
AY是LCZ 4E地块，商业面积较大，主要由零售商店、餐馆和酒吧组成，吸引了大量流动人口和白天和晚上的交通。GHM也属于LCZ 4E，商业面积占比较大，主要包括政府机关、公司总部以及与之相关的企业，这些企业大部分在工作日的工作时间内营业。NW是一个LCZ 5E场地，包括一个铁路仓库和一个驾照驾驶考试设施，在500米的北部，一个住宅建筑综合体在南部。靠近西北考点的驾驶考试设施只在平日工作时间运作。请注意，由于该设施不包括任何交通监控摄像头，因此驾驶考试车辆不包括在当地交通统计中。GN为lcz2e地块，在其附近有中层住宅和商业建筑，西南和西北分别有高层商业和住宅建筑。尽管GN附近的住宅面积占比很大(40.8%)，但该基地受到商业街和购物区的零售商店、餐馆、酒吧、娱乐企业和交通枢纽的严重集中的影响，这些商店在工作日和周末的工作时间以及晚上吸引了大量的交通和流动人口。JR (LCZ 3E)和GJ (LCZ 2E)主要由低层和紧凑的中层住宅组成，零售商店主要为当地居民服务。两个郊区站点BC和IL属于lcz9d。不列颠哥伦比亚省主要包括农业用地，建筑面积占比(1.2%)和交通面积占比(1.9%)最小。土地用地也以农用地为主，建筑面积占比较小(6.9%);然而，与不列颠哥伦比亚省不同的是，它包括一条通往西南部的主要道路(交通面积占28.4%)。
SEB站点使用三维声波风速计(CSAT3, Campbell Scientific，美国)监测10 Hz采样率下的三种风分量(u, v, w)和声波温度(Ts)，使用开路红外CO2/H2O气体分析仪(EC150, Campbell Scientific，美国)监测痕量气体(CO2, H2O)浓度、环境温度和环境压力。自动气象站(AWS)每隔1分钟测量常规气象数据，如气压、风、温度、相对湿度、短波和长波辐射、净辐射和降水。使用数据记录仪(CR3000, Campbell Scientific, USA)将观测数据存档。每个SEB站点的传感器细节参见Park等人(2017)。
高频数据(u, v, w, Ts, CO2, H2O)的质量控制(QC)采用Vickers和Mahrt(1997)的双旋转和去除尖峰方法。利用EddyPro软件7.0.6 (Li-COR, USA)，确定垂直风速(w)与高频传感器测量的CO2浓度的协方差，以30 min为间隔，基于EC法计算CO2通量。EddyPro软件也用于通过纳入关键选项，如质量控制通量数据;利用低通滤波和高通滤波效应的解析选项进行光谱校正(Moncrieff et al. 1994,2004)，利用Webb- pearman - leuning (WPL)方法进行空气体积和密度波动校正(Webb et al. 1980)，以及Foken和Wichura(1996)稳态和积分湍流特性(ITC)试验。Foken和Wichura测试(Foken和Wichura 1996年)根据稳态和ITC测试为每个30分钟通量值分配质量标志(QF)，以便:QF 1-3可用于基础研究，如开发参数化，而QF 4-6适用于一般用途，包括在较长时间尺度上构建二氧化碳预算。本研究的分析利用了qf1 - 6的通量数据。缺失数据填充是计算各种延长时间尺度上二氧化碳通量预算的重要步骤(Dragomir等，2012;Falge et al.(2001)使用Falge et al.(2001)的平均日变化(MDV)方法进行，该方法使用以缺失数据之日为中心的14天窗口内通量的平均日循环来填充缺失数据。应用QC和补隙后，得到的30 min通量数据占所有站点整个分析周期的72.1% ~ 91.0%。
利用Kljun等人(2015)的通量足迹预测(FFP)模型，以10米分辨率在400 × 400(4公里× 4公里)网格巢上构建每个SEB站点的两年(2017-18)总通量源面积足迹。FFP模型的输入数据包括气动变量，如横向速度相对于双旋转轴的标准差(见数据QC部分)、风向、摩擦速度(u*)、莫宁-奥布霍夫长度(L)、行星边界层高度(PBLH)，以及地貌变量，包括粗糙度长度(z0)和位移高度(zd)。各站点的地貌数据见2.1节和表1。气动输入数据由EC数据每隔30分钟获得一次。每个SEB站点的总通量足迹气候学结果(图1)表明，足迹面积大小强烈依赖于传感器高度，因为最小的足迹区域出现在传感器高度最低的站点(GN、GJ、IL和BC)。
使用Stagakis等人(2019)的方法，结合综合源面积足迹数据和韩国环境部环境地理信息服务(EGIS)的3米分辨率土地利用类型数据(可在https://egis.me.go.kr上获得)，计算了用于对每个站点的土地利用类型进行分类的加权土地利用分数。Stagakis等人(2019)的方法首先将通量源-区域足迹值()乘以10 m分辨率网格框(x,y)上的土地利用类型分数，然后将整个感兴趣区域的网格点值相加，计算出每种土地利用类型()的加权土地利用分数()，即总体通量源-区域足迹中土地利用类型对测量CO2通量的相对贡献。
(1)(1)中的加权土地利用分数以下称为“土地利用类型分数”。
二氧化碳通量因土地利用和商业类型而异，因为它们影响着当地交通、流动人口、供暖(主要的二氧化碳来源)和其他能源消费类型，以及植被的数量(主要的二氧化碳汇)。为了了解首尔地区的CO2通量变化，基于植被面积分数(图2)，将8个SEB站点分为6个城市站点和2个郊区站点(表1);表2)2个城郊站点的植被面积分数大(北北61.9%，北北94.4%)，而6个城市站点的植被面积分数小(北北1.6% ~西北14.7%)。6个城市站点的交通、商业和住宅面积比例分别在28.7-62.4%、17.1-30.8%和2.4-40.8%之间变化(表2)。6个城市站点的商业、住宅、铺筑的非道路和铺筑的道路面积的总和比例为79%或更多。
每个站点基于2年气候足迹的土地利用比例
摘要
1 介绍
2 数据与方法*+
3.结果
4 有限公司 结论和讨论
参考文献
致谢
作者信息
搜索
导航
#####
8个SEB站点的年CO2通量范围从BC的0.026 mgCO2 m?2 s?1 (0.83 kgCO2 m?2 yr?1)到AY的1.14 mgCO2 m?2 s?1 (35.8 kgCO2 m?2 yr?1)(图3a)。这些数字完全在世界各地不同城市地区报告的范围内(例如，波兰?ód?的10.8 kgCO2 m - 2 yr - 1 (Pawlak et al. 2011);英国爱丁堡36.7 kgCO2 m - 2 yr - 1 (Nemitz et al. 2002);美国马里兰州一个植被茂密的郊区的1.3 kgCO2 m?2年?1 (Crawford and Christen 2015);韩国首尔的10.1 kgCO2 m?2 yr?1 (Hong et al. 2019);首尔的1.09-16.28 kgC (4.0-59.75 kgCO2) m?2年?1 (Park et al. 2022))。首尔市内的巨大变化(Park et al. 2022)表明，二氧化碳通量的差异很大，这是由于土地利用类型和商业类型的高度异质性造成的，下文将对此进行探讨。冬季(红色)的季节平均CO2通量比夏季大得多(图3a)，这表明在所有植被面积分数最小的城市站点，供暖是冬季主要的CO2排放源之一(Park et al. 2014, 2022)。这两个郊区站点具有植被面积大、人为CO2源少的特点，产生的年和季节CO2通量最小。夏季郊区站点的CO2通量较小，在IL处接近于零，在BC处为负(图3a)，这表明植被在夏季丰富的郊区站点的CO2收支中起着关键作用(Ward et al. 2015)。尽管夏季植被的CO2清除量很大，但两个郊区站点的CO2通量的季节差异(即夏冬差异)(IL和BC分别为0.19和0.37 mgCO2 m?2 s?1)远小于城市站点(0.46-0.96 mgCO2 m?2 s?1)，尤其是BC。
(a) 2017-2018年期间夏季(蓝色)、冬季(红色)和年度(橙色)二氧化碳通量。(a)中的误差条表示基于Student 's-t检验的95%置信区间。图3(b)-(d)显示了8个SEB站点的植被面积分数与(b)年、(c)夏季和(d)冬季CO2通量之间的关系。图3b-d中的红点和绿点分别表示城市和郊区站点
在城市和郊区站点之间的年和季节CO2通量存在强烈的对比(图3b-d)。城市和郊区站点的年平均通量分别为0.89和0.14 mgCO2 m?2 s?1，即城市站点的单位面积CO2排放量是郊区站点的6倍。在季节上，城市和郊区站点之间的差异(图3c,d)与植被面积分数的差异(如年值)有很好的关系。对于整个站点的平均通量，城市和郊区组之间的差异在冬季(1.34比0.27 mgCO2 m?2 s?1)比夏季(0.67比-0.01 mgCO2 m?2 s?1)大得多。这表明，城市和郊区观测到的CO2通量的差异主要来自人为CO2排放的差异，其次是植被CO2去除的差异。需要注意的是，更大的植被面积比例意味着排放量远高于植被面积的城市型(商业、住宅和交通面积的总和)面积比例更小(Park et al. 2022)。因此，夏季和冬季的CO2通量差异主要来自两个郊区(六个城市)站点不同的季节性植被CO2吸收(季节性人为CO2排放)。必须指出的是，六个城市站点的CO2通量与全年以及两个季节的植被面积分数的相关性很差(图3b-d)。考虑到夏季城市站点CO2通量与植被面积通量的最大相关系数(0.43)也低于60%的统计显著性水平，因此城市站点CO2通量几乎完全由人为CO2排放决定，植被的贡献可以忽略不计。这一结果与Park等人(2022)的一项重要发现形成了对比，Park等人认为植被在所有城市地区的二氧化碳收支中发挥着至关重要的作用。
两个郊区站点夏季日照时数的大向下通量(图4)清楚地表明，在大植被覆盖区域，植被在形成季节性CO2通量收支方面的关键作用(Ward et al. 2015;Velasco and Roth 2010;Velasco et al. 2013)。年平均和夏季CO2通量日循环的日极小值在夏季明显出现(图4中的红线)，而在冬季则不存在(图4中的蓝线)。值得注意的是，两个郊区站点的CO2通量日循环在冬季比夏季弱得多，几乎不存在。两个郊区站点的年平均日循环(图4中的黑线)的日最小值表明光合作用在决定夏季和全年的二氧化碳收支方面起着至关重要的作用。两个城郊站点之间CO2通量的差异可能是由于植被面积分数(IL为61.9%，BC为94.4%)和道路分数(IL为28.4%，BC为1.9%)的差异(表2)，即IL的交通影响远大于BC。
两个郊区站点(a) IL和(b) BC的年(黑色)、夏季(红色)和冬季(蓝色)CO2通量日循环。误差条表示基于Student 's-t检验的95%置信区间
CO2通量在所有具有冬季最大值和夏季最小值的站点表现出明显的季节循环(图5a)。从春末到夏季，两个郊区站点的CO2通量接近于零(IL)和-0.2 mg m?2 s?1 (BC)，表明光合作用对大植被覆盖地区CO2通量的关键作用。不同场地的季节周期不同，城市和郊区场地之间的对比最为显著;城市站点(0.7 ~ 1.2 mgCO2 m?2 s?1)的季节周期幅度远大于人为排放源较小的郊区站点(0.2 ~ 0.5 mgCO2 m?2 s?1)。图5a中6个城市站点的月CO2通量与液化天然气(LNG)消费量(http://data.seoul.go.kr)呈正相关(R > 0.887)，表明冬季供暖是城市站点CO2通量季节变化的主要驱动因素(Park et al. 2014,2022)。所有城市站点的季节周期振幅与商业面积分数(图5b)具有良好的相关性(R=0.82)，但与交通(R=-0.22)和居住面积分数(R=-0.12)的相关性较差(图5c,d)。
(a) 8个SEB站点CO2通量的季节变化。(a)中的误差条表示基于Student 's-t检验的95%置信区间。图5(b)-(d)给出了6个城市站点的CO2通量年周期振幅与(b)商业区、(c)住宅区和(d)交通区比例的关系
6个城市样地的CO2通量与土地利用类型的覆盖度分异有明显的相关性(表3)，年和季节CO2通量与商业面积分数呈正相关，与居住面积分数呈负相关。CO2通量与商业面积分数的关系在冬季最大(R=0.72)，其次是全年(R=0.65)和夏季(0.52)。因此，随着商业(居住)面积比例的增加，城市站点的CO2通量增加(减少)，这意味着商业区域的单位面积CO2排放量大于住宅区域。
使用Kleingeld等人(2018)的双变量回归分析估算了城市地区两个主要的二氧化碳排放源——交通和供暖对二氧化碳总通量的相对贡献，其中每小时二氧化碳通量、交通量和环境温度纳入式中。(2)和(3).请注意，交通和供暖是这些场址观测到的二氧化碳通量的主要来源，因为它们都不受发电厂和/或主要制造设施的影响(例如，Velasco等人，2007年)。
(2) (3)FC (mg m?2 s?1)为CO2总通量，veh(车辆数hr?1)为交通量，Tair (K)为环境温度。等式中的b。(2)、(3)，即加热开始的阈值温度K，也在原公式的回归中得到;然而，为了简单起见，本研究使用了18℃(291.15 K)的阈值温度，这是计算加热度天数的标准温度(Lee et al. 2014b)。敏感度测试中，b从16℃变化到19℃，这是首尔供暖开始的合理范围，除了供暖的相对贡献随着b的增加而单调下降外，得出了与本研究相同的结论。先前的研究(Lee et al. 2014b;Park et al. 2014)表明，环境温度可以作为首尔供暖二氧化碳排放的一个很好的指标，因为环境温度的巨大季节性变化控制着供暖需求。
在可获得交通数据的四个站点中，有三个站点获得了统计上显著的结果(p值低于10-47)。利用表4中的回归参数，计算了三个站点的交通和供暖对月CO2通量的贡献分数。由此得出的交通和供暖对总CO2通量的贡献率(图6)显示出明显的季节周期，表明供暖(交通)是冷(暖)季观测到的CO2通量的主要贡献者。由于全年的交通流量几乎保持不变(图6d-f)，这些站点的CO2通量季节周期与采暖的季节变化有关。结果还表明，交通和供暖的相对贡献随土地利用类型的面积比例而变化，随着住宅和商业面积的组合比例(即建筑面积比例)的增加，供暖的贡献也随之增加(表2)，在寒冷季节最为明显。观测到的CO2通量的季节变化(图5)和供暖对CO2总通量的相对贡献(图6)与首尔主要供暖燃料液化天然气的月消耗量非常吻合(Lee et al. 2014a)。3个站点逐月供热对CO2通量的贡献与逐月LNG消费量的相关系数在0.958 ~ 0.969之间;高相关性进一步支持供暖是城市站点CO2通量季节周期的主要驱动因素，这是根据前一节中CO2通量年周期振幅与LNG消耗之间的关系推断出来的。
第3.2节中回归分析得出的三个城市站点的供暖(蓝色)和交通(红色)对每月CO2通量的相对贡献:(a) GHM， (b) GJ， (c) GN。图6d-f载列三个地点的每月交通量
根据首尔都市圈的人口密度和人均二氧化碳排放量(Christen et al. 2011)进行的估计表明，人类呼吸可能对这些地点的总二氧化碳通量贡献10-20%，这与以前的研究估计的量相似(Christen et al. 2011;Kleingeld et al. 2018;Velasco and Roth 2010)。然而，由于(1)当地人口密度几乎每个月都保持不变，(2)与交通和供暖产生的二氧化碳通量相比，人类呼吸产生的二氧化碳通量很小，因此没有将其包括在分析中，这是不可忽略的。
为了了解城市内二氧化碳通量随土地利用和主要商业类型的变化，分析了四个城市站点(GHM、GN、GJ、NW)的二氧化碳通量周循环(图7a-c)和交通流量(图7d-f)，这些站点每小时的交通数据都是可用的。因为城市CO2通量的次日至周变化与当地交通密切相关(Dragomir et al. 2012;Hong et al. 2020;Kleingeld et al. 2018;Velasco et al. 2010)，这些城市站点的二氧化碳通量变化可能反映了土地利用和商业类型在塑造当地交通方面的特定影响(第2.1节)。GHM和GN两个站点的商业面积比例相似(GHM为28.8%，GN为28.1%)，但CO2通量和交通量的周循环差异很大。GHM在工作日的CO2通量和流量明显大于周末(图7a、e)，而在GN, CO2通量和流量在一周内保持相似(图7b、f)。以住宅为主的GJ在工作日和周末的交通流量和二氧化碳排放量相似(图7c,g)。NW的CO2通量—流量关系较为特殊;虽然工作日和周末的交通流量相似(图7h)，但工作日的CO2通量远大于周末，尤其是在白天时段(图7d)。
四个城市站点全年平均CO2通量日周期(黑色)、工作日(蓝色)和周末(带有误差条的红色);(a) GHM， (b) GN， (c) GJ， (d) NW。图(e)至(h)为相应交通流量的日循环。误差条表示95%置信区间
每个站点的土地利用和主要业务类型可以从CO2通量-流量关系的角度解释四个站点的CO2通量周循环。GHM和GN的商业面积比例相似(28.8% vs. 28.1%)，但商业类型差异很大;GHM为政府机关、大企业总部及其相关企业，GN为主要购物、娱乐区。由于GHM的主要业务只在工作日的营业时间开放，GHM周围的交通和流动人口集中在工作日的白天，导致工作日和周末的CO2通量(图7a)和交通量(图7e)差异较大。GN位于首尔主要的购物和娱乐区之一，不仅在白天，而且在一周的晚上和凌晨都会吸引大量的交通和流动人口。由于这些主要业务类型，整个星期GN的流量(图7f)和CO2通量(图7b)保持相似。傍晚和夜间早期CO2通量和流量大，主要是由于GN周围的各种娱乐业务，部分贡献来自通勤交通。GJ的住宅面积远大于商业面积(30.3% vs. 17.1%，表2)。此外，GJ周边的商业主要服务于当地居民。因此，GJ周围的交通主要由当地活动产生，除了周末没有通勤相关的早晨高峰外，整个星期的交通量(图7g)和二氧化碳通量(图7c)相似。NW奇特的交通- co2通量关系(图7d和h)可以用其足迹内的主要业务类型来解释。虽然NW的交通面积占比较大(62.4%)，但大部分交通面积包括一个铁路车辆段和一个驾驶证驾驶考试设施(图1e和图2)。由于驾驶考试设施只在营业时间(工作日的工作时间)开放，因此工作日白天较大的CO2通量(图7d)可归因于驾驶考试车辆的排放。尽管驾驶测试车辆的排放量很大，但它们没有被当地的交通监控系统捕获，因此工作日和周末的交通量相似。这导致二氧化碳通量与工作日工作时间的交通量之间存在很大的不匹配。
为了了解大城市区域内的二氧化碳通量变化，分析了首尔8个ec - SEB站点(6个城市和2个郊区)2年(2017-2018年)的二氧化碳通量数据。分析中获得的二氧化碳通量及其变化是根据与二氧化碳收支有关的当地因素，如植被覆盖、供暖、交通和土地利用类型来解释的。对于城市用地，分析还考虑了更详细的土地利用类型，如商业、住宅、交通区域的面积比例以及商业区域的主要商业类型。
随着植被面积分数和土地利用类型的不同，这些站点的年二氧化碳通量变化很大，从BC的0.83 kgCO2 m?2 yr?1到AY的35.8 kgCO2 m?2 yr?1。在两个植被面积大、人为CO2排放源小的郊区站点，植被在形成年和季节CO2通量方面起着关键作用，导致夏季和冬季之间的CO2通量日循环差异很大，突出表现为日照时间内存在(夏季)和不存在(冬季)大的向下CO2通量。
对于所有城市立地，植被对CO2通量的影响可以忽略不计，表现为微弱的(R < 0.43;各季节和全年CO2通量与植被面积分数的关系均有< 60%的显著性差异。植被对城市站点CO2收支的影响最小，不仅是因为植被面积较小(< 14.7%)，而且(更有可能)是由于单位面积上，人为CO2排放主导了植被的影响(CO2的吸收和排放)。本研究的这一发现与Park等人(2022)的一个关键结论形成了对比。Park等人认为，植被效应对决定整个城市地区的二氧化碳收支至关重要。本研究表明，Park et al.(2022)发现的小植被覆盖的城市地区月NDVI与CO2通量之间的巨大相关性只是表面的，对植被面积比例小的高度城市化地区的CO2收支几乎没有定量意义。
城市站址年CO2通量与商业(住宅)面积的正(负)相关关系表明，商业区域单位面积CO2排放量大于住宅区域。城市和郊区CO2通量年循环中冬季最大值和夏季最小值的成因完全不同;通过城市(郊区)站点供暖(光合作用)的季节变化。LNG月消耗量与(1)城市站点CO2通量周期(R > 0.887)之间的强相关性支持了供暖对城市CO2通量季节周期的重要驱动作用;图5a)和(2)基于回归的源归因分析得出的供暖对月CO2通量的贡献(R > 0.958;图6)基于回归的CO2通量源归因分析也可以看出，供暖排放的CO2通量占比随着住宅面积占比的增加而增加。
商业站点的交通流量和二氧化碳通量表现出与主要商业类型相关的明显的周循环。CO2通量-交通关系对主要商业类型的依赖不能用LCZ和/或单一的主要土地利用类型来解释，而LCZ和/或单一的主要土地利用类型在以前的研究中被用来对城市气候研究中的场地特征进行分类。这一点，以及本研究中发现的随商业和住宅面积比例变化的二氧化碳通量变化表明，对大城市地区二氧化碳通量变化的正确解释和理解，需要考虑更精细的城市土地利用类型分类(例如，主要商业类型，每种土地利用类型的面积比例)，而不是基于单一主导土地利用类型和/或LCZ的当代场地类型分类。
准确估计多种土地利用类型、人类活动和自然环境共存的大城市地区的二氧化碳通量，对于计算全球二氧化碳排放量非常重要。原位CO2通量测量对于估算CO2通量非常重要，因为它们为了解CO2排放与城市特征之间的关系以及评估基于间接方法的区域CO2排放估算提供了真实的数据。首尔的研究发现，随着土地利用和商业类型的变化，二氧化碳通量变化很大，这表明，由于大型城市地区包括异质景观和各种土地利用和商业类型，因此需要一个密集的二氧化碳通量网络来可靠地估计二氧化碳排放量。建立一个密集的基于ec的通量观测网来监测精细尺度的二氧化碳通量是成本过高的。因此，有必要进一步研究城市二氧化碳通量与土地利用和商业类型之间的精确关系，作为在大城市地区建立具有成本效益的城市二氧化碳通量观测网的初步工作。
下载原文档：https://link.springer /content/pdf/10.1007/s13143-023-00324-6.pdf
