船舶动态驱动的碳排放时空分布规律

余红楚,方庆龙,方志祥,刘敬贤**(.武汉理工大学航运学院, 湖北 武汉 430063；.武汉大学测绘遥感信息工程国家重点实验室,湖北 武汉 430079；3.武汉理工大学三亚科教创新园, 海南 三亚 5705)

航运业CO2排放量占全球总排放量约3%[1-3],随着全球未来经济和能源的发展,如果不采取任何措施,船舶温室气体的排放量到2050 年将会比2012年增加150%～250%,其占全球总排放量的比例也将会显著升高[4-6].集装箱船相较于其他类型的船舶,具有更强大的发动机和较高的航速,导致其CO2排放也相对较高.集装箱船是全球航运业中主要的排放来源之一[7],船舶碳排放监测与计算是航运碳核算的基础,也是实现航运碳减排与“零碳航线”的重要支撑.由于全球船舶分布较为分散且船舶机动性强,准确收集每艘船的尾气排放难度较大,给监管机构带来了巨大挑战[8].

目前船舶排放计算通常采取自上而下和自下而上2 种方式[9-11].自上而下的方法以船舶消耗的燃油为基础,结合燃料的CO2排放因子,来近似计算CO2排放量[12-13].该方法计算简单便捷,但是人为记录的燃油消耗数据通常不够准确[14-15].此外,由于没有考虑船舶的实际航行状况,缺乏地理空间信息,难以反映集装运输CO2排放的时间空间分布规律.自下而上的方法是依据动态AIS 数据和船舶信息来测算船舶排放量.AIS 轨迹数据记录了船舶航向、航速、位置、航行时长等[16]活动信息,结合船舶发动机的功率、发动机负载系数及其相应的排放因子,实现基于船舶活动的自下而上碳排放计算.该方法可以更精确地了解每艘船的排放,从而掌握其排放时空分布.在更大尺度上,该方法能够支撑全球CO2排放情景的详细分析,包括全球集装箱船碳排放的复杂时空变化分析.

目前基于AIS 数据的船舶碳排放计算方法通常被称为船舶交通排放评估模型(STEAM). Jalkanen等[17]提出了STEAM模型,通过AIS轨迹数据和船舶信息计算了波罗的海水域内船舶的废气排放量.该模型后来在深圳港西区[18]、珠江三角洲地区[19-20]、天津港[21]、长江口地区[22]、厦门港[23]、宁波-舟山港[24]等不同区域的船舶尾气排放计算中得到了应用,并分析了这些区域不同船舶类型和时间段的排放情况.之前的研究主要集中在港口群和单个港口,难以全面捕捉不同区域碳排放的差异特性,也无法对船舶碳排放实现全过程的跟踪.Johansson 等[25]在2015 年的研究中基于全球航运活动的分析实现全球尺度的碳排放计算,主要从空间视角分析碳排放分布特征,对碳排放的时间动态考虑不足.通过对全球集装箱船轨迹深入挖掘,充分考虑不同航线、不同时间、不同区域等因素,能够更精确地对全球集装箱船的CO2排放特征进行建模分析.

本文以全球集装箱船轨迹为数据基础,计算和分析全球集装箱船的CO2排放情况,具体包括全球集装箱船月排放规律、空间分布特征,以及主要集装箱运输航线排放量时空格局,旨在为碳中和、碳达峰、节能减排等政策的实施提供参考.

1 研究方法

1.1 研究总体技术路线

本研究的技术路线包括以下步骤:(1)AIS 轨迹数据预处理:首先对AIS 轨迹数据中的异常数据进行清洗,包括位置异常、速度异常、航向异常删除等,进而计算船舶航行速度、航行时间、进出港服务时间等,以便后续计算船舶碳排放.(2)船舶静态数据匹配:将AIS 动态轨迹数据和船舶静态数据进行匹配,获得集装箱船的船宽、功率、吨位等,并确定集装箱船的船型.(3)主机功率与最大航速计:根据不同集装箱船船型的主机选型参考标准,计算船舶主机功率、最大船速等信息,便于后续船舶碳排放计算.(4)航行状态判别:结合船舶主机功率、最大航速和实际航行速度,根据航行速度判断出船舶发动机负载情况,进而判别船舶航行状态.(5)船舶CO2排放量计算:采用自下而上的方法对集装箱船碳排放进行计算,通过主机的功率和速度以及船舶的排放系数等因子的计算,最终可以得到船舶的碳排放量,如下图1 所示.

图1 船舶排放计算流程Fig.1 Flowchart of ship emission calculation

1.2 AIS 数据预处理

采取目前公认较为完备的亿海蓝科技(船讯网)AIS 覆盖系统数据源,并且通过与我国AIS 数据中心积累的AIS 数据进行融合,尽可能保证数据源的可靠性.AIS 轨迹数据包括MMSI 编号、IMO 注册编号标识、船长、船宽等详细静态信息,也包括时间戳、船舶速度、船舶航向、位置等近实时动态信息[18],不仅可以追踪集装箱船运输路线、航行状态、行驶时间,也可以实现集装箱船碳排放的准确计算.AIS 数据预处理主要包括数据清洗和静态数据匹配,如图2 所示.数据清洗包括错误、重复数据剔除,如经纬度异常、速度异常数据的删除,以保证数据的质量和准确性.静态数据匹配是指将AIS 动态数据与船舶静态信息进行匹配,得到可用且更加规范的船舶碳排放计算数据集.

图2 AIS 数据处理流程Fig.2 Flowchart of AIS data processing

1.3 船舶碳排放计算方法

船舶航行中CO2排放主要来源于船舶发动机(主机、辅机和锅炉).主机、辅机和锅炉具有不同的功能,其中主机为船舶提供航行动力,船舶在水上航行时主机燃料消耗最多,而辅机为船舶提供电力,锅炉为船舶提供加热或蒸汽泵驱动[22,26].通常,发动机类型可分为5 类,包括低速柴油机(SSD)、中速柴油机(MSD)、高速柴油机(HSD)、燃气轮机(GT)和蒸汽轮机(ST).大型船舶通常采用最高转速小于350r/min 的低速柴油机作为主机.最高转速在350～1000r/min 之间的中速柴油机通常用作大型船舶的主机或辅机,而转速高于1000r/min 的高速柴油机则用于小型船舶主机或大型船舶辅机[6].

本文采用自下而上的STEAM 方法来计算船舶CO2排放[17].模型中考虑了船上3种类型的发动机包括主机、辅机和锅炉的排放.每艘船在某一航程之间排放量的计算式如下(式1).

式中: E 为CO2总排放量;EM为主机CO2排放量;EA为辅机CO2排放量;EB为锅炉排放量.

船舶主机排放计算(式2):

式中: MCR 为船舶主机额定功率,kW; LF 为负载系数; hr 为不同状态下船舶的航行时间,h; EF 为污染物排放因子,g/(kW⋅h).

不同船型的集装箱船型宽通常不同(表1),根据船舶的宽度,可以确定集装箱船的类型.不同类型的集装箱船有不同的设计标准,包括船舶的设计速度、载重量等.根据这些标准,可以确定每种类型集装箱船所需要的主机功率[27-28],如表2 所示.

表1 集装箱船分类Table 1 Container ships classification

表2 集装箱船主机选型参考[27]Table 2 Main engines for container ships

船舶发动机负载系数LF 是由最大航速和实际航行速度确定,根据螺旋桨定律估算每段持续时间的发动机负载系数[29],计算公式如下.

式中:Va为实际航行速度,节;Vm为最大设计速度,节.船舶实际速度是根据AIS 记录的连续两个点的位置和时间戳,计算出来的平均速度.

船舶辅机与锅炉排放计算: 船舶辅机与锅炉的燃料消耗主要与船舶类型、尺寸、航行状态有关.根据远洋船舶航行速度将航行工况分为5 种不同的航行状态,包括正常巡航、慢航、机动、锚泊和系泊5 类(表3)[5,22,30].

表3 船舶航行状态分类Table 3 Ship navigation status classification

辅助发动机在船舶航行和泊位时都可能运行,电力由辅助发动机生成,用于照明、烹饪、空调、供暖、泵、辅助鼓风机、船首推进器、控制系统、货物处理等.功率使用取决于操作模式.船舶副机负荷系数不能通过计算公式直接得到,本研究采用不同船舶类型在不同的航行状态下的副机负荷系数推荐值[5-6],即在泊和锚泊时为0.19,机动状态为0.48,低速航行为0.25,巡航为0.13.辅机排放计算如下:

式中:ACR为船舶辅机额定功率,kW; LF为辅机负载系数; hr 为不同状态下的航行时间,h; EF 为污染物排放因子,g/(kW⋅h).

锅炉一般在船舶主负荷≤20%时开启,船舶处于航行状态时不启动[21].锅炉排放计(式5):

式中: G 为锅炉实际功率,kW; hr 为不同状态下的航行时间,h; EF 为污染物排放因子,g/(kW⋅h).

对于辅助发动机和锅炉功率(表4),参考IMO 第四次温室气体(GHG)研究报告中对集装箱船不同船型、不同船舶尺寸以及不同航行状态下的辅机和锅炉功率的研究结果.

表4 不同航行状态下的辅机和锅炉功率[6]Table 4 Auxiliary engine and boiler power under different navigation status

船舶主机、辅机和锅炉的排放因子取自IMO发布的温室气体研究报告和相关研究[5-6,8,31].假设集装箱船船舶主机为使用重油的低速发动机,船舶辅机使用柴油的中速发动机,船舶锅炉使用柴油或轻柴油.船舶CO2排放因子如表5 所示.

表5 发动机的排放因子和燃料类型Table 5 Engine emission factors and fuel types

1.4 区域性碳排放计算

区域船舶排放统计可以用于提供集装箱船排放的全球时变特征和空间多尺度时空分布的视图[19].通过不同的网格单元的船舶排放量,可以更好地了解船舶污染的热点区域[32-33].

本文使用WGS84 坐标系的数字网格来划分全球区域,经度方向上360 个单元格,纬度方向上180 个单元格,建立了1°×1°分辨率的空间网格.首先为每个单元格分配索引号,进而实现全球范围内较高精度的碳排放测算.每艘船的排放量计算是在其每两个连续位置报告循环进行的,通常以几秒为间隔.用后一报告点中的地理坐标记录该段航行中的排放量,根据坐标计算出该点所在的单元格,将该轨迹段产生的排放统计至其所在的网格.具体计算公式为:

式中:Qj表示网格j的船舶排放量;j表示网格编号;Ei,j表示船舶i 在网格j 的排放量; n 表示航行经网格j的所有船舶;Q 表示区域的所有排放量; m 表示空间区域的所有网格单元数.

如图3 所示,使用上述方法将每条船舶排放量分配到相应的网格单元,可以计算出每条船的排放分布情况[31].在同一网格单元内的多个船舶的排放量将被累计,从而得到该网格单元的总排放量.通过该方法,不仅可以计算某一区域内总的排放量,还能分析不同网格单元之间的排放差异、确定排放热点区域等.

图3 区域船舶排放量计算Fig.3 Calculation of regional ship emissions

1.5 不同航线碳排放计算

航线碳排放的计算首先需要明确航线的出发地、目的地以及途径的海域和港口等信息.这就包括确定航线的起点和终点,以及航线经过的航路和停靠港口.如图4 所示,根据确定的航线信息,在WGS84 坐标系下使用大圆航线确定其经过的网格区域.接着将航线经过的不同网格区域的排放量进行累加,可以得出该条航线上的总排放量(式8).

图4 航线排放计算Fig.4 Emissions calculation along shippingroutes

式中:PAB表示航线AB 的排放量;Qj表示j 网格的船舶排放量.

2 结果与讨论

2.1 全球集装箱船碳排放

以2018 年的所有集装箱船作为研究对象,采用本文建立的碳排放计算模型测算全球尺度下的集装箱运输碳排放.根据每艘船舶在连续的AIS 位置报告之间行驶的情况计算其碳排放,通常是以几秒钟为时间间隔循环计算[13].通过将每艘船舶在不同时间段的排放量相加,可以得到该船的总排放量.将每艘船舶的总排放量进行累加,就可以得到所有船舶的总排放量.

2018 年装箱船的总CO2排放量约为1.2355 亿t,不同月份的船舶排放量存在明显差异,如图5 所示.最高排放量出现在1 月(1239.47 万t),随着新年伊始,经济回升态势较为强劲,贸易活动增强,航运需求也上升.8、10、11 月的排放量相对较低,特别是11 月份的排放量为全年最低,可能受到多种因素的影响,部分地区在8 月份可能会遇到台风天气,这会影响船舶的运营.另外,夏季度假季节已过,圣诞购物季节还未开始,贸易活动相对较低,导致航运需求下降,通常是航运淡季.1～3 月的排放量相对较高,主要可能是随着春节前运输高峰的到来,市场需求大幅增加,进而导致排放量相对较高.随后4～7 月,船舶排放呈现出小幅上升趋势,这可能与全球贸易活动的持续增加有关,但波动总体不大.在一年不同的月份中,船舶的排放量有所波动,可能受到季节性因素、贸易活动变化或其他因素的影响.

图5 2018 年集装箱船逐月CO2 排放量Fig.5 Monthly CO2 emissions from container ships in 2018

2.2 碳排放月度空间分布特征

船舶的月排放空间分布有助于观察船舶排放的时间和空间热点.结合所有集装箱船排放量及其实际位置信息,得到全球1°×1°网格下的集装箱船排放统计结果,如图6 所示.从空间分布上来看,CO2排放量较高的区域分别在中国东部海域和南部海域、日本海域和南亚海域、红海海域、地中海海域、靠近欧洲海岸的北大西洋海域、墨西哥湾和加勒比海以及北美西海岸.集装箱船的CO2排放较高的区域中会有一些重要的航线经过,如亚欧航线、北大西洋航线、巴拿马运河航线、太平洋航线等.这些航线上的交通密集度较高,集装箱船数量和航次数较多.总体而言,集装箱船CO2月排放的空间分布较为相似,月度CO2排放的热点区域相对固定.

图6 2018 年集装箱船CO2 排放空间分布特征(t)Fig.6 Monthly spatial distribution of CO2 emissions from container ships in 2018

Johansson 等[25]和Kramel 等[14]对2015 和2017年海运碳排放研究表明,集装箱船的研究结果与本研究得到的CO2空间分布接近.这表明集装箱船在这一定期内的空间排放分布相对稳定.可能是因为国际集装箱运输通常采用班轮运输模式,依据集装箱班轮公司制定的船期表,集装箱船在固定航线和港口之间提供规范的、反复的货物运输服务.此外,由于集装箱船运输航线和挂靠港口也较为固定,可能导致排放量的空间分布相对集中且较为相似,但总体上集装箱船碳排放也会对全球环境产生重要的影响.

2.3 集装箱海运干线碳排放

通过对全球集装箱船CO2排放空间分布分析,可以发现排放热点区域主要分布在集装箱运输航线上.为了分析热点区域的CO2排放情况,结合全球主要集装箱运输企业的航线分布,本研究选择了全球集装箱航运中最重要、最具代表性的6 条海运干线进行碳排放统计和分析,如图7 所示.这6 条航线涵盖了集装箱船CO2排放的热点区域,分别是远东-北美航线、远东-欧洲航线、欧洲-西非南非航线、澳新-北美航线、北美-欧洲航线和远东-澳新航线.这6 条干线的碳排放占总排放量的占比由高到低依次为,远东-欧洲约为28%,远东-北美约为17%,远东-澳新约为15%,北美-欧洲、地中海约为8%,欧洲-西非南非约为6%,澳新-北美约为2%.

图7 运输航线 CO2 月排放量Fig.7 Monthly CO2 emissions from shipping routes

根据6 条主要集装箱运输线路上的CO2排放量的统计和分析,可以发现远东-欧洲航线、远东-北美航线和远东-澳新航线的CO2排放量较高,占总排放量的60%,明显高于其他3 条航线.这主要是因为这3 条航线上的船舶数量较多,且航程较长.排放最高的是远东到地中海欧洲的航线,其全年排放中,也呈现8、10、11 月排放量相比其他月份较低,11月排放量为年内最低,1～3 月的排放量相对较高.年初正值春节前的运输旺季,节后航运市场进入淡季和恢复期,各航线运力运价有所下降,如4 月中旬,欧洲和地中海航线运价均跌至600 美元/TEU 的年内低点.4～7 月期间,船舶排放量呈现小幅上升的趋势,可能与季节性货物运输需求的增加有关.在8～12 月的时间段内,船舶排放量出现了较大的波动.进入下半年,随着国际经贸形势发生变化,集装箱运输需求增长放缓,主干航线运价有所分化,部分航线步入淡季,多条航线行情遇冷,运力增速明显趋缓.不同航线上的CO2排放量有些许不同,整体变化趋势基本保持一致.不同航线的排放可能受到多种因素的影响,包括季节性货物需求、天气和气象条件、航线选择以及节假日等因素.这也表明了航运业的复杂性,需要综合考虑多个因素来解释排放量的时空变化.

同时,本文也对这6 条航线上每月航行的船只数量进行了统计分析,结果表明船只数量与CO2排放量之间存在明显的关联性.具体而言,航线上行驶的船只数量越多,相应的CO2排放量也随之增加.船只的数量通常反映了航线的繁忙程度,繁忙的航线上通常具有更多的货物需要运输,因此需要更多的船只来满足运输需求.然而,随着船只数量的增加,也伴随着更多的燃料消耗和相应的排放.

2.4 不确定分析

在集装箱船排放计算时,涉及到多个因素,如发动机功率、船舶活动和排放因子等,而各个参数的准确性直接影响排放计算的准确性.本研究集装箱船排放计算结果的不确定性可能主要来自以下几个方面:(1)由于缺乏有关船舶的发动机信息和锅炉的详细信息,采取相似类型和吨位级别的船舶信息作为替代,与船舶实际可能存在差异,进而导致船舶碳排放计算结果存在一定误差.(2)由于缺乏集装箱船船龄信息,本研究尚未考虑全球正在运营的集装箱船的船龄差异对排放的影响.新船和老船之间的技术、设计和引擎性能可能存在差异,且船舶性能和燃油效率通常也会随着时间的推移而发生变化,从而导致结果产生一定的误差.(3)排放因子的不确定性.本文采用了国内外相关研究文献确定的排放因子,而忽略了排放因子在不同船上的差异,所以计算结果存在一定误差.(4)统计方式的不确定性.本文将航线经过的不同网格区域的排放量进行累加,从而得出该条航线上的总排放量.该方法在航线的边界区域,即航线未能覆盖整个格网单元的区域存在一定误差,后续需进一步研究航线边界区域碳排放统计的更精确方法.

3 结论

3.1 2018 年全球集装箱船的CO2排放量约为1.2355 亿t,1 月份排放量最高,11 月份得排放量最低,明显低于其他月份.这种变化可能与季节性航线调整、天气条件以及全球贸易活动的波动有关.

3.2 船舶排放的时空分布表明集装箱船在不同地区的排放动态差异特征,其中高排放区域会有密集的集装箱运输航线经过,也与船舶的交通密度和贸易活动水平息息相关.

3.3 碳排放受到船龄、发动机功率、排放因子、统计方式等因素的影响,使得计算结果存在一定的误差.未来研究将从多源数据融合方面开展更加精准的船舶碳排放计算与监测.