Netzwerkdesign zur Quantifizierung urbaner CO2-Emissionen: Bewertung von Kompromissen zwischen Präzision und Netzwerfdichte

Zusammenfassung. Die Mehrheit der anthropogenen CO2-Emissionen ist urbanen Gebieten zuzurechnen. Während die Emissionen aus der städtischen Stromerzeugung oft an Orten auftreten, die weit vom Konsum entfernt sind, treten viele der anderen Emissionen innerhalb der Stadtgrenzen auf. Die Bewertung der Wirksamkeit von Strategien zur Kontrolle dieser Emissionen hängt von unserer Fähigkeit ab, städtische CO2-Emissionen zu beobachten und diesen bestimmte Aktivitäten zuzuordnen. Kosteneffektive Strategien dafür wurden bisher nicht beschrieben. Hier charakterisieren wir die Fähigkeit eines Prototyp-Messnetzwerks, das nach dem Berkeley Atmospheric CO2 Observation Network (BEACO2N) im kalifornischen Bay Area modelliert wurde, in Kombination mit einem inversen Modell, das auf der gekoppelten Weather Research and Forecasting/Stochastic Time-Inverted Lagrangian Transport (WRF-STILT) basiert, unser Verständnis von städtischen Emissionen zu verbessern. Das Pseudo-Messnetzwerk umfasst 34 Standorte mit einer Abdeckung von ca. 2 km, die ein Gebiet von etwa 400 km² abdecken. Das Modell verwendet ein stündliches Emissionsinventar von 1 × 1 km² und meteorologische Berechnungen von 1 × 1 km². Wir führen ein Ensemble von Bayesian Atmospheric Inversions durch, um die kombinierten Effekte von Unsicherheiten der Pseudo-Messungen und des Modells zu erfassen. Wir variieren die Schätzungen der kombinierten Unsicherheit der Pseudo-Beobachtungen und des Modells über einen Bereich von 20 bis 0,005 ppm und variieren die Anzahl der Standorte von 1 bis 34. Wir nutzen diese Inversionen, um statistische Modelle zu entwickeln, die die Wirksamkeit des kombinierten Modell-Beobachtungssystems zur Reduzierung der Unsicherheit in den CO2-Emissionen abschätzen. Wir untersuchen die Unsicherheit in den geschätzten CO2-Flüssen im städtischen Maßstab sowie für Quellen, die innerhalb der Stadt eingebettet sind, wie z. B. eine Linienquelle (z. B. eine Autobahn) oder eine Punktquelle (z. B. Emissionen aus den Schornsteinen kleiner Industrieanlagen). Mit unserem Inversionsrahmen finden wir, dass ein dichtes Netzwerk mit moderater Präzision die bevorzugte Einrichtung zur Schätzung von Flächen-, Linien- und Punktquellen aus einer kombinierten Unsicherheits- und Kostenperspektive ist. Das hier betrachtete dichte Netzwerk (modelliert nach dem BEACO2N-Netzwerk mit einem angenommenen Abgleichfehler von 1 ppm bei einer stündlichen zeitlichen Auflösung) könnte wöchentliche CO2-Emissionen aus einer urbanen Region mit weniger als 5 % Fehler schätzen, basierend auf unserer Charakterisierung der kombinierten Beobachtungs- und Modellunsicherheit.