渤黃海區域漁船碳排放特征

魯 峰，徐 碩，李 丹，劉慧媛，朱 勇，崔國輝

渤黃海區域漁船碳排放特征

魯 峰1,2，徐 碩1,2※，李 丹1，劉慧媛1，朱 勇1，崔國輝1

（1. 中國水產科學研究院漁業工程研究所，北京 100141；2. 嶗山實驗室，青島 266237 ）

漁船二氧化碳排放是全球溫室氣體排放評估中通常被忽視的領域，對全球變暖過程具有不可忽略的驅動作用。渤黃海是中國重要的海上糧倉和生態環境治理區域，查明渤黃海漁船生產作業過程對溫室氣體排放貢獻較大的環節，對區域碳循環研究、碳排放管理及減排降碳措施制定具有重要意義。為探明渤黃海區域海洋漁船二氧化碳排放的時空變化特征，揭示漁業生產活動對氣候變暖的影響程度，該研究基于2020和2021年的海量漁船管理及動態船位數據，提取了航段位移、航段內漁船航速、發動機負荷因子、排放因子等狀態參數，構建了漁船二氧化碳排放動態計算模型，分析了渤黃海區域9種作業類型漁船的二氧化碳排放強度，給出了漁船年度及月度排放的空間分布特征。結果表明：1）渤黃海區域各類機動漁船在2020和2021年的二氧化碳排放總量分別為450萬和945萬t，總體呈現出近岸低、外海高的分布特征，熱點區域主要分布在渤海灣漁場、灤河口漁場、海東漁場、煙威漁場、石島漁場、石東漁場、海州灣漁場及大沙漁場。2）拖網和刺網漁船是二氧化碳年度累計排放的主要貢獻者，但就單船單位航行時長二氧化碳排放量而言，輔助船最高，圍網漁船次之。3）不同年份相同月份的漁船二氧化碳排放空間分布呈現出一定的相似性，伏季休漁期開始前強碳源主要出現在黃海中南部區域，休漁期結束后強碳源主要出現渤海中部、山東半島東部以及黃海中部海域一帶，年度內漁船二氧化碳排放重心總體上是由沿岸海域向中部開闊海域方向擴散。該研究通過漁船動靜態異質數據推演二氧化碳的時空變化，對評估漁業生產所引起的氣候效應具有理論指導作用。

二氧化碳排放；捕撈漁船；數據挖掘；溫室氣體；氣候變暖

0 引 言

工業化以來，人類生產和生活所排放的各類溫室氣體，特別是化石燃料燃燒產生的二氧化碳，使得大氣層中的溫室氣體濃度逐漸上升，由此導致的氣候變化打破了地球固有的內在平衡，已嚴重威脅到了全球生態系統、人類健康以及世界經濟發展[1-2]。農業生產過程所排放的溫室氣體，已成為全球變暖的一個重要且不斷增長的驅動因素[3-5]。海洋漁業作為中國農業的重要組成部分，是水產品供給的重要來源[6]，其對氣候變化的影響主要來自漁船柴油燃燒產生的二氧化碳等溫室氣體[7]，中國是海洋漁業大國，截至2020年已擁有作業頻次高、活動區域廣、污染排放大的各類捕撈機動漁船52萬余艘[8]，約占全球漁船總數的12%。通過開展漁船二氧化碳排放評估研究，建立高分辨精準化的漁船碳排放計算方法，將有助于準確把握漁業生產所帶來的氣候變化影響，對遏制全球變暖進程、制定漁業碳排放控制措施以及保護海洋生態環境等具有重要的指導意義，同時為中國實現“碳達峰”“碳中和”等目標提供漁業領域的量化參考依據。

船舶動態監控系統能夠提供船舶位置、航速、航向、功率等信息[9]，已被證實是計算船舶二氧化碳排放的一種行之有效的工具[10-12]。Parker等[13]基于船舶能源消耗數據估算了1990—2011年全球漁業船隊的燃料投入和溫室氣體排放值，計算顯示2011年全球海洋漁船共消耗了400億升燃料，產生了1.79億t二氧化碳當量的溫室氣體，占全球食物生產排放量的4%。Weng等[14]基于船舶動態位置數據建立了碳排放計算模型，用于估算2014年長江口通行船舶碳排放的分布特征，結果表明船舶二氧化碳排放共181.8萬t[15]，存在顯著的時空差異性。Moreno- Gutiérrez等基于船舶航行實時功率數據，構建了基于能源消耗效率的碳排放計算模型，并針對四艘在直布羅陀海峽上作業的船舶進行了測試驗證，結果表明每消耗1 g燃油最大可排放6 384 g的二氧化碳。Kramel等[16]基于45 891艘運輸船的技術規格參數和動態船位信息，同時考慮了風和海浪對船舶性能的影響，構建了海上船舶運輸環境評估模型，計算出2017年全球運輸船的二氧化碳排放量為9.43億t，且燃料類型、天氣因素和交通繁忙狀況是影響排放熱點分布的主要因素。Wang等[17]利用單條船舶軌跡數據及深度學習算法來預測船舶二氧化碳排放，該模型對于船舶時空數據分析具有較好的預測性能。Sun等[18]利用回歸、支持向量機、梯度提升和神經網絡四種方法來預測船舶碳排放量，結果表明梯度提升算法表現出最好的預測性能。王征等[19]基于船舶位置及航速等數據，采用動力法計算了2014年中國近海區域商船的碳排放情況，結果表明商船活動一年產生的二氧化碳排放總量約為5 384.82萬t，排放密集區主要集中在港口區域。陳偉杰等[20]基于漁船歷史軌跡數據和船舶檔案數據，利用船舶運輸排放評估模型計算了中國11個港口共計4 280艘裝箱船的碳排放情況，結果顯示2018年集裝箱船二氧化碳排放共計213.35萬t，船舶靠港錨泊過程中的二氧化碳排放占比較高，占總碳排放量的65.8%。Fan等[21]針對不同類型的船舶燃料消耗模型，分析了其優缺點和提高精度的方法，可為船舶能效提升和碳排放預測研究提供參考。邱浩等[22]利用船舶監測系統分析了東海沿岸船舶排放的分布特征，并指出船舶碳排放與船舶航速具有顯著的相關性。汪承杰等[23]基于船舶自動識別系統監測數據，采用基于功率的動力法估算出2018年大連海域客船、散貨船、油船等船舶共排放了254.63萬t二氧化碳，且客船、散貨船、油船和多用途船的排放占比較大。Zhou等[24]提出了一種內河船舶水平航行排放模型，分析了長江中下游內河船舶的排放特性及影響因素。

綜上所述，諸多學者針對商船、客船、運輸船等船舶建立了碳排放計算模型，用于評估船舶的二氧化碳排放量及分布特征。然而，由于數據規模限制，目前在船舶溫室氣體排放評估研究中，鮮有學者針對漁船碳排放分布情況開展精細化的建模與定量評估計算。因此，本文根據漁船活動軌跡、航行速度、發動機載荷以及燃料消耗等因素的變化情況，構建漁船二氧化碳排放精細化計算模型，進而評估渤黃海區域活動漁船的二氧化碳排放強度與時空分布特征，給出漁業碳排放量在全球各行業中所占據的份額，以期為漁業向綠色低碳轉型提供理論計算依據，從而實現漁業“知碳、管碳、降碳”的完整閉環。

1 數據與方法

1.1 數據來源與處理

渤黃海北起遼東灣，南至長江口，聯通環渤海城市群和山東半島城市群，是中國重要的海洋區域，同時也是中國傳統的海上糧倉，廣布各類機動漁船。本文使用的渤黃海區域漁船動態船位數據來自全國漁船漁港動態監控管理系統異地容災備份中心（www.vmscenter.com），數據時間跨度為2020年1月1日至2022年1月1日，空間范圍選定117.5°～127.5°E、31°～41°N的渤海和黃海區域，共包含1 580 506 917條動態漁船位置數據，平均報位時間間隔為3 min。漁船靜態基礎數據來自中國漁政管理指揮系統（www.yyyzgl.moa.gov.cn/cnfai），系統在渤黃海區域收錄的漁船數量共計47 375艘，漁業船舶類型及數量如表1所示。其中未知作業類型是由于系統中缺失屬性信息，無法按照作業類型進行統計。其他類型漁業船舶包括耙刺、陷阱、籠壺、敷網、掩罩、抄網、地拉網及漁政船等，由于數量極少故一并統計。漁船動態船位數據記錄包括船名、MMSI編碼（漁船水上移動通信業務標識碼）、經度、緯度、航速、航向、時間等屬性，漁船基礎靜態數據記錄包括船名、MMSI編碼、主機功率、作業類型、最大航速、所屬省份等屬性。利用MMSI編碼將漁船動態數據集與靜態數據集進行匹配與重構，形成可供計算直接使用的輸入數據集。對于系統中存在部分數據項缺失的情況，需要查詢底層數據庫進行補全。

表1 渤黃海區域漁船類型及數量

1.2 基于漁船軌跡的碳排放計算模型

漁船動態軌跡數據是通過對漁船運動過程進行連續報位采樣所獲得的數據，是基于時間和空間的漁船位置點序列。當漁船處于活動狀態時，主推進發動機、輔助發動機和鍋爐進入工作狀態，由于鍋爐能耗較小，且數據較難獲取，本文暫不考慮鍋爐的碳排放量，僅考慮主機和輔機的碳排放量。圖1為基于單艘漁船軌跡數據的碳排放計算示意圖。假設第條漁船在某一時間段的報位點序列為（P,0,P,1,P,2, …,P,j…,P,mi），共計m+1個航段，將第艘漁船在第個航段（即從位置P,j-1運動到P,j）的碳排放量記為e,j，則e,j可表示為功率、平均速度和航行時間的函數[25]，第漁船主機和輔機在航段的碳排放量e?,j和?,j可采用下式計算

式中p?和?分別為第艘漁船主機和輔機的功率，W（可通過中國漁政管理指揮系統中查詢得到）；L,a和L,b分別為第艘漁船主機和輔機的負荷因子；t,j為第艘漁船在第個航段的航行時間，h；F?和?分別為第艘漁船主機和輔機的排放因子；A?和?分別為第艘漁船主機和輔機的排放因子修正系數。

漁船在航行過程中，若發動機負荷超過20%，其排放因子可視為一定值，若發動機負荷不足20%，由于發動機燃料燃燒效率降低，需引入修正系數對排放因子進行修正。具體計算過程中，主機修正因子A?取值可根據文獻[26]進行動態調整，漁船配備的輔機一般運行載荷較高，故修正系數?可取值為1。主機負荷因子L,a與漁船航速的三次方成正比[27]，可通過下式計算：

式中max為漁船最大航速，m/s；v,j為第艘漁船在第個航段的平均速度，m/s。根據漁船軌跡序列，v,j和t,j可表示如下

式中l,j為航段出發位置點P,j-1至航段到達位置點P,j的地球表面距離，m?？赏ㄟ^經緯度坐標計算得到[28]，如下式：

式中為地球赤道半徑，即6 378 km；(x,j-1-,y,j-1)和(x,j-,y,j)分別為點P,j-1和點P,j的經緯度坐標。輔機負荷因子L,b與漁船類型和航行狀態密切相關，在不同航行狀態下負荷因子區別較大，具體計算過程中，可根據文獻[29]進行動態調整。排放因子F?和?可根據文獻[30]進行確定。

由式（1）～（6）得到航段碳排放量e,j的表達式為

對第艘漁船在一段時間內的所有航段碳排放量進行相加，即可得到該漁船在航行過程中的碳排放量，如下式

若漁船總數量為，則研究區域內所有漁船在一段時間的碳排放總量可表示為

將式（7）代入式（9）可得

式（10）為計算全部漁船二氧化碳排放總量的最終計算式，通過編制程序完成所有軌跡節點的計算，圖1給出了漁船碳排放計算模型示意圖，模型共包括數據預處理、漁船特性參數提取、漁船活動狀態參數計算和排放結果輸出四部分內容。數據預處理部分通過查詢全國漁船漁港動態監控管理系統異地容災備份中心的漁船動態船位數據庫，輸出指定時間范圍內所有漁船的動態船位數據元組，同時輸出所有活躍漁船清單，數據元組包括經緯度坐標、船名、航速、航向、報位時間等屬性。將漁船按照MMSI碼進行分組，使每一艘漁船對應一組船位數據，并將該組船位數據按照時間順序排列得到漁船軌跡。由于漁船動態船位數據庫中缺少漁船基礎參數信息，故需結合中國漁政管理指揮系統的漁船靜態基礎數據庫，通過匹配兩個數據庫的MMSI碼，將功率、作業類型、最大航速等數據項映射到相應的漁船動態船位數據元組中，制作所有活躍漁船的靜態基礎數據表作為計算輸入數據集；漁船特性參數提取部分通過逐行處理每艘漁船對應的船位數據，將相鄰的兩條船位數據構成一個航段，從而逐行提取計算所需的漁船動態及靜態輸入參數；漁船活動狀態參數計算部分利用輸入參數，依次計算航段位移、航段內漁船航速、發動機負荷因子、排放因子等狀態參數；排放結果輸出部分首先通過式（7）依次計算所有航段的碳排放值，將各航段碳排放值賦值給到達位置點坐標，將軌跡起始點坐標得碳排放賦值為0，并按坐標生成全國近海漁船碳排放動態分布格局。然后通過式（8）計算每艘漁船軌跡對應的漁船碳排放分布。最后按照式（10）計算所有漁船對應的碳排放總體分布，采用對研究區域進行網格劃分的方法，計算網格內漁船排放統計的時空分布特征，進而識別各區域的漁船二氧化碳排放強度。

圖1 漁船二氧化碳排放計算模型

1.3 計算結果處理方法

采用網格插值方法對模型生成的計算結果文件進行二次處理，通過將覆蓋全部軌跡的渤黃海區域劃分為40×40個精度為1/4°的正方形網格，繼而將計算得到的1 324 066 173條排放點數據疊加到網格中。定義網格矩陣為Matrix[,]，其中和分別為行號和列號。逐行讀取計算結果文件數據，提取經緯度坐標信息，并根據式（11）計算該坐標對應的二維矩陣數組值，從而將該坐標點映射到對應的網格中，同時依次將每行數據的碳排放值疊加到對應的網格中去，生成區域排放量網格數據，實現區域漁船碳排放的精細化定量計算。

式中()和()分別表示坐標(,)對應的經度和緯度；(,)表示坐標(,)對應的碳排放值，t；()是小數進位取整函數；為網格總數量。

為對比呈現各類型漁船碳排放強度的差異，對式（10）中的漁船碳排放總量數據進行歸一化處理。針對不同作業類型的漁船，通過式（12）計算得到每種作業類型漁船的總體二氧化碳排放量，繼而采用式（13）計算得到平均每艘漁船每天活動所產生的二氧化碳排放量（即單位漁船的日均二氧化碳排放量）。

式中E為第種作業類型的漁船二氧化碳排放總量，t；e為第種作業類型的單位漁船日均二氧化碳排放量，t；N為第種作業類型漁船的數量，艘。通過疊加不同作業類型漁船各軌跡航段的航行時間，得到各類型漁船的航行總時長如式（14）所示，同時采用式（15）對進行歸一化處理得到各種作業類型的單位漁船日均航行時間。

式中t為第種作業類型的單位漁船日均航行時長，h；T為第種作業類型漁船的航行總時長，h。則通過式（16）即可計算單位漁船在單位航行時間內的二氧化碳排放量avg，本文將式（16）作為評價各類型漁船二氧化碳排放能力的一項指標。

2 結果與分析

2.1 漁船二氧化碳總體排放分布特征

通過對遼寧、河北、天津、山東及江蘇五個沿海省份數據庫所有船位數據進行遍歷計算，得到渤黃海區域各類機動漁船在2020和2021年的二氧化碳排放總量分別為450萬t和945萬t。圖2給出了2020、2021年渤黃海區域各類漁船二氧化碳累計總排放分布，由圖可見，漁船二氧化碳排放空間幾乎覆蓋渤黃海絕大部分海域，2020年與2021年的高值區域分布表現出一定的相似性，但各年的空間分布存在顯著差異，近岸二氧化碳排放值普遍低于外海，呈現出近岸高值區分散、外海高值區密集的特點。計算結果表明，2020及2021年二氧化碳累計排放高值區主要分布于渤海灣、萊州灣、渤海中部、山東半島東部海域、山東省石島南部海域、遼寧省丹東南部海域、海州灣至南黃海東南部一帶海域。同時，二氧化碳累計排放高的區域意味著漁船作業活動較為頻繁，因此根據漁船二氧化碳排放分布情況可以推斷，渤黃海區域漁船作業最活躍的漁場主要有渤海灣漁場、灤河口漁場、海東漁場、煙威漁場、石島漁場、石東漁場、海州灣漁場及大沙漁場。根據2020及2021年全國海洋捕撈產量統計結果，渤黃海區域的捕撈總產量分別為2 870 797和2 885 616 t[8]，由此可知，2020和2021年每捕撈1 t漁獲物排出的二氧化碳量分別是1.57和3.27 t。

2.2 不同類型漁船的二氧化碳年度累計排放

針對2020—2021年渤黃海區域的漁船動靜態數據，采用漁船軌跡碳排放計算模型得到不同維度漁船二氧化碳排放結果對比如圖3所示。圖3a分別給出了拖網漁船、刺網漁船、張網漁船、圍網漁船、釣具漁船、養殖船、輔助船、未知類型漁業船舶以及其他類型漁業船舶的年度總體二氧化碳排放量對比情況，由圖可知總排放量明顯呈現四個量值梯隊。拖網漁船和刺網漁船屬于第一梯隊（2020年分別為158.69萬、168.11萬t，2021年分別為343.00萬、335.16萬t），且明顯高于其余類型漁船的排放量，約占據總排放量的72%。張網漁船、輔助船和未知類型漁船屬于第二梯隊（2020年分別為26.79萬、26.73萬和53.63萬t，2021年分別為60.27萬、76.04萬和74.70萬t），圍網漁船、養殖船和其他類型漁船屬于第三梯隊（2020年分別為3.46萬、5.47萬和6.78萬t，2021年分別為17.47萬、15.45萬和19.69萬t），釣具漁船屬于第四梯隊（2020年為0.31萬t，2021年為3.2萬t）?？梢?，拖網和刺網兩種作業類型是海洋機動漁船捕撈作業中二氧化碳排放的主要產生源，占所有漁業船舶排放總量的70%以上。為衡量漁船個體的二氧化碳排放情況，采用式（13）計算得到單位漁船的日均二氧化碳排放量，如圖3b所示，將數據按照每日進行均值化處理后，2020年的單艘張網漁船及2021年的單艘圍網漁船排放量反而最高，超過了當年拖網和刺網漁船的日均排放量?？紤]到漁船每日的航行狀態并不連續，圖3b并不能準確反應漁船的排放能力，因此需采用式（14）計算出各類型漁船的年度航行總時長，并采用式（15）進一步計算得到單位漁船的日均航行時長，如圖3c和圖3d所示?？芍叹W漁船的年度航行總時長最大，拖網漁船次之，兩者約占據了所有漁船年度航行總時長的70%，同時受到疫情的影響，2020年所有漁船的航行總時長比2021年的少了一倍。將數據進行日均值化處理后可知，各類型漁船的日均航行時長相差較大，這說明航行時長是反應漁船排放能力不可忽略的一項重要因素。

圖3e是根據表1繪制的各類型漁船數量對比圖，由于部分漁船在系統中缺少類型信息，致使未知類型的漁船數量占據了一定的比例。根據式（16）得到單位漁船在單位航行時間內的二氧化碳排放量如圖3f所示，拖網和刺網雖然總排放高，但經過歸一化處理后，各類型漁船二氧化碳排放能力大小排序為：2020年輔助船>圍網漁船>張網漁船>釣具漁船>其他類型漁船>刺網漁船>拖網漁船>未知類型漁船>養殖船，2021年輔助船>圍網漁船>其他類型漁船>張網漁船>拖網漁船>刺網漁船>未知類型漁船>釣具漁船>養殖船。值得注意的是，刺網和拖網漁船的數量、二氧化碳總排放量及航行時長雖遠超于其他類型漁船的相應數值，但其二氧化碳排放能力尚不及輔助船排放能力的一半，圍網漁船排放能力僅次于輔助船居第二。拖網、刺網、張網、圍網、輔助及未知類型漁船的2020及2021年單船單位航行時長二氧化碳排放量十分接近，而釣具、養殖及其他類型漁船的相差較大。

圖3 渤黃海區域不同年度不同類型漁船航行時間及二氧化碳排放

2.3 不同類型漁船二氧化碳排放月際變化特征

針對計算程序生成的2020—2021年各類型漁船二氧化碳排放結果數據集，逐月匯總數據集中各軌跡點對應的排放值，得到的不同類型漁船的月度二氧化碳排放曲線如圖4所示。由圖可見，漁船的二氧化碳排放值在伏季休漁期開始前（1—4月）、休漁期間（5—8月）以及休漁期結束后（9—12月）三個時間段表現出了明顯的差異性。在2020年，除其他類型漁船的排放峰值出現在3—4月，其余所有類型的排放峰值均出現在9—12月。拖網漁船的排放峰值出現在12月，為38.83萬t，而刺網漁船的排放峰值出現在10月，為31.83萬t。在2021年，拖網漁船、刺網漁船、圍網漁船、釣具漁船、養殖船和其他類型漁船的排放峰值出現在9—12月，張網漁船、輔助船和未知作業類型漁船的排放峰值出現在3—4月出現峰值。拖網和刺網漁船均在10月份表現為強碳源，其中拖網漁船在10月的排放峰值僅次于刺網漁船，達80.67萬t，刺網漁船在10月的排放值最大，高達83.92萬t。拖網漁船和刺網漁船不同年份的變化趨勢具有較強的一致性。漁船的二氧化碳排放強度與其活躍程度具有正相關性，由于受春節和伏季休漁制度的影響，所有類型漁船在2月及5—8月期間均呈現低值狀態，而在9—12月期間活躍程度明顯增強，僅此4個月的排放量就超過了全年的三分之二。

圖4 不同類型漁船月度二氧化碳排放曲線

圖5給出了渤黃海區域2020—2021年各類型漁船在同一月份的二氧化碳排放值疊加結果，可見各年月度排放最高值均出現在10月，分別為89.34和193.02萬t。盡管受到新冠疫情的影響，2020年各月度排放量相當于2021年的一半，但總體變化趨勢呈現出較強的相似性，拖網和刺網漁船的排放量在各月中都占據較大的比重。不同年份不同月份的熱點分布區域均存在一定差異，但總體上可劃分為1—4月、5—8月、9—12月三個階段。伏季休漁期結束后的排放強度明顯高于開始前，這可能是由于渤黃海區域在冬季和春季較低的氣溫影響了漁船的活躍程度。值得注意的是，26.5°N～35°N黃海和東海海域的刺網休漁時間為5月1日至8月1日，而拖網等作業類型的休漁期限截至9月16日，故8月份刺網漁船結束休漁并恢復生產，其排放量在伏季休漁期間最高。可見，漁船二氧化碳排放分布格局的變動在很大程度上也反映了漁船活躍強度的變動特征，而引起這種變化的原因是多方面的，如漁場動態分布、船隊作業習慣、海洋環境因素、管理政策因素以及氣候變化等。

考慮到漁船二氧化碳月度排放具有明顯的“三階段”特征，各階段的熱點分布均表現出一定的相似性，故選取每年度4月、8月、12月作為各階段代表，通過疊加排放結果數據集，繪制漁船二氧化碳月度累計排放分布圖，如圖6所示。

圖5 渤黃海區域漁船月度二氧化碳排放量對比

圖6 渤黃海區域2020—2021年漁船二氧化碳月際累計排放分布

由圖6可知，漁船月度二氧化碳排放分布呈現出明顯的時空變化特征，同時也表現出一定的空間集聚特征。各年度1—4月的熱點主要集中在黃海中南部區域，其中南黃海存在一條由海州灣向東南延伸至東海的帶狀高值區，而北黃海和渤海排放分布較為稀疏，這可能與冬季和春季的氣溫較低有關。5—8月進入伏季休漁期，大多數漁船被禁止出海作業，因此外海區域幾乎無排放分布，直至8月刺網漁船結束休漁，其排放熱點區域沿海州灣至南黃海西南部呈現弧形帶狀分布。9—12月伏季休漁期結束，排放分布區域幾乎覆蓋渤黃海大部分海域，熱點區域呈現團塊狀聚集分布，渤海中部、山東半島東部以及黃海中部海域一帶表現為強碳源。總體上看，不同年份相同月份的排放分布情況及高值區分布情況呈現出一定的相似性，受到新冠疫情的影響，2020年的排放強度及分布密集程度不及2021年。

3 討 論

根據區域的時空變化差異，將黃海的排放結果分為北黃海和南黃海分別討論。伏季休漁期前，漁船二氧化碳排放高值區主要集中在南黃海區域，呈現出明顯的北低南高的緯度差異。休漁結束后，排放熱點分布總體變化趨勢表現為由近岸向外海方向移動。在南黃海區域，9月的高值區主要分布在山東半島南部至中韓漁業協定水域西邊界一帶海域，從10月開始高值區逐漸離開近岸海域并向東南移動，12月到達協定水域內部，幾乎遍布南黃海中部的開闊海域。在北黃海區域，9月的高值區主要分布在山東半島東部及北部近岸海域，10月開始由近岸向北黃海中部移動，隨后幾乎遍布北黃海海域。而渤海區域1—8月幾乎無排放分布，這主要是與渤海的漁業資源保護管理較嚴格有關，9—10月渤海區域的排放熱點主要分布在渤海灣及黃河入?？谥苓吔逗Ｓ颍?0—11月逐漸由近岸向渤海中部移動。因此，不論是渤海還是黃海，從秋季開始漁船的二氧化碳排放重心總體上是由沿岸海域向中部開闊海域方向擴散，這可能是由于秋季多數魚類多處于索餌洄游階段[31]，同時經過伏季休漁期后秋季的漁業資源量顯著增加，致使漁場分布較其他季節更為分散。

氣候變化是一個緊迫的全球問題，溫室氣體排放量的增加已成為阻礙全球社會和經濟發展的嚴重問題，農業行業已成為溫室氣體排放的貢獻者之一[32]，根據已有研究結果，2021年中國農業生產過程（不含漁業）引起的二氧化碳排放量為6 847萬 t，且平均年增長率達到2.93%[33]。漁船活動引起的氣候變化效應表現為兩個方面，一是漁船航行排放的二氧化碳能使大氣變暖，二是漁業捕撈降低了海洋生物的碳封存能力，進一步間接增加了釋放到大氣中的二氧化碳。漁業生產過程主要包括水產養殖和海洋漁船捕撈兩種形式，在不考慮水產養殖業碳排放的前提下，僅渤黃海區域39 626艘漁船在2021年的二氧化碳排放量就已達到945萬t，相當于農業二氧化碳排放量的14%，若加入東海和南海區域的漁船，整個海洋捕撈業的二氧化碳排放量將在農業行業中占據相當的份額，因此漁業的碳排放量目前處于被嚴重低估的狀態?？梢源致怨浪悖雌骄凰覞O船年度排放238.48t二氧化碳進行測算，則中國擁有的52萬艘漁船在2021年的二氧化碳排放量約為1.24億t。根據聯合國糧食及農業組織（Food and Agriculture Organization of the United Nations，FAO）統計數據，2021年全球漁船總數量為420萬艘[34]，可推測2021年全球漁船的二氧化碳排放總量約為10億t。同時，2021年全球二氧化碳排放量為363 億t[35]，這樣，全球漁船的二氧化碳排放量占全行業的2.75%。盡管如此，由于實際存在的漁船數量遠超過數據庫中存儲的漁船數量，故本研究得到的漁船二氧化碳排放量仍低于實際情況。可見就氣候影響而言，漁業活動所產生的溫室氣體排放力度已不容小覷，應該予以足夠的重視并采取相應的減排措施，如加強清潔能源在刺網和拖網漁船上的推廣應用[36]、改善動力能源結構[37]、開發船載碳捕集裝置[38]、推進減船轉產政策以削減漁船數量[39]、強化熱點區域的碳排放優化管理[40]等，漁業產業向綠色低碳轉型迫在眉睫。當前，中國漁船碳排放呈增長趨勢，且存在明顯的空間差異性，因此需結合中國碳排放的空間特征，因地制宜地制定合理的降碳減排政策。

4 結論及政策建議

本文構建了漁船二氧化碳排放精細化計算模型，結合漁船靜態管理及動態船位數據，計算分析了渤黃海區域的二氧化碳排放強度與時空分布特征，并將漁船的二氧化碳排放情況分成9種作業類型進行討論，同時給出了不同月份漁船二氧化碳排放的空間分布規律，具體結論如下：

1）渤黃海區域各類機動漁船在2020和2021年的二氧化碳排放總量分別為450萬和945萬t，總體呈現出近岸低、外海高的分布特征。

2）拖網和刺網漁船是二氧化碳年度累計排放的主要貢獻者，但就單船單位航行時長二氧化碳排放量而言，輔助船最高，圍網漁船次之。

3）不同年份相同月份的漁船二氧化碳排放空間分布呈現出一定的相似性，伏季休漁期開始前強碳源主要出現在黃海中南部區域，休漁期結束后強碳源主要出現渤海中部、山東半島東部以及黃海中部海域一帶，年度內漁船二氧化碳排放重心總體上是由沿岸海域向中部開闊海域方向擴散。

研究結果表明，全球漁船的二氧化碳排放量存在被嚴重低估的情況，就氣候影響而言，漁業活動所產生的溫室氣體排放力度已不容小覷，漁業產業向綠色低碳轉型迫在眉睫，應該予以足夠的重視并采取相應的減排措施。

基于以上研究結論，為有效控制并減少漁業碳排放總量，本文提出降低中國漁船碳排放的對策建議。一是針對海洋捕撈機動漁船基數大的問題，應持續推進漁船減船轉產及限額捕撈等政策的實施，有效壓減海洋漁船數量和捕撈產量，以綠色高效的水產養殖方式替代傳統捕撈生產作業方式；二是重點針對刺網和拖網碳排放總量大、能耗高的問題，應加快改進漁船動力提供系統，鑒于拖網和刺網漁船是二氧化碳排放的主要產生源，排放總量占比超過70%，應重點針對刺網和拖網漁船進行清潔能源化改造，以電力推進動力系統替代傳統燃油驅動方式，調整能源消耗結構，減少二氧化碳排放。對于不易進行清潔化改造的漁船，應加強碳捕集裝置、低能耗船載設備的推廣應用，同時優化船型結構，提高漁船綜合節能效率，從而間接減少二氧化碳排放；三是根據渤黃海區域碳排放的空間分布和熱點集聚狀態，應重點加強在渤海灣漁場、灤河口漁場、海東漁場、煙威漁場、石島漁場、石東漁場、海州灣漁場及大沙漁場作業漁船的碳排放監測與管理，結合不同漁場的碳排放水平與碳排放差異，制定不同的碳排放配額，并將碳排放配額納入捕撈許可制度和燃油補貼制度，從政策和經濟兩方面來倒逼漁船向綠色低碳轉型，從而緩解熱點區域的碳排放壓力。

[1] Sala E, Mayorga J, Bradley D, et al. Protecting the global ocean for biodiversity, food and climate[J]. Nature, 2021, 592: 397-402.

[2] Zurek M, Hebinck A, Selomane O. Climate change and the urgency to transform food systems[J]. Science, 2022, 376(6600): 1416-1421.

[3] Laborde D, Mamun A, Martin W, et al. Agricultural subsidies and global greenhouse gas emissions[J]. Nature Communications, 2021, 12: 2601.

[4] 汪開英，李鑫，陸建定，等. 碳中和目標下畜牧業低碳發展路徑[J]. 農業工程學報，2022，38(1)：230-238.

Wang Kaiying, Li Xin, Lu Jianding, et al. Low-carbon development strategies of livestock industry to achieve goal of carbon neutrality in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(1): 230-238. (in Chinese with English abstract)

[5] Herrero M, Henderson B, Havlík P, et al. Greenhouse gas mitigation potentials in the livestock sector[J]. Nature Climate Change, 2016, 6: 452-461.

[6] Free C M, Cabral R B, Froehlich H E, et al. Expanding ocean food production under climate change[J]. Nature, 2022, 605: 490-496.

[7] McKuin B, Campbell J E. Emissions and climate forcing from global and Arctic fishing vessels[J]. Journal of Geophysical Research-Atmospheres, 2016, 121(4): 1844-1858.

[8] 農業農村部漁業漁政管理局，全國水產技術推廣總站，中國水產學會. 2022中國漁業統計年鑒[M]. 北京：中國農業出版社，2022.

[9] 楊勝龍，張勝茂，周為峰，等. 采用AIS計算中西太平洋延繩釣漁船捕撈努力量[J]. 農業工程學報，2020，36(3)：198-203.

Yang Shenglong, Zhang Shengmao, Zhou Weifeng, et al. Calculating the fishing effort of longline fishing vessel in the western and central pacific ocean using AIS[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(3): 198-203. (in Chinese with English abstract)

[10] Li C, Yuan Z, Ou J, et al. An AIS-based high-resolution ship emission inventory and its uncertainty in Pearl River Delta region, China[J]. Science of The Total Environment, 2016, 573: 1-10.

[11] 牟軍敏，張新生，姚鑫，等. 基于航行數據的北極地區船舶排放清單[J]. 交通運輸工程學報，2019，19(5)：116-124.

Mou Junmin, Zhang Xinsheng, Yao Xin, et al. Emission inventory of ship based on navigation data in Arctic region[J]. Journal of Traffic and Transportation Engineering, 2019, 19(5): 116-124. (in Chinese with English abstract)

[12] Huang L, Wen Y, Zhang Y, et al. Dynamic calculation of ship exhaust emissions based on real-time AIS data[J]. Transportation Research Part D: Transport and Environment, 2020, 80: 102277.

[13] Parker R W R, Blanchard J L, Gardner C, et al. Fuel use and greenhouse gas emissions of world fisheries[J]. Nature Climate Change, 2018, 8: 333-337.

[14] Weng J, Shi K, Gan X, et al. Ship emission estimation with high spatial-temporal resolution in the Yangtze River estuary using AIS data[J]. Journal of Cleaner Production, 2019, 248: 119297.

[15] Moreno-Gutiérrez J, Durán-Grados V. Calculating ships' real emissions of pollutants and greenhouse gases: Towards zero uncertainties[J]. Science of the Total Environment, 2021, 750: 141471.

[16] Kramel D, Muri H, Kim Y R, et al. Global shipping emissions from a well-to-wake perspective: The MariTEAM model[J]. Environmental Science & Technology, 2021, 55: 15040-15050.

[17] Wang Y, Watanabe D, Hirata E, et al. Real-time management of vessel carbon dioxide emissions based on automatic identification system database using deep learning[J]. Journal of Marine Science and Engineering, 2021, 9(8): 871.

[18] Sun Y, Lü L, Cai Y, et al. Prediction of black carbon in marine engines and correlation analysis of model characteristics based on multiple machine learning algorithms[J]. Environmental Science and Pollution Research, 2022, 29: 78509-78525.

[19] 王征，劉瑛，張衛，等. 中國周邊海域船舶二氧化碳排放特征研究[J]. 交通節能與環保，2018，14(6)：30-33.

Wang Zheng, Liu Ying, Zhang Wei, et al. Study on characteristics of ship CO2emissions from seas surrounding China[J]. Energy Conservation & Environmental Protection in Transportation, 2018, 14(6): 30-33. (in Chinese with English abstract)

[20] 陳偉杰，宋炳良，張婕姝. 基于AIS數據的中國沿海集裝箱港口碳排放[J]. 中國環境科學，2022，42(7)：3404-3411.

Chen Weijie, Song Bingliang, Zhang Jieshu. Carbon emission from coastal container ports in China based on AIS data[J]. China Environmental Science, 2022, 42(7): 3404-3411. (in Chinese with English abstract)

[21] Fan A, Yang J, Yang L, et al. A review of ship fuel consumption models[J]. Ocean Engineering, 2022, 264: 112405.

[22] 邱浩，劉丹彤，吳楊周，等. 結合在線監測和自動識別系統分析東海沿岸船舶排放特征[J]. 環境科學，2022，43(10)：4338-4347.

Qiu Hao, Liu Dantong, Wu Yangzhou, et al. Investigating the pollutants of marine shipping emissions along the east China sea by combining in-situ measurements and automatic identification system[J]. Environmental Science, 2022, 43(10): 4338-4347. (in Chinese with English abstract)

[23] 汪承杰，環久峰，張洪朋，等. 2018年大連海域船舶大氣污染物排放特征及影響分析[J]. 中國環境監測，2022，38(4)：165-173.

Wang Chengjie, Huan Jiufeng, Zhang Hongpeng, et al. Emission characteristics and impacts of air pollutants from ships in Dalian sea area in 2018[J]. Environmental Monitoring of China, 2022, 38(4): 165-173. (in Chinese with English abstract)

[24] Zhou C, Ding Y, Huang H, et al. Meso-level carbon dioxide emission model based on voyage for inland ships in the Yangtze River[J]. Science of the Total Environment, 2022, 838(3): 156271.

[25] Brown I N, Aldridge M F. Power models and average ship parameter effects on marine emissions inventories[J]. Journal of the Air & Waste Management Association, 2019, 69(6): 752-763.

[26] Singh D V, Pedersen E A. A review of waste heat recovery technologies for maritime applications[J]. Energy Conversion and Management, 2016, 111: 315-328.

[27] Berthelsen F H, Nielsenac U D. Prediction of ships’ speed-power relationship at speed intervals below the design speed[J]. Transportation Research Part D: Transport and Environment, 2021, 99: 102996.

[28] 裴凱洋，張勝茂，樊偉，等. 浙江省帆張網捕撈強度分布的提取方法[J]. 水產學報，2020，44(11)：1913-1925.

Pei Kaiyang, Zhang Shengmao, Fan Wei, et al. Extraction method of stow net fishing intensity distribution in Zhejiang province[J]. Journal of Fisheries of China, 2020, 44(11): 1913-1925. (in Chinese with English abstract)

[29] Huang L, Wen Y, Geng X, et al. Integrating multi-source maritime information to estimate ship exhaust emissions under wind, wave and current conditions[J]. Transportation Research Part D: Transport and Environment, 2018, 59: 148-159.

[30] Zhang F, Chen Y, Chen Q, et al. Real-world emission factors of gaseous and particulate pollutants from marine fishing boats and their total emissions in China[J]. Environmental Science & Technology, 2018, 52(8): 4910-4919.

[31] Mariani G, Cheung W, Lyet A, et al. Let more big fish sink: Fisheries prevent blue carbon sequestration-half in unprofitable areas[J]. Science Advances, 2020, 6(44): 4848.

[32] Elahi E, Khalid Z, Zhang Z. Understanding farmers’ intention and willingness to install renewable energy technology: A solution to reduce the environmental emissions of agriculture[J]. Applied Energy, 2022, 309: 118459.

[33] Zhang X, Wu L, Ma X, et al. Dynamic computable general equilibrium simulation of agricultural greenhouse gas emissions in China[J]. Journal of Cleaner Production, 2022, 345: 131122.

[34] Food and Agriculture Organization. The state of world fisheries and aquaculture 2022[R/OL]. Rome: FAO, 2022. [2022-08-25] www. lmcwater. org. cn/authoritative_opinion/ study/202207/P020220707777478035664. pdf

[35] International Energy Agency. Global energy review: CO2emissions in 2021[R/OL]. Paris: IEA Publications, 2022. [2022- 08-25] iea. blob. core. windows. net/assets/c3086240-732b-4f6a- 89d7-db01be018f5e/GlobalEnergyReviewCO2Emissionsin2021. pdf

[36] Kim J Y, Lee J H, Oh J H, et al. A comparative study on energy consumption forecast methods for electric propulsion ship[J]. Journal of Marine Science and Engineering, 2022, 10(1): 32.

[37] 康與寧，李向榮，薄大偉，等. TCD燃燒系統對柴油機燃燒和排放性能改善效果的試驗研究[J]. 農業工程學報，2021，37(11)：50-59.

Kang Yuning, Li Xiangrong, Bo Dawei, et al. Experimental study on the improvement effects of TCD combustion system on combustion and emission performance of diesel engine[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(11): 50-59. (in Chinese with English abstract)

[38] Langie K M G, Tak K, Kim C, et al. Toward economical application of carbon capture and utilization technology with near-zero carbon emission[J]. Nature Communications, 2022, 13: 7482.

[39] 孫康，趙艷娜，蘇子曉. 柴油補貼與漁民家庭轉產轉業：微觀證據及作用機制[J]. 農林經濟管理學報，2022，21(3)：342-251.

Sun Kang, Zhao Yanna, Su Zixiao. Diesel fuel subsidies and fishermen family careers change: microscopic evidence and action mechanism[J]. China Academic Journal Electronic Publishing House, 2022, 21(3): 342-251. (in Chinese with English abstract)

[40] Xia Z, Guo Z, Wang W, et al. Joint optimization of ship scheduling and speed reduction: A new strategy considering high transport efficiency and low carbon of ships in port[J]. Ocean Engineering, 2021, 233: 109224.

Carbon emissions from fishing vessels in the Bohai Sea and Yellow Sea

Lu Feng1,2, Xu Shuo1,2※, Li Dan1, Liu Huiyuan1, Zhu Yong1, Cui Guohui1

(1.,100141,; 2.,266237,)

The Bohai Sea and the Yellow Sea have been the essential marine granary and eco-environmental governance areas in China. Wherein the carbon dioxide emission from fishing vessels can be normally neglected to assess the global greenhouse gas (GHG). It is very necessary to identify the specific contribution of the productive fishing vessels to the GHG emission, in order to reduce the carbon emission for the carbon neutral. Taking the Bohai Sea and the Yellow Sea as the research areas, this study aims to explore the spatiotemporal characteristics of carbon dioxide emission from the fishing vessels. A dynamic calculation model of carbon dioxide emission from fishing vessels was established using vessel management and position data, in order to reveal the impact of fishery production activities on climate warming. Nine types of fishing vessels were also selected to analyze the carbon dioxide emissions intensity and spatiotemporal characteristics from 2020 to 2021. Results showed that: 1) The total carbon dioxide emissions of fishing vessels in Bohai Sea and the Yellow Sea were 4.5 and 9.45 million tons, respectively, indicating the distribution characteristics of low nearshore and high offshore. Hot spots were distributed mainly in the fishing ground of Bohai Bay, Luanhekou, Haidong, Yanwei, Shidao, Shidong, Haizhou Bay, and Daisha. Every ton of fishing catches emitted approximately 1.57 and 3.27 t of carbon dioxide, respectively, when considering the yield data. 2) Trawler and gillnet fishing vessels were the main contributors to the total carbon dioxide emissions, accounting for more than 70% of the total emissions from all fishing vessels. Among them, the auxiliary vessels were the highest, followed by the purse seiner vessels, in terms of emissions per vessel per unit sailing time. Carbon dioxide emissions per unit sailing time from the single vessel were similar to the trawler, gillnet, stow net, purse seine, auxiliary, and unknown types, whereas, there was the significant difference for the line, and aquaculture types. 3) There was the similar spatial distribution of carbon dioxide emissions from the fishing vessels in the same month in the different years. But the hot spots exhibited a strong spatial difference. Firstly, the hot spots occurred in the central and southern part of the Yellow Sea from January to April, where a high-value belt was extended the southeast from the Haizhou Bay to the East China Sea. Then, there was no carbon dioxide emission in the offshore area from May to August. Eventually, the hot spots were shifted to the central Bohai Sea, the eastern Shandong Peninsula, and the central Yellow Sea from September to December. In general, the center of gravity of carbon dioxide emission from the fishing vessels was transferred from the coastal to the central open waters. The finding can provide a theoretical basis for the transformation of fisheries into the low carbon. Two suggestions were also proposed to reduce the carbon emissions of fishing vessels. One is to accelerate the transformation of fishery production and product formats, and another is to strengthen the carbon emission management of key fishing vessels and key areas. In the end, it can be expected to assess the carbon emission system for the fishing vessels.

carbon dioxide emissions; fishing vessel; data mining; greenhouse gas; climate warming

10.11975/j.issn.1002-6819.2022.24.019

S975

A

1002-6819(2022)-24-0169-11

魯峰，徐碩，李丹，等. 渤黃海區域漁船碳排放特征[J]. 農業工程學報，2022，38(24)：169-179.doi：10.11975/j.issn.1002-6819.2022.24.019 http://www.tcsae.org

Lu Feng, Xu Shuo, Li Dan, et al. Carbon emissions from fishing vessels in the Bohai Sea and Yellow Sea[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(24): 169-179. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.24.019 http://www.tcsae.org

2022-08-31

2022-12-08

嶗山實驗室科技創新項目（LSKJ202201800）；中國水產科學研究院中央級公益性科研院所基本科研業務費專項（2023HY-ZC004）

魯峰，副研究員，研究方向為漁業大數據挖掘。Email：lufeng@cafs.ac.cn

徐碩，副研究員，研究方向為計算機應用。Email：xush@cafs.ac.cn