通过对中国5个气候经济区（南京、沈阳、淄博、西安、广州）105座污水处理厂（WWTPs）开展系统的移动大气测量，建立了迄今最大规模的设施级CH₄排放因子（EF）数据库。研究发现，排放因子主要由有机负荷和浓度驱动。2003至2023年间，中国WWTPs的CH₄排放以每年12%的速度增长，2023年达到254±26 Gg CH₄/年。然而，污水处理厂的快速扩张降低了城市生活污水部门的平均排放因子，使总排放增长限制在32%。情景模拟表明，在当前技术条件下排放将在2040年左右达峰；部署低排放工艺和CH₄回收技术可使峰值提前15年，并削减2040年排放的23%。
1 科学问题
现有CH₄排放清单多采用固定排放因子，无法准确反映不同处理工艺（如AAO、AO、氧化沟等）和规模（大/小型厂）之间的实际排放差异。尽管已有少量基于大气测量的研究，但缺乏系统性的设施级EF预测模型，也难以从设施级外推至国家尺度。因此，如何基于实测数据建立可迁移的EF预测框架，并准确评估中国城市生活污水CH₄排放的历史演变与未来路径，是本研究的核心科学问题。
2 研究方案
研究团队于2023年11月至2024年12月，利用车载高精度痕量气体分析仪（LI-7810和Picarro G2301）对105座WWTPs进行下风向CH₄浓度断面测量，每个站点完成至少10次有效穿行。采用反高斯扩散模型结合气象数据（地面气象站及ERA5再分析资料）计算各厂的小时级CH₄排放速率（ER）和排放因子（ER归一化于COD去除通量）。收集21个潜在预测变量（包括COD去除通量、进水COD浓度、处理工艺、气温等），通过变量筛选和逐步回归建立广义线性模型（GLM），并采用嵌套五折交叉验证和SHAP分析识别关键驱动因子。在此基础上，整合2003-2023年全国设施级活动数据（COD处理量、处理工艺、规模分布）和IPCC方法，重构历史排放；结合SSP-RCP情景（SSP1-RCP2.6、SSP2-RCP4.5、SSP3-RCP7.0、SSP5-RCP8.5）预估至2060年的未来排放轨迹。
3 结论
排放因子变异性与关键驱动因素：105座厂的EF范围为0.07×10⁻²至0.11 kg CH₄/kg COD，中位数为1.12×10⁻² kg CH₄/kg COD。SHAP分析表明，COD去除通量（CODf）和进水COD浓度（CODc）是最主要的影响变量，其次为处理工艺类型和气温。大型厂（处理能力≥60,000 m³/天）的平均EF仅为小型厂（<60,000 m³/天）的28%。AAO工艺的EF显著低于AO、AAO-MBR及“其他”工艺。
历史排放演变：2007至2019年，中国城市WWTPs的CH₄排放从58.8±6.0 Gg/年增长至243.7±24.8 Gg/年，增长约4倍。2003-2023年间整体年增长率为12%（11%-12%），其中2012-2019年贡献了54%的总增量。尽管COD生成量增长3.1倍，但由于集中式WWTPs占比提升和EF下降，城市生活污水CH₄总排放仅增长32%，人均排放从0.7 kg/人/年降至0.5 kg/人/年，约为美国人均排放的30%-40%。
未来情景与减排潜力：基准情景（SSP2-RCP4.5）下，排放将于2040年左右达峰（545 Gg/年）。若采用低EF处理工艺和CH₄回收技术（最高可减少30%的EF），在SSP1-RCP2.6情景下排放峰值可提前至2025年前，且2040年排放较基准减少23%。SSP5-RCP8.5情景因强化CH₄回收，2045年后下降更显著；而SSP3情景因经济发展受限、处理技术升级缓慢，排放居高不下。
不足与展望：本研究未对分散处理设施（如化粪池）和直排废水进行直接测量，其排放基于IPCC默认值估算，存在不确定性（蒙特卡洛分析给出约10.2±2.4%的95%置信区间）。此外，农村地区因处理覆盖率数据稀疏、EF缺失，估算不确定性更大。未来应部署连续排放监测系统（CEMS）并融合人工智能/机器学习算法，实现动态高分辨率的EF预测。同时需加速农村及欠发达地区污水处理设施建设，推广沼气回收技术，以实现CH₄减排与碳中和目标协同。
