學術前沿 |【ESE】深度脫氮如何推高碳排放，40,722座污水處理廠給出因果證據

前沿視野，學術共享

本期為您轉載自卓越期刊Environmental Science and Ecotechnology（ESE）的研究成果。該刊是由中國環境科學學會、哈爾濱工業大學、中國環境科學研究院聯合主辦，Elsevier 出版的開放獲取國際學術期刊，位列中科院一區，最新影響因子14.3，重點刊發全球環境熱點與生態技術創新。以下為精選全文，供行業參考。

論文的視頻解讀由NotebookLM AI智能生成，內容僅供參考，具體研究請查閱原文。

導語

污水處理廠是城市公共衛生和水環境保護的重要基礎設施。它們削減有機物、氮磷和懸浮物排放，支撐河湖水質改善和城市安全運行；但污水處理并非零碳過程。曝氣、泵送等環節需要消耗電力，藥劑使用和污泥處理處置會帶來間接排放，生物反應過程還可能釋放N2O和CH4等溫室氣體。

隨著污水排放標準不斷收嚴，處理系統往往需要更深度的氮去除、更高強度的曝氣、更大量的外加碳源和更復雜的污泥處理過程。水質改善與碳排放控制之間，正在形成新的治理張力：出水更清潔，是否必然意味著更高的碳成本？

近日，Environmental Science and Ecotechnology發表題為“Causal direct drivers of greenhouse gas emissions in 40,722 wastewater treatment plants in China”的原創研究論文。來自哈爾濱工業大學城市水資源與水環境國家重點實驗室的研究人員，基于中國大陸31個省區市40,722座城鎮污水處理廠2009—2019年運行數據，構建融合溫室氣體核算、結構方程模型、可解釋機器學習和因果推斷的綜合分析框架，系統識別污水處理廠溫室氣體排放強度的直接驅動因素及其因果效應。

研究發現，中國污水處理廠單位水量溫室氣體排放強度在2009—2019年間呈現“先下降、后回升”的變化趨勢，并未隨著全國電力結構低碳化而持續下降。其主要原因在于，更嚴格的排放標準提高了氮去除要求，進而增加了外加碳源和電力消耗。因果分析顯示，氨氮去除是總溫室氣體排放強度最強的直接驅動因素：以2019年全國平均水平為基準，氨氮去除量增加10%，可導致總排放強度上升5.65%；而區域電網排放因子降低10%，則可帶來相當于總排放強度下降4.45%的減排效果。

這項研究提示，污水處理行業的低碳轉型不能只在廠內尋找答案。排放標準、進水水質、氮去除強度、外加碳源投加、污泥處理處置以及區域電力結構，共同決定了污水處理的碳足跡。未來污水治理政策需要從單一水質目標轉向綜合環境績效評估，在水環境改善、溫室氣體減排和經濟可行性之間尋求更優平衡。

污水處理廠的“雙重角色”：水環境屏障與碳排放節點

01

污水處理廠承擔著削減污染物、保障公共衛生和保護受納水體的重要功能，但其運行本身具有顯著能源需求。論文指出，全球污水處理廠約占全球電力消耗的3%，并貢獻約1.6%的溫室氣體排放。對于資源投入有限、提標壓力持續增加的污水處理行業而言，識別真正推動排放上升的關鍵因素，是制定低成本、可執行減排策略的基礎。

中國是研究這一問題的重要場景。一方面，中國擁有全球最大的污水處理能力，2020年污水處理量約571億m3；另一方面，中國污水處理廠溫室氣體排放總量已從2005年的13.34 Mt CO2-eq.增至2020年的30.95 Mt CO2-eq.，增長超過一倍。由于不同地區氣候條件、經濟發展水平、進水水質、處理工藝和電力結構差異顯著，中國污水處理廠溫室氣體排放強度具有明顯空間異質性，也為識別復雜環境系統中的排放驅動機制提供了大規模樣本基礎。

已有研究常采用歷史數據對比、對數平均迪氏指數分解或機器學習方法解釋污水處理碳排放。然而，許多分析仍主要停留在相關性層面：一方面，研究對象常局限于單座污水廠或特定區域，難以反映全國尺度上的結構差異；另一方面，電力消耗、藥劑投加和污泥產量等變量往往被直接納入模型，雖然有助于提高預測精度，卻可能掩蓋更根本的因果鏈條。例如，電力消耗本身可能是更嚴格氮去除要求、進水水質特征或處理工藝選擇的結果，而不是最底層的排放驅動因素。

因此，污水處理行業低碳治理亟需回答的問題，并不是“哪些變量與碳排放相關”，而是“哪些因素真正導致排放變化”。這一差別對于政策制定尤為關鍵：只有明確直接驅動因素及其因果效應，才能判斷減排應優先依靠工藝優化、電網低碳化、排放標準協同設計，還是進水水質和管網系統改善。

從相關性走向因果識別：研究如何拆解排放驅動機制

02

研究團隊構建了一個由六個環節組成的綜合分析框架，包括數據獲取與預處理、溫室氣體排放核算、結構方程模型分析、特征篩選、模型評估與比較、模型解釋與因果推斷。該框架的核心目標，是在保證預測能力的同時，盡可能剔除中介變量干擾，識別更基礎、更可解釋的直接驅動因素。

在排放核算方面，研究采用自下而上的生命周期評價思路，以單位處理水量溫室氣體排放強度（kg CO2-eq. m?3）作為核心指標，并將系統邊界劃分為三個階段、四類排放來源。第一類為廠內直接排放，主要來自生物處理過程中的N2O、CH4釋放，以及外加碳源礦化產生的化石源CO2；第二類為廠外間接排放，包括電力使用和藥劑生產相關排放；第三類為污泥處理與處置排放；第四類為處理后尾水中殘留污染物進入受納水體后產生的下游排放。

在驅動因素識別方面，研究團隊首先使用結構方程模型（structural equation modeling, SEM）區分直接驅動因素和中介變量。結果顯示，電力排放因子與多項污水水質及去除指標之間不存在顯著路徑，因此被識別為外生直接驅動因素；而電力消耗、污泥產量、乙酸鈉消耗量和聚合氯化鋁消耗量則受到水質和運行指標影響，屬于中介變量。為避免這些變量掩蓋更根本的因果關系，研究在后續機器學習建模中將其剔除。

隨后，研究團隊綜合使用四種特征篩選方法，包括最小絕對收縮與選擇算子（LASSO）、隨機森林平均準確率下降法（RF-MDA）、隨機森林平均基尼指數下降法（RF-MDG）和支持向量機遞歸特征消除（SVM-RFE），并比較十類機器學習算法的預測性能。最終，隨機森林模型在總溫室氣體排放強度預測中表現最佳，測試集R2達到0.7307，均方根誤差為0.19 kg CO2-eq. m?3。這一結果表明，即使不直接使用電力消耗、藥劑消耗和污泥產量等中介變量，模型仍能依靠基礎直接驅動因素獲得較強預測能力。

更重要的是，研究并未止步于“黑箱預測”。研究團隊進一步采用SHAP（Shapley additive explanations）分析識別各變量對模型輸出的貢獻，并結合因果推斷估算關鍵變量變化對排放強度的影響。由此，研究從“變量重要性排序”推進到“干預某一變量會帶來多大排放變化”的機制量化，為污水處理低碳治理提供了更具政策意義的證據。

排放強度為何回升：嚴格排放標準推高氮去除碳成本

03

全國尺度分析顯示，2009—2019年，中國污水處理廠總溫室氣體排放強度經歷了先下降、后回升的過程。這一趨勢并未與電力結構低碳化完全同步，說明污水處理行業排放變化并非單純由電網排放因子決定，而是受到水質標準、污染物去除需求和處理過程強化共同影響。

論文指出，出水標準收嚴是推動排放強度回升的重要背景。隨著污水處理廠需要達到更高出水水質要求，尤其是更深度的氮去除目標，系統必須投入更多能量和藥劑。2009—2013年，全國平均總氮去除濃度約在21.65 mg L?1附近波動，到2019年升至24.20 mg L?1。與此同時，進水COD降低導致進水碳氮比偏低，使反硝化過程面臨碳源不足問題。為滿足氮去除要求，污水處理廠外加碳源使用量在十年間增加61%，2019年達到0.0375 kg乙酸鈉 m?3；電力消耗增加18%，2019年達到0.4221 kWh m?3。

這一過程揭示了水質改善背后的隱性碳成本。更嚴格的氮去除要求可以減少受納水體污染負荷，但也可能通過曝氣增強、碳源投加、藥劑生產和污泥處理等路徑增加溫室氣體排放。2019年，全國平均排放構成中，電力使用和污泥處理處置已成為主要排放來源，分別貢獻32.21%和18.36%。

區域差異同樣顯著。西北和華北地區受人口密度、污染物濃度和煤電占比較高影響，污水處理廠排放強度相對更高；西南地區電網排放因子從2009年的0.61降至2019年的0.32，顯著低于其他區域，顯示電力結構低碳化對污水行業排放具有重要影響。隨著能源轉型推進，不同地區污水處理排放來源差異可能進一步擴大，低碳治理也更需要區域化策略。

最強直接驅動因素：氨氮去除為何顯著推高排放強度

04

在總溫室氣體排放強度模型中，SHAP分析識別出的前五個關鍵變量分別為氨氮去除量、電力排放因子、一級A排放標準、進水總氮濃度和年份。其中，氨氮去除量是最重要的預測變量，其SHAP值達到0.080，明顯高于其他變量。

氨氮去除對排放強度的影響主要來自兩條路徑。第一，硝化和反硝化過程可能產生N2O，而N2O的全球變暖潛勢約為CO2的265倍，因此即使排放量不大，也會顯著影響總溫室氣體排放。第二，在中國許多污水處理廠進水碳氮比較低的情況下，深度氮去除常需要投加外部碳源。外加碳源生產和使用會增加間接排放，其在系統內礦化也會產生直接排放。換言之，氨氮去除不僅影響生物處理過程本身，還會通過碳源需求和能耗需求放大碳排放效應。

因果推斷進一步量化了這一影響。在總排放強度模型中，氨氮去除的因果效應系數為12.09，明顯高于進水總氮濃度和電力排放因子。以2019年全國平均值為基準進行敏感性分析后，研究發現氨氮去除量增加10%，總溫室氣體排放強度將增加5.65%。這一結果說明，氨氮去除不僅是相關性意義上的重要預測變量，更是具有顯著因果影響的直接驅動因素。

不同排放來源中，氮去除的作用機制并不完全相同。對于直接排放，氮去除主要通過N2O生成和外加碳源礦化產生影響；對于間接排放，氨氮去除會增加化學品生產相關排放，并影響部分電力使用相關排放；對于尾水下游排放，更嚴格的標準則可減少進入受納水體的COD和總氮，從而降低該部分排放強度。由此可見，同一治理措施可能在不同排放環節產生方向不同、強度不同的影響，必須通過分源模型加以拆解。

電網低碳化：污水行業減排不能只依靠廠內優化

05

盡管氨氮去除是最強的直接驅動因素，但研究同時指出，區域電網低碳化是更具現實操作性的減排杠桿之一。電力排放因子在總排放強度模型中排名第二，并被結構方程模型識別為外生直接驅動因素。敏感性分析顯示，區域電力排放因子降低10%，可帶來相當于總溫室氣體排放強度下降4.45%的減排效果，接近氨氮去除增加10%所帶來的排放增幅。

這一結果具有重要政策含義。氨氮去除需求往往受水環境質量目標約束，不能簡單降低；但電力排放因子可以通過區域電力系統低碳化持續下降。2009—2019年，全國電力排放因子已下降16.58%，西南地區降幅更達到47.48%。這意味著，即使污水處理廠需要保持較高氮去除強度，只要電網持續低碳化，就可以在不削弱水污染控制效果的前提下降低行業碳足跡。

研究還發現，電力排放因子在不同排放層級中具有非單調因果響應。在電力使用排放模型中，其因果效應較為直接；在間接排放模型中，由于化學品生產等非電力因素加入，其影響有所稀釋；但在總排放模型中，電力排放因子的效應又出現放大，提示其不僅是電力核算參數，也可能反映區域能源結構與污水處理運行狀態之間更復雜的耦合關系。

因此，污水處理低碳化不能僅被理解為污水廠內部的節能降耗問題。它與區域能源轉型密切相關。對水務管理者而言，優化曝氣、碳源投加、污泥處置和處理工藝仍然必要；但對更大尺度的減排而言，清潔電力供應、區域電網低碳化和水務系統能源協同同樣關鍵。

圖表解讀：從全國排放格局到因果驅動識別

06

圖1：綜合分析框架——從排放核算到因果推斷

圖1展示了本研究的整體技術路線。研究從40,722座污水處理廠完整數據集出發，首先進行數據預處理，剔除缺失值、零值和邏輯不一致記錄；隨后開展分源溫室氣體排放核算，將排放劃分為直接排放、間接排放、污泥處理處置排放和尾水下游排放；再通過結構方程模型排除中介變量，結合四種特征篩選方法確定直接驅動因素，并比較十類機器學習算法，最終使用SHAP和因果推斷解釋模型結果。

圖1的價值在于清楚區分了“預測準確”和“因果解釋”兩類任務。傳統機器學習可以判斷哪些變量有助于預測排放，但未必能說明哪些變量真正導致排放變化。本研究通過中介變量排除和因果推斷，將解釋從相關性推進到因果效應量化，為環境管理提供更可靠的決策依據。

圖1研究設計與分析流程概覽。研究從40,722座污水處理廠（WWTPs）的完整數據集出發，分析流程包括數據預處理、分源溫室氣體（GHG）排放核算、通過結構方程模型排除中介變量、集成特征篩選、模型訓練與比較、采用五折交叉驗證的貝葉斯參數優化，以及利用殘差診斷、Shapley加性解釋（SHAP）分析和因果效應推斷進行模型解釋。LASSO：最小絕對收縮與選擇算子；RF-MDA：基于平均準確率下降的隨機森林方法；RF-MDG：基于平均基尼指數下降的隨機森林方法；SVM-RFE：支持向量機遞歸特征消除；Q-Q圖：分位數—分位數圖。

圖2：中國污水處理廠排放強度的時空變化

圖2展示了2009—2019年全國及七大地理區域污水處理廠溫室氣體排放強度和電力排放因子的變化。全國尺度上，排放強度并未隨電力排放因子下降而持續下降，而是出現先降后升。區域尺度上，多數地區與全國趨勢相似，但東北地區呈持續增長趨勢；西北、華北等地區排放強度較高，西南地區則因電網排放因子顯著降低而呈現不同排放結構。

圖2直觀揭示了污水處理行業減排的復雜性：電力低碳化可以降低排放，但排放標準收嚴和氮去除強化可能抵消部分減排收益。不同區域的能源結構、水質負荷和處理需求差異明顯，意味著全國統一的低碳路徑難以覆蓋所有地區，未來需要制定更具區域適配性的減排方案。

圖22009—2019年中國污水處理廠分源溫室氣體排放強度（GEI）和電力排放因子（EF）的時空演變。a，全國平均值。b–h，七大地理區域變化趨勢：東北地區（b）、西北地區（c）、華北地區（d）、華中地區（e）、華東地區（f）、西南地區（g）和華南地區（h）。STD：污泥處理與處置；DCT wastewater：處理后排放尾水；GEI：溫室氣體排放強度；EF：排放因子。

圖3：氨氮去除、電力排放因子和進水總氮的因果效應

圖3展示了總溫室氣體排放強度模型的可解釋機器學習和因果推斷結果。SHAP重要性排序顯示，氨氮去除量、電力排放因子、一級A排放標準、進水總氮和年份是最重要變量。SHAP匯總圖進一步顯示，多數關鍵數值變量與總排放強度呈正相關。因果圖則量化了進水總氮、氨氮去除和電力排放因子對總排放強度的因果效應。

圖3是全文核心證據之一。它說明氨氮去除不僅在預測模型中貢獻最大，而且在因果推斷中也具有最強影響；同時，電力排放因子雖然原始因果效應系數較小，但考慮其現實變化幅度后，具備接近氨氮去除的減排敏感性。這一結果將污水處理廠內部運行與區域電力系統連接起來，為跨部門減排提供了數據依據。

圖3通過可解釋機器學習和因果推斷闡明總溫室氣體排放強度（GEI）的驅動機制。a，基于最優隨機森林模型平均絕對Shapley加性解釋（SHAP）值的全局特征重要性排序。b，SHAP匯總圖，展示特征對GEI影響的方向和幅度。c，進水總氮濃度（TNinf）、NH3-N去除量和電力排放因子（electricity EF）的因果模型結構與推斷結果。NH3-N：氨氮；Electricity EF：電力排放因子；TN：總氮；TNinf：進水總氮；COD：化學需氧量；CODinf：進水COD；AAO：厭氧—缺氧—好氧工藝；TPinf：進水總磷；CAS：傳統活性污泥法；SBR：序批式反應器；AO：缺氧—好氧工藝；TP：總磷；GEI：溫室氣體排放強度。

圖4：分源模型揭示不同排放環節的驅動差異

圖4展示了總排放及不同排放來源的因果模型結構和效應估計值。結果顯示，氨氮去除對總排放強度具有最高因果效應，但當排放被分解到直接排放、電力使用排放、化學品生產排放和尾水下游排放等來源時，其影響路徑和強度明顯不同。例如，氨氮去除對化學品生產排放和間接排放具有較高影響，對電力使用排放影響相對較低；進水總氮對尾水下游排放的因果效應高于進水COD。

圖4說明污水處理廠碳排放并非由單一變量單向決定，而是由多個驅動因素在不同排放環節中分別發揮作用。若只看總排放模型，容易忽略不同環節的異質性；只有開展分源因果分析，才能識別各類排放的主要控制點，從而制定更精準的減排策略。

圖4總溫室氣體排放強度和分源溫室氣體排放強度的因果模型結構及量化效應估計。彩色箭頭表示從預測變量到總溫室氣體排放強度（GEI）以及五個分源組成部分的推斷因果路徑，包括直接排放、間接排放、電力使用排放、化學品生產排放和處理后尾水排放GEI。相鄰方框中的數字表示估計的因果效應值。GEI：溫室氣體排放強度；TN：總氮；COD：化學需氧量；TP：總磷；TPinf：進水總磷；NH?-N：氨氮；Electricity EF：電力排放因子；CODinf：進水COD；TNinf：進水總氮；DCT wastewater：處理后排放尾水。

治理啟示：未來排放標準需同時核算水質收益與碳成本

07

這項研究最重要的啟示是將污水處理廠溫室氣體排放問題置于更完整的系統框架中。嚴格排放標準能夠改善受納水體水質，減少尾水中殘留污染物導致的下游排放；但與此同時，更深度的氮去除、更高能耗和更多藥劑投加也可能增加直接和間接溫室氣體排放。水質改善與氣候減排之間并非天然一致，必須通過科學評估實現協同。

對于污水處理廠運行管理而言，氨氮去除、外加碳源投加和污泥處理處置應成為低碳優化重點。在滿足水質目標的前提下，如何降低不必要的碳源投加、優化曝氣控制、提高反硝化效率、減少N2O生成，并改善污泥減量化與資源化路徑，將直接影響廠內減排潛力。

對于監管部門而言，未來排放標準制定不宜只關注污染物濃度限值，還應將水質改善收益、溫室氣體排放增量和經濟可行性納入綜合評價。特別是在不同區域水環境容量、電力結構和污水處理基礎條件差異顯著的背景下，標準升級更需要配套碳影響評估和區域差異化路徑設計。

對于能源和水務協同治理而言，研究明確顯示，區域電網低碳化可以顯著降低污水處理行業的碳排放強度。污水處理廠節能改造、可再生能源利用、污泥能源回收與區域清潔電力供給，應當共同納入城市基礎設施低碳轉型規劃。只有將污水處理系統與能源系統聯動起來，才能避免“水質目標進步、碳目標承壓”的治理悖論。

結語

污水處理行業正處在提標改造與低碳轉型交匯的關鍵階段。過去，污水處理評價更多關注出水是否達標；未來，污水處理系統還必須回答一個更復雜的問題：在獲得更清潔水環境的同時，是否付出了更高碳成本，而這一成本又能否通過技術優化和系統協同被降低。

基于40,722座污水處理廠十年運行數據，這項研究揭示了中國污水處理廠溫室氣體排放的時空格局、分源結構和因果驅動機制。氨氮去除是總排放強度最強的直接驅動因素，嚴格排放標準會在多個排放來源中放大碳壓力；與此同時，區域電網低碳化為污水行業減排提供了強有力且現實可行的外部杠桿。

真正的減污降碳協同，不是降低污水處理標準，也不是簡單壓縮處理強度，而是在明確因果機制的基礎上，找到水質改善、能源轉型、工藝優化和標準設計之間的平衡點。面向未來，污水處理廠不應只是污染物削減終端，也應成為城市水—能—碳協同治理體系中的關鍵節點。

作者簡介

第一作者：王博軒，2024級博士研究生，哈爾濱工業大學環境學院，主要從事基于可解釋機器學習與因果機器學習方法，解析污水處理系統溫室氣體排放的演變趨勢及其直接驅動因素的研究。

通訊作者：王秀蘅，哈爾濱工業大學教授，博士生導師。

引用信息

Wang, B., Abulimiti, A., Liang, J., Kang, J., Wang, X., & Ren, N. (2026). Causal direct drivers of greenhouse gas emissions in 40,722 wastewater treatment plants in China. Environmental Science and Ecotechnology 32: 100709.

doi: 10.1016/j.ese.2026.100709

ESE啟動“115計劃”

“115計劃”是ESE期刊專屬快速發表通道。若您的研究成果經歷了頂刊*審稿流程，最終未能如愿發表，可參與該計劃。

ESE期刊愿以最簡化的審校流程助力您的學術成果加速面世：15個工作日內完成刊發決策并全程免除出版費用（APC），助力您無縫開啟開放獲取學術傳播新征程。

本文來自：ESE期刊，僅供分享交流不作商業用途，版權歸原作者和原文出處。

排版：李濱妤

審核：孫麗華

歡迎廣大水務企業加盟合作