基于DMSP/OLS數據的中國碳排放時空模擬與分異格局

張永年,潘竟虎

?

基于DMSP/OLS數據的中國碳排放時空模擬與分異格局

張永年,潘竟虎*

(西北師范大學地理與環境科學學院,甘肅 蘭州 730070)

精準模擬和精細尺度獲取碳排放的時空動態信息,對于合理制定差別化的區域碳減排政策具有重要意義.利用DMSP/OLS夜間燈光數據在完成年內和跨年數據的校正、像元去飽和、異常值剔除的基礎上,提取了城市建成區范圍,并以中國大陸為研究對象,根據夜間燈光數據和碳排放統計數據之間的定量關聯,構建面板數據模型模擬了2000~2013年中國的碳排放量;采用Theil—Sen Median趨勢分析方法與Mann-Kendall檢驗,探討了14年間中國碳排放量的時空變化趨勢及空間分布特征.結果表明:系統校正后的DMSP/OLS夜間燈光影像構建面板模型模擬的碳排放量擬合精度較高,2002,2007和2012年多尺度回歸檢驗的決定系數2值分別為0.893,0.955和0.951.2000~2013年中國碳排放時空演化差異顯著,穩慢增長型和迅猛增長型分別占碳排放區域總面積的77.6%和19.4%,穩慢增長型面域寬廣,迅猛增長型主要位于都市區及都市連綿區.受城市規模及城市化發育程度的影響,迅猛增長型空間結構呈“空心型”與“中心型”空間指向性分異.研究提出,促進經濟增長方式和發展模式的實質性轉變、因地制宜差別化的減排措施與省區聯動策略的實施是“精準減排”目標實現的重要途徑.

碳排放；夜間燈光；面板回歸；分異格局；中國

氣候變化問題已成為人類社會可持續發展的重大環境挑戰,在政府、公眾和科學界等多層面引起廣泛的關注.近一個世紀以來,特別是近二三十年來,地球氣候系統正經歷著一次以變暖為主要特征的顯著變化[1].粗放型城鎮化和工業化所引致的以CO2為主的溫室氣體排放量居高不下,地球碳循環格局失衡,是全球氣候變暖的重要因素.中國在2006年碳排放總量已超過美國居世界首位,2006~2016年碳排放總量占世界的比重由20%上升至27.3%,年均增長率約為4.2%[2],至2030年左右預計達到排放峰值.在碳排放持續增長和碳減排雙重壓力下,作為世界最大的碳排放經濟體,中國積極履行碳減排責任并努力打造低碳發展之路.在2015年巴黎氣候大會上,中國承諾在2030年單位GDP碳排放量比2005年降低60%~65%,實現資源投入總量和碳排放總量達到峰值后的雙下降.在十九大報告中也明確提出: “要構建清潔低碳的能源體系和建立健全綠色低碳循環發展的經濟體系”.可見,在大力推進生態文明建設與綠色低碳發展背景下,需要從精細尺度掌握和厘清我國碳排放實際,算好“碳排賬”,為更好地建設“資源節約型、環境友好型、生態文明型”社會提供有力的支撐.

碳排放一般是指溫室氣體的排放碳當量,伴隨氣候、環境問題凸顯,碳排放研究逐漸成為地理學和其他學科研究者在多層面關注的熱點.目前,國內外學者對碳排放的研究主要集中在以下幾個方面:碳排放的估算和分解方法.對于碳排放的估算目前采用較多的是排放系數法[3-4],分解方法應用最廣泛的是指數分解方法(IDA)[5];碳排放的影響因素研究.主要采用Kaya恒等式、LMDI模型、STIRPAT模型、SDA模型等研究方法,從技術、結構、規模、其他因素等分析各因素對碳排放帶來的正負效應[6-10].不同行業的碳排放.從工業、農業、交通運輸、居民消費等主要碳源行業對碳排放進行探討研究,分析其主要排放特征,探討行業內部結構各組成要素間相互聯系與制約對碳排放的影響[11-15].碳減排與低碳綠色發展策略研究.研究認為產業結構的調整與優化、清潔能源的推廣使用、低碳技術的創新與進步、政策和法律體系的健全與保障等多舉措可以有效地推動碳減排和低碳經濟的發展[16-17].梳理現有研究發現,碳排放的研究覆蓋面廣且內容豐富,但仍存在以下問題:不同的學者在測度方式、數據獲取、排放源分類、CO2排放系數等方面存在差異,估計結果往往相差巨大.由于官方統計數據尺度的局限性,相關研究主要集中在宏觀視角,國家、省級尺度研究較多,中小尺度定量研究相對缺乏,且無法真正落實到空間格網,較大空間尺度碳排放研究難以對區域格局特征進行準確的刻畫,空間尺度越小越能有效地識別碳排放的空間差異,有助于差異化精準減排政策的制定.部分學者利用DMSP/OLS夜間燈光數據對碳排放進行空間化,但在建立像元灰度值(DN)與碳排放量擬合關系時,大多采用橫截面或時間序列模型為主,無法有效地體現區域在縱向與橫向的時空變化特征,僅靠截面模型得出的結論可能有偏差[18].此外,對夜間燈光數據的預處理和校正較為粗糙且有疏漏,模擬的精度有待提高.因此,借助新的空間信息技術和多維理論模型全面科學地對碳排放進行精準的模擬和精細化的研究顯得尤為必要.

由美國軍事氣象衛星(DMSP)搭載的OLS傳感器所生成的夜間燈光數據可以有效地監測人類活動,是表征人類活動強度可靠的數據源,而以人類活動為主體的生產生活活動是產生碳排放的主要動力,因此,可以使用DMSP/OLS夜間燈光影像對碳排放進行模擬[19-21].本文以“空間”和“精細化尺度”作為切入點,采用DMSP/OLS夜間燈光數據、MODIS數據、高分辨率遙感影像數據、基礎地理信息數據等,利用面板數據模型客觀、精準地實現長時間序列碳排放的定量模擬,應用空間分析技術,從“格網”視角分析碳排放的時空分異格局與演變特征,旨在為區域層面精細化的碳減排聯動方案和“共同但有區別”的碳減排政策的制定提供科學參考.

1 數據來源與處理

選定中國大陸地區為研究區域(西藏自治區、香港特別行政區、澳門特別行政區、臺灣省由于碳排放統計數據缺失未包括在內).采用的2000~2013年DMSP/OLS穩定夜間燈光數據獲取自美國國家環境信息中心網站[22],穩定夜間燈光數據對火光和偶然噪聲的影響進行了處理、空間分辨率為30"(弧秒,在赤道附近約為1km,40°N處約為0.8km),灰度值范圍為0~63.2000~2013年NDVI、EVI產品數據MOD13A2獲取自Earth data數據庫網站[23],為16d合成數據,空間分辨率為1km,選取每年5~9月份數據經過拼接、裁剪、投影轉換(Albers等積圓錐投影)等過程形成中國地區月數據,將月數據通過最大值合成法獲得中國地區年NDVI、EVI產品數據.高分辨率遙感影像數據來源于谷歌地球,空間分辨率為7m,通過人機交互目視解譯方法獲得2013年北京市城市建成區范圍.碳排放統計數據來源于中國碳排放數據庫CEAD[24].各行政區界線、城市位置等獲取自國家基礎地理信息中心1:400萬數據庫和基于國家測繪地理信息局標準地圖服務網站下載的審圖號為GS(2016)2890號標準地圖制作,底圖無修改.

2 研究方法

2.1 夜間燈光數據處理

2.1.1 夜間燈光數據的連續性校正 本文所使用的DMSP/OLS穩定夜間燈光數據由F14(1997~2003年)、F15(2000~2007年)、F16(2004~2009年)、F18(2010~2013年)4代衛星傳感器探測獲取,因此,研究時期內同一年存在2期影像和不同年份數據由不同衛星獲取的問題,從而可能導致影像數據之間存在差異,在連續時間序列方面,影像值存在異常問題.因此需要對夜間燈光數據進行年內數據的整合與跨年數據的校正,計算公式為[25]:

(=2000,2001,2002,···,2013) (1)

式中:為整合后的夜間燈光影像第柵格DN值,與分別為第年的2個衛星所獲取影像的第柵格DN值.如果同一年2幅影像第柵格DN值為0則整合后取0值,若大于0則對2幅影像第柵格DN值取平均值.

(=2000,2001,2002,·····,2013) (2)

式中:、、分別表示跨年數據的校正時第-1年、第年和第+1年經過(1)式整合后的夜間燈光影像第柵格的DN值.若后一年影像像元DN值為0,前一年影像像元DN值也應該為0;若后一年的影像像元DN值大于0,則前一年的影像對應位置像元DN值應該等于或者小于后一年的(中國近20年城鎮化過程經驗假設亮斑不會消失).

由圖1可以清晰地看出在完成年內數據整合的基礎上,校正前每一期影像的像元DN總值變化趨勢無序波動,利用公式(2)校正后使連續時間序列的夜間燈光影像像元DN總值呈單調遞增的趨勢,修正了2003,2011年等多年份影像像元DN總值比前一年低的異常情況,經過校正后的影像數據之間連續且具有可比性,為后續夜間燈光的去飽和與建立模型做好基礎準備.

2.1.2 夜間燈光數據飽和像元與異常值的處理 由于OLS傳感器設計的局限性,夜間燈光數據的輻射分辨率較低,DN值的范圍介于0~63之間,使得探測到的城市中心城區存在大量的飽和像元,一定程度上城市中心區域內部實際燈光亮度差異被掩蓋,導致在建立模型模擬過程及結果分析中出現偏差.研究發現[22],植被指數值與夜間燈光DN值在空間上呈負相關,利用這種關系特征可以用植被指數對夜間燈光數據飽和現象進行緩解和去除.由于增強型植被指數(EVI)在減弱土壤背景和大氣對植被指數影響方面較歸一化差值植被指數(NDVI)有明顯優勢,因此本文借鑒潘竟虎等[26]和卓莉等[27]學者提出的燈光去飽和方法,利用EVI指數分別構建比值型降飽和指數(RVI)、改進型降飽和指數(MDVI)、增強型降飽和指數(ENVI)等3種指數與原始數據進行比較分析.在此之前首先需要對EVI小于0.01的像元(主要為水體及水體邊緣的混合像元)進行剔除,其次為了便于計算和分析,需要對夜間燈光數據(NTL)進行歸一化處理,使NTL值域為[0,1].具體各類型降飽和指數公式如下:

式中:NTL為歸一化的燈光數據,EVI為經過預處理后的植被指數.

將夜間燈光影像數據按照公式(3)、(4)、(5)分別計算處理,以2013年北京市為例,繪制一條橫貫北京東西向的剖面線,將原始夜間燈光影像數據與比值型、改進型、增強型結果影像(圖2)進行對比發現,原始夜間燈光數據城市中心城區飽和現象明顯,中心城區內部像元值差異較小,在利用EVI構建的比值型、改進型、增強型3種降飽和方法處理后,夜間燈光數據的飽和效應得到明顯減弱,強化了中心城區內部差異.繼而對3種降飽和結果進行比較,發現3類降飽和結果DN值曲線趨勢相似,但增強型的拉伸更加明顯,對城市內部真實差異的凸顯效果比改進型和比值型更為突出,強化了實際地物對夜間燈光區域的影響.基于以上分析,采用增強型降飽和指數法對2000~2013年夜間燈光影像進行去飽和處理.

圖2 2013年北京市中心城區緯向樣帶降飽和指數對比

觀察去飽和后的夜間燈光影像,發現影像個別像元值存在極大值或突變值,為保證研究精確度,設定燈光影像的最大值實際應該出現在經濟最發達的地區,為此,本文選取北京、廣州、上海、深圳4個城市中影像最大灰度像元值作為本研究的最大閾值,部分像元值若大于最大閾值,則采用窗口移動法(觀察已判定為異常值周圍8個像元值的大小,選取最大值代替異常值)對此異常值進行處理.

2.1.3 城市建成區范圍提取 傳統化石能源的消耗是溫室氣體產生的主要來源,而城市地區則是能源消耗的主要集中地.據估計,城市地區消費了世界67%的能源和排放了全球71%的CO2[28].因此,基于夜間燈光影像提取高精度的城市建成區是進行碳排放模擬的前提.城市建成區提取的關鍵是獲取最佳閾值,通過閾值對夜間燈光影像進行分割得到城市建成區,目前最佳閾值的獲取方法主要有4種:經驗閾值法,突變檢測法,統計數據比較法,較高分辨率影像數據空間比較法.其中突變檢測法具有自動化程度高,客觀性較強等特點,其最佳閾值確定的建成區與實際情況較為符合[29].因此本文采用突變檢測法,綜合考慮城市地理區位(南方北方之別,東部西部之異)及城市空間模式(環形放射式、帶狀等),選取北京、深圳、西安為典型樣本城市確定最佳閾值,通過編寫代碼在Matlab軟件中確定最佳閾值(圖3),將獲取的3個城市最佳閾值取平均數后,確定DN值32.9為城市建成區最佳閾值,從而得到全國各城市的建成區范圍.將北京市2013年夜間燈光影像通過最佳閾值提取的建成區范圍與谷歌地球2013年高分辨率影像通過人機交互目視解譯的城市建成區范圍對比進行精度驗證(圖4),其中,最佳閾值提取的建成區面積為2775km2,而高分辨率影像提取的面積為3118km2,提取精度達89%,滿足研究的精度需求.

圖4 2013年北京市建成區提取結果對比

2.2 碳排放模擬模型的建立

碳排放模擬模型的建立是基于夜間燈光影像像元DN值與地面上像元位置CO2排放量呈正相關關系這一假設構建的,Doll等[30]已證明這一假設關系的存在.基于這一假設關系,本文采用面板數據分析方法嘗試建立中部地區城市碳排放與夜間燈光像元值之間的回歸模型,將樣本數據建立的回歸模型用于估算模擬全國的碳排放,并從省域和地級市層面進行精度驗證.

以中部地區作為模型建立樣本區主要理由是:首先,中部六省是我國的人口大區,也是國家產業轉移重要承接地,產業結構偏重于工業,區域經濟的發展對化石能源的需求量大,具有典型性;其次,中部地區既是能源原材料基地(山西、豫西、湖北、安徽等),又是裝備制造業基地(武漢、長沙、株洲等),該區域近二十年以工業為主導的快速城鎮化及迅速崛起是中國城市化進程的典型縮影,具有樣板性;第三,分別求得2000~2013年碳排放統計數據和夜間燈光數據變異系數平均值,其值均大于全國、東部、西部和東北地區,研究時段內指標的變化程度更加明顯,其時間序列數據能更好體現中國社會經濟發展的進程,具有獨特代表性.

2.2.1 單位根檢驗 在進行面板數據分析前首先需要進行單位根的檢驗,驗證變量的平穩性,避免虛假的回歸,包括省域范圍內統計碳排放量和夜間燈光DN總值.主要采用LL檢驗和IPS檢驗方法來評估面板數據的平穩性,若兩者結論不一致時,則認為變量為非平穩,繼續進行差分檢驗,直至數據平穩.進行單位根分析之前,對所有數據實現了自然對數變換,以避免異方差和非平穩性現象.檢驗結果(表1)表明,在一階差分后,所有變量拒絕在1%顯著水平上的原假設,因此可以對涉及到的變量進行面板數據回歸.

2.2.2 協整分析檢驗 上述單位根檢驗得出LnNTL和LnTCO2滿足一階單整,進一步對變量間協整關系進行檢驗,考察變量之間是否存在長期的均衡關系.本文采用Perdroni面板協整檢驗方法來分析LnNTL和LnTCO2之間是否存在協整關系,檢驗結果表明,Panel PP-Statistic(統計量:-9.427,概率值:0.000)、Panel ADF-Statistic(統計量:-4.670,概率值:0.000)、Group PP-Statistic(統計量:-11.009,概率值:0.000)、Group ADF-Statistic(統計量:-3.706,概率值:0.000)統計量和概率值均支持LnNTL與LnTCO2存在一個長期均衡的協整關系方程.

2.2.3 面板數據模型設定 在協整檢驗通過的基礎上可以直接對原方程進行回歸.面板數據模型主要分為3種:混合回歸模型、固定效應模型和隨機效應模型,采用F-檢驗和Hausman檢驗進行模型的選擇,結果表明,F-檢驗拒絕原假設, Hausman檢驗結果值為0.4218,表明拒絕固定效應模型,采用隨機效應模型更為合理,利用省域內統計的建成區夜間燈光數據亮度總值與對應區域CO2排放量的統計數值建立隨機效應模型, 其中,值為0.000,在0.01水平上顯著相關,2達到0.874,具體結果如下:

式中:TCO2表示模擬CO2排放量,NTL為夜間燈光亮度總值.

2.3 Theil—Sen Median趨勢分析和Mann—Kendall檢驗

Theil-Sen Median趨勢分析和Mann-Kendall檢驗方法的良好結合,可以從格網空間視角來檢驗和判斷長時間序列數據的變化趨勢.該方法的優點是對數據誤差具有較強的規避能力,使得結果更加科學和可信.Theil-Sen Median趨勢分析是一種穩健的非參數統計的趨勢計算方法,可以減少數據異常值的影響[31],Theil-Sen Median趨勢計算(－1)/2個數據組合的斜率的中位數,其計算公式為[27]:

2000￡<￡2013 (7)

Mann-Kendall統計檢驗計算公式詳見文獻[32].

表1 面板數據的單位根檢驗

注:***、**、*分別表示1%、5%、10%的顯著性水平下拒絕原假設.

3 結果與討論

3.1 碳排放總量模擬結果及精度驗證

經過系統校正后的夜間燈光數據通過公式(6)在柵格尺度上對全國范圍的碳排放進行模擬,得到碳排放空間分布.研究表明在NDVI￡0.1和NDVI> 0.9的區域可以判定為無人區域[26],利用預處理完成的NDVI數據,將判定為無人的區域從對應碳排放模擬結果柵格數據中進行剔除,得到最終全國2000~ 2013年碳排放模擬空間分布圖(圖5).

精度驗證是衡量模型應用效果的重要步驟,也是進一步深入分析的可靠保證.分別選取2002,2007, 2012年的模擬結果,利用北京、杭州、福州、昆明、上饒等28個地級市和青海、新疆等部分省級行政區的碳排放統計數據進行精度驗證.選取以上區域作為驗證樣本主要從樣本的區位與代表性及城市規模等多視角進行考慮,一是行政空間從省域到地級市多層次選取樣本;二是選取既有諸如青島、福州等東部沿海城市,又有鄭州、昆明等中西部內陸城市;三是既有城市化發展水平較高的大城市(北京、天津),又有諸如安慶等中小型城市.將統計數據的碳排放值與夜間燈光模擬的碳排放值通過回歸方式(圖6)進行檢驗.分析發現,模擬值較好地反映了統計碳排放的分布規律,模擬值和統計碳排放值具有明顯的線性關系,決定系數2值在3個時期分別為0.893, 0.955,0.951.由此可見,本研究模擬碳排放量結果的精度和準確度均優良,誤差在可控范圍內,可用來進一步開展全國碳排放量的時空趨勢變化特征分析.

3.2 碳排放的時空變化趨勢

由圖7可知,2000~2013年中國碳排放量總體變化呈增長態勢,其中穩慢增長型和迅猛增長型是主要的變化類型,分別占碳排放區域總面積的77.6%和19.4%;中速增長型和較快增長型主要零星分布于迅猛增長型四周及邊緣地區;未有減少型區域,這與我國此階段城市化過程中能源消耗的社會實際相符合.部分柵格單元未通過Mann-Kendall顯著性檢驗,將其從趨勢結果數據中剔除.從空間整體分布狀態來看,碳排放變化趨勢明顯地區主要分布于胡煥庸線東南側地區,穩慢增長型地域面積廣大,主要分布于城市化發育程度相對不成熟地區,此地區經濟發展水平相對較低,工業基礎設施建設相對較落后,能源在需求端和消耗端均表現為低態勢,呈穩定或緩慢增長的趨向.迅猛增長型主要分布在區域中心城市及都市連綿區,該區域經濟發展水平程度高,能源要素空間流動及使用效率高,人口、產業聚集效應顯著,城市與工業經濟的快速發展刺激能源的高消耗與高排放.

受版面插圖比例的限制,無法清晰地從中小區域尺度分析碳排放變化的趨勢,因此本文在全國范圍內選取具有代表性的6個城市進行分析,綜合考慮了南北方及東西部的差異,平原型城市和河谷型城市的區分,特大城市與中小型城市的不同.研究分析發現,城市化發育較成熟或區域經濟發展的中心城市(北京、長沙、蘭州)迅猛發展型在空間形態上呈“空心化”,即迅猛發展型區域主要分布于城市主城區中心外圍,此現象從地租價格水平影響產業區位布局的角度分析,距離城市中心越近,地價水平越高,而迅猛發展型區域主要是第二產業及能源消耗型產業相對集中的區域,受地租價格水平的影響往往布局在中心城市邊緣區.從城市內生環境的結構性調整及城市宜居的角度看,往往中心城市集聚大量的城市人口,人們對美好生活的追求刺激著中心城區生活環境的高品質,對于高能耗和高排放產業“準入度”的門檻就相對提高,因此主城區中心外圍成為碳排放重點增長區域.而對于中小城市(撫州、朝陽、來賓)迅猛發展型區域則主要集中聚集在主城區(“中心型”結構),從社會經濟發展的角度來看,中小城市由于受自身發展的影響,中心城區范圍面積相對較小,而城市社會經濟的發展對于能源的需求較大,加之城市化進程中產業結構不盡合理,導致碳排放與經濟活動中心區緊密聯系,因此呈現“中心型”結構.無論“空心型”結構還是“中心型”結構,通過不同的空間結構特征界定,可以為進一步揭示區域碳排放碳源和碳減排重點區域的劃定提供思路與參考.

雖然本文采用了認同度較高的CEAD的統計碳排放數據,通過17種化石燃料消耗量計算碳排放,較目前學術界普遍選取的統計數據估算碳排放更為全面,但實際碳排放不僅包含工業生產,還有諸如農業、土地利用等多領域的主體活動和人類行為,受數據獲取和統計的困難,通過間接計算得到的統計數據不免與實際存在一定的誤差.此外,DMSP/ OLS數據空間分辨率較低,2014年以后數據不再更新,新一代NPP-VIIRS數據采用星上輻射定標,且時間和空間分辨率均有提高,利用其進行碳排放估算,為實現連續時間序列碳排放監測和分析將是下一步研究的重點.最后,碳排放過程是非常復雜的系統工程,驅動機制復雜,在中小尺度更精細化的驅動機制及其量化分析也將是下一步研究的重點方向.

圖7 2000~2013年中國及代表性城市碳排放變化趨勢

在發展綠色低碳循環經濟和生態文明建設的目標框架下,中國的城市化與工業化道路如何實現社會經濟發展與環境健康協調耦合是一項重大的挑戰.在全國層面上,產業結構的升級與調整、能源結構的改善、碳減排創新技術的推廣、完善碳交易平臺、政府宏觀調控政策的制定等諸多方面的舉措勢在必行[34],這必然推動經濟增長動能和發展模式實現實質性的轉變,促使經濟發展駛入低碳綠色通道.在地區層面上,碳排放模擬的時空格局與趨勢變化表現出明顯的空間異質性,提示我們需要因地制宜實施差別化的減排措施,碳排放量的科學估算及其空間分布可以為合理制定差別化的節能減排策略提供依據.以“低碳、綠色、創新、循環、效率”為準則,從宏觀到微觀,從區域到企業到個人,實現減排措施的“精準落地、精準減排”,保障我國生態文明建設與節能減排目標的實現.

4 結論

4.1 采用系統校正后的DMSP/OLS夜間燈光影像數據模擬碳排放量的時空擬合具有較高的精度.本文綜合運用遙感影像數據與社會經濟統計數據,在年內數據的整合與跨年數據的校正的基礎上,利用EVI數據構建RVI、MDVI、ENVI等3種降飽和指數,擇優輔助于燈光數據像元的去飽和,進一步采用窗口移動法和突變檢測法進行異常值的剔除和城市建成區范圍的提取,繼而構建中國分省的城市建成區夜間燈光值與統計碳排放之間的面板回歸數據模型,對全國能源消耗的碳排放進行時空模擬,引入NDVI將判定為無人的區域從模擬結果柵格數據中剔除,提高模擬精度.選取2002、2007、2012年的模擬結果進行精度驗證,結果顯示,從省域到地級市層面模型模擬精度與統計碳排放的空間準確度均較高,回歸檢驗的決定系數2分別為0.893、0.955、0.951.

4.2 2000~2013年,我國碳排放的時空變化趨勢整體表現出“穩中有進與迅猛增長并存”的特征.碳排放增長區域主要分布于胡煥庸線東南側地區,穩慢增長型和迅猛增長型分別占碳排放區域總面積的77.6%和19.4%,穩慢增長型區域地域范圍廣,迅猛增長型主要集中在區域經濟發展的中心地域及其輻射地區.

4.3 迅猛增長型的空間結構形態表現出明顯的“空心型”與“中心型”指向性分異.這種空間結構形態的異同受城市化進程中諸多因素的影響,可從空間的視角對于高碳源和重點治理區的碳減排提供科學參考.

[1] 秦大河.氣候變化科學的最新進展[J]. 科技導報, 2008,26(7):3. Qin D H. Latest progress on climate change research [J]. Science & Technology Review, 2008,26(7):3.

[2] BP石油公司.BP世界能源統計年鑒(2017) [EB/OL]. (2017-04-12). http://www.bp.com/zh_cn/china/reports-and-publications/bp2017-.html.The petroleum corporation of BP. The BP Statistical review of World Energy Published in 2017 [EB/OL]. (2017-04-12). http://www.bp. com/zh_cn/china/reports-and-publications/bp2017-.html.

[3] 程葉青,王哲野,張守志,等.中國能源消費碳排放強度及其影響因素的空間計量[J]. 地理學報, 2013,68(10):1418-1431. Cheng Y Q, Wang Z Y, Zhang S Z, et al. Spatial econometric analysis of carbon emission intensity and its driving factors from energy consumption in China [J]. Acta Geographica Sinica, 2013,68(10): 1418-1431.

[4] 高長春,劉賢趙,李朝奎,等.近20年來中國能源消費碳排放時空格局動態[J]. 地理科學進展, 2016,35(6):747-757.Gao C C, Liu X Z, Li C K, et al. Spatiotemporal dynamics of carbon emissions by energy consumption in China from 1995 to 2014 [J]. Progress in Geography, 2016,35(6):747-757.

[5] Ang B W. Decomposition analysis for policymaking in energy: which is the preferred method? [J]. Energy Policy, 2004,32(9):1131-1139.

[6] Diakoulaki D, Mavrotas G, Orkopoulos D, et al. A bottom-up decomposition analysis of energy-related CO2, emissions in Greece [J]. Energy, 2006,31(14):2638-2651.

[7] 米 紅,張田田,任正委,等.城鎮化進程中家庭CO2排放的驅動因素分析[J]. 中國環境科學, 2016,36(10):3183-3192. Mi H, Zhang T T, Ren Z W, et al. Driving factors of China’s household CO2emissions in the process of urbanization [J]. China Environmental Science, 2016,36(10):3183-3192.

[8] Wang P, Wu W S, Zhu B Z, et al. Examining the impact factors of energy-related CO2, emissions using the STIRPAT model in Guangdong Province, China [J]. Applied Energy, 2013,106(11):65-71.

[9] Feng K S, Siu Y L, Guan D B, et al. Analyzing drivers of regional carbon dioxide emissions for China [J]. Journal of Industrial Ecology, 2012,16(4):600-611.

[10] 計軍平,馬曉明.中國溫室氣體排放增長的結構分解分析[J]. 中國環境科學, 2011,31(12):2076-2082. Ji J P, Ma X M. Structural decomposition analysis of the increase in China’s greenhouse gas emissions [J]. China Environmental Science, 2011,31(12):2076-3082.

[11] Diakoulaki D, Mandaraka M. Decomposition analysis for assessing the progress in decoupling industrial growth from CO2, emissions in the EU manufacturing sector [J]. Energy Economics, 2007,29(4):636- 664.

[12] 呂可文,苗長虹,尚文英.工業能源消耗碳排放行業差異研究——以河南省為例[J]. 經濟地理, 2012,32(12):15-20. Lv K W, Miao C H, Shang W Y. Sectoral difference in carbon emission of industrial energy consumption:A case study of Henan province [J]. Economic Geography, 2012,32(12):15-20.

[13] 田 云,李 波.中國農業碳排放研究:測算、時空比較及脫鉤效應[J]. 資源科學, 2012,34(11):2097-2105. Tian Y, Li B. Agricultural carbon emissions in China: calculation, spatial-temporal comparison and decoupling effects [J]. Resources Science, 2012,34(11):2097-2105.

[14] 袁長偉,張 帥,焦 萍,等.中國省域交通運輸全要素碳排放效率時空變化及影響因素研究[J]. 資源科學, 2017,39(4):687-697. Yuan C W, Zhang S, Jiao P, et al. Temporal and spatial variation and influencing factors research on total factor efficiency for transportation carbon emissions in China [J]. Resources Science, 2017,39(4):687- 697.

[15] Yang X M. The household carbon emission analysis under individual consumer behavior [J]. China Population Resources & Environment, 2010,20(5):35-40.

[16] 付 允,馬永歡,劉怡君,等.低碳經濟的發展模式研究[J]. 中國人口·資源與環境, 2008,18(3):14-19. Fu Y, Ma Y H, Liu Y J, et al. Development patterns of low carbon economy [J]. China Population, Resources and Environment, 2008, 18(3):14-19.

[17] Tu Z. Strategic measures to reduce China’s carbon emissions: based on an index decomposition analysis of carbon emissions in eight industries [J]. Social Sciences in China, 2014,35(3):158-173.

[18] 李廣東,方創琳.中國區域經濟增長差異研究進展與展望[J]. 地理科學進展, 2013,32(7):1102-1112.Li G D, Fang C L. A review on divergence of regional economic growth in China [J]. Progress in Geography, 2013,32(7): 1102-1112.

[19] Raupach M R, Rayner P J, Paget M. Regional variations in spatial structure of nightlights, population density and fossil-fuel CO2, emissions [J]. Energy Policy, 2010,38(9):4756-4764.

[20] 蘇泳嫻,陳修治,葉玉瑤,等.基于夜間燈光數據的中國能源消費碳排放特征及機理[J]. 地理學報, 2013,68(11):1513-1526. Su Y X, Chen X Z, Ye Y Y, et al. The characteristics and mechanisms of carbon emissions from energy consumption in China using DMSP/OLS night light imageries [J]. Acta Geographica Sinica, 2013,68(11):1513-1526.

[21] 李海萍,龍 宓,李光一.基于DMSP/OLS數據的區域碳排放時空動態研究[J]. 中國環境科學, 2018,38(7):2777-2784. Li H P, Long M, Li G Y. Spatial-temporal dynamics of carbon dioxide emissions in China based on DMSP/OLS nighttime stable light data [J]. China Environmental Science, 2018,38(7):2777- 2784.

[22] NOAA. National Centers for Environmental Information. [EB/OL]. (2017-06-20). http://ngdc.noaa.gov/eog/down-load.html.

[23] NASA. NASA′s Earth Observing System Data and Information System. [EB/OL]. (2017-08-15). https://search.earthdata.nasa.gov/ search.

[24] CEADS. China Emission Accounts and Datasets. [EB/OL]. (2017- 04-15).http://www.ceads.net/.

[25] 曹子陽,吳志峰,匡耀求,等.DMSP/OLS夜間燈光影像中國區域的校正及應用[J]. 地球信息科學學報, 2015,17(9):1092-1102. Cao Z Y, Wu Z F, Kuang Y Q, et al. Correction of DMSP/OLS night-time light images and its application in China [J]. Journal of Geo-Information Science, 2015,17(9):1092-1102.

[26] 潘竟虎,李俊峰.基于夜間燈光影像的中國電力消耗量估算及時空動態[J]. 地理研究, 2016,35(4):627-638. Pan J H, Li J F. Estimate and spatio-temporal dynamics of electricity consumption in China based on DMSP/OLS images [J]. Geographical Research, 2016,35(4):627-638.

[27] 卓 莉,張曉帆,鄭 璟,等.基于EVI指數的DMSP/OLS夜間燈光數據去飽和方法[J]. 地理學報, 2015,70(8):1339-1350. Zhuo L, Zhang X F, Zheng J, et al. An EVI-based method to reduce saturation of DMSP/OLS nighttime light data [J]. Acta Geographica Sinica, 2015,70(8):1339-1350.

[28] IEA. 2008. World energy outlook 2008 [EB/OL]. 2008-05-01 [2014- 07-01]. http://www.worldenergyoutlook.org/media/weowebsite/2008- 1994/weo2008.pdf.

[29] 舒 松,余柏蒗,吳健平,等.基于夜間燈光數據的城市建成區提取方法評價與應用[J]. 遙感技術與應用, 2011,26(2):169-176. Shu S, Yu B L, Wu J P, et al. Methods for deriving urban built-up area using night-light data:assessment and application [J]. Remote Sensing Technology and Application, 2011,26(2):169-176.

[30] Doll C N H, Elvidge C D. Night-time imagery as a tool for global mapping of socioeconomic parameters and greenhouse gas emissions [J]. Ambio, 2000,29(3):157-162.

[31] 袁麗華,蔣衛國,申文明,等.2000—2010年黃河流域植被覆蓋的時空變化[J]. 生態學報, 2013,33(24):7798-7806. Yuan L H, Jiang W G, Shen W M, et al. The spatio-temporal variations of vegetation cover in the Yellow River Basin from2000 to 2010 [J]. Acta Ecologica Sinica, 2013,33(24):7798-7806.

[32] 方 利,王文杰,蔣衛國,等.2000~2014年黑龍江流域(中國)植被覆蓋時空變化及其對氣候變化的響應[J]. 地理科學, 2017,37(11): 1745-1754. Fang L, Wang W J, Jiang W G, et al. Spatio-temporal variations of vegetation cover and its responses to climate change in the Heilongjiang basin of China from 2000 to 2014 [J]. Scientia Geographica Sinica, 2017,37(11):1745-1754.

[33] 劉憲鋒,潘耀忠,朱秀芳,等.2000~2014年秦巴山區植被覆蓋時空變化特征及其歸因[J]. 地理學報, 2015,70(5):705-716. Liu X F, Pan Y Z, Zhu X F, et al. Spatiotemporal variation of vegetation coverage in Qinling-DabaMountains in relation to environmental factors [J]. Acta Geographica Sinica, 2015,70(5): 705-716.

[34] 范 丹,王維國,梁佩鳳.中國碳排放交易權機制的政策效果分析——基于雙重差分模型的估計[J]. 中國環境科學, 2017,37(6): 2383-2392. Fan D, Wang W G, Liang P F. Analysis of the performance of carbon emissions trading right in China-The evaluation based on the difference-in-difference model. [J]. China Environmental Science, 2017,37(6):2383-2392.

Spatio-temporal simulation and differentiation pattern of carbon emissions in China based on DMSP/OLS nighttime light data.

ZHANG Yong-nian, PAN Jing-hu*

(College of Geography and Environmental Science, Northwest Normal University, Lanzhou 730070, China).2019,39(4)：1436~1446

A precise simulation and measurement of the time-resolved and spatial distribution characteristics of carbon dioxide (CO2) can help critical references to the formulation of reasonable and differential carbon emission reduction policies. Taking the DMSP/OLS nighttime light data as basic data, this paper extracted the urban built-up area in Chinese mainland on the basis of data rectification, pixel desaturation and outliers elimination. To simulate China's carbon emissions in the period of 2000 to 2013, the carbon emission panel data model was constructed according to the quantitative correlations between DMSP/OLS nighttime light image data and carbon emission statistics. Then the spatio-temporal evolving trend and spatial distribution characteristics of carbon emissions in the research period of 14 years were discussed using Theil-Sen Median trend analysis and Mann-Kendall test method. The results showed that: 1) by correcting the DMSP/OLS nighttime light image data systematically, the simulation here of long-time serial carbon emissions showed high accuracy. The determination coefficient value,2, from the multiscale regression test for the year of 2002, 2007, 2012 were 0.893, 0.955 and 0.951, respectively. 2) It indicated that the overall carbon emissions from 2000 to 2013 in China have a significant characteristic of spatial-temporal evolution. The stable-slow rise type and rapid rise type carbon emission aeras accounted for 77.6% and 19.4% respectively of the total carbon emissions areas. It also showed that most regions in China were dominated by a stable-slow rise type, while the urban centers and its extended regions show a rapid rise type. 3) By the influence of city size and urbanization level, cities of the rapid rise type showed a clear directional difference with ‘hollow structure’ or ‘centered structure’. This study proposes that, the essential transformation of economic growth pattern and the development mode, as well as the implementation of different carbon emission reduction measures adapted to local conditions and provinces-regions linked strategy are the vital approach to achieve the “targeted emission alleviation”.

carbon emissions；nighttime light；panel regression；difference pattern；China

X511

A

1000-6923(2019)04-1436-11

2018-09-04

國家自然科學基金資助項目(41661025);西北師范大學青年教師科研能力提升計劃(NWNU-LKQN-16-7).

*責任作者, 教授, panjh_nwnu@nwnu.edu.cn

張永年(1991-),男,甘肅蘭州人,西北師范大學碩士研究生,主要從事空間經濟分析研究.發表論文1篇.