基于DMSP/OLS数据的中国碳排放时空模拟与分异格局

张永年,潘竟虎



基于DMSP/OLS数据的中国碳排放时空模拟与分异格局

张永年,潘竟虎*

(西北师范大学地理与环境科学学院,甘肃 兰州 730070)

精准模拟和精细尺度获取碳排放的时空动态信息,对于合理制定差别化的区域碳减排政策具有重要意义.利用DMSP/OLS夜间灯光数据在完成年内和跨年数据的校正、像元去饱和、异常值剔除的基础上,提取了城市建成区范围,并以中国大陆为研究对象,根据夜间灯光数据和碳排放统计数据之间的定量关联,构建面板数据模型模拟了2000~2013年中国的碳排放量;采用Theil—Sen Median趋势分析方法与Mann-Kendall检验,探讨了14年间中国碳排放量的时空变化趋势及空间分布特征.结果表明:系统校正后的DMSP/OLS夜间灯光影像构建面板模型模拟的碳排放量拟合精度较高,2002,2007和2012年多尺度回归检验的决定系数2值分别为0.893,0.955和0.951.2000~2013年中国碳排放时空演化差异显著,稳慢增长型和迅猛增长型分别占碳排放区域总面积的77.6%和19.4%,稳慢增长型面域宽广,迅猛增长型主要位于都市区及都市连绵区.受城市规模及城市化发育程度的影响,迅猛增长型空间结构呈“空心型”与“中心型”空间指向性分异.研究提出,促进经济增长方式和发展模式的实质性转变、因地制宜差别化的减排措施与省区联动策略的实施是“精准减排”目标实现的重要途径.

碳排放；夜间灯光；面板回归；分异格局；中国

气候变化问题已成为人类社会可持续发展的重大环境挑战,在政府、公众和科学界等多层面引起广泛的关注.近一个世纪以来,特别是近二三十年来,地球气候系统正经历着一次以变暖为主要特征的显著变化[1].粗放型城镇化和工业化所引致的以CO2为主的温室气体排放量居高不下,地球碳循环格局失衡,是全球气候变暖的重要因素.中国在2006年碳排放总量已超过美国居世界首位,2006~2016年碳排放总量占世界的比重由20%上升至27.3%,年均增长率约为4.2%[2],至2030年左右预计达到排放峰值.在碳排放持续增长和碳减排双重压力下,作为世界最大的碳排放经济体,中国积极履行碳减排责任并努力打造低碳发展之路.在2015年巴黎气候大会上,中国承诺在2030年单位GDP碳排放量比2005年降低60%~65%,实现资源投入总量和碳排放总量达到峰值后的双下降.在十九大报告中也明确提出: “要构建清洁低碳的能源体系和建立健全绿色低碳循环发展的经济体系”.可见,在大力推进生态文明建设与绿色低碳发展背景下,需要从精细尺度掌握和厘清我国碳排放实际,算好“碳排账”,为更好地建设“资源节约型、环境友好型、生态文明型”社会提供有力的支撑.

碳排放一般是指温室气体的排放碳当量,伴随气候、环境问题凸显,碳排放研究逐渐成为地理学和其他学科研究者在多层面关注的热点.目前,国内外学者对碳排放的研究主要集中在以下几个方面:碳排放的估算和分解方法.对于碳排放的估算目前采用较多的是排放系数法[3-4],分解方法应用最广泛的是指数分解方法(IDA)[5];碳排放的影响因素研究.主要采用Kaya恒等式、LMDI模型、STIRPAT模型、SDA模型等研究方法,从技术、结构、规模、其他因素等分析各因素对碳排放带来的正负效应[6-10].不同行业的碳排放.从工业、农业、交通运输、居民消费等主要碳源行业对碳排放进行探讨研究,分析其主要排放特征,探讨行业内部结构各组成要素间相互联系与制约对碳排放的影响[11-15].碳减排与低碳绿色发展策略研究.研究认为产业结构的调整与优化、清洁能源的推广使用、低碳技术的创新与进步、政策和法律体系的健全与保障等多举措可以有效地推动碳减排和低碳经济的发展[16-17].梳理现有研究发现,碳排放的研究覆盖面广且内容丰富,但仍存在以下问题:不同的学者在测度方式、数据获取、排放源分类、CO2排放系数等方面存在差异,估计结果往往相差巨大.由于官方统计数据尺度的局限性,相关研究主要集中在宏观视角,国家、省级尺度研究较多,中小尺度定量研究相对缺乏,且无法真正落实到空间格网,较大空间尺度碳排放研究难以对区域格局特征进行准确的刻画,空间尺度越小越能有效地识别碳排放的空间差异,有助于差异化精准减排政策的制定.部分学者利用DMSP/OLS夜间灯光数据对碳排放进行空间化,但在建立像元灰度值(DN)与碳排放量拟合关系时,大多采用横截面或时间序列模型为主,无法有效地体现区域在纵向与横向的时空变化特征,仅靠截面模型得出的结论可能有偏差[18].此外,对夜间灯光数据的预处理和校正较为粗糙且有疏漏,模拟的精度有待提高.因此,借助新的空间信息技术和多维理论模型全面科学地对碳排放进行精准的模拟和精细化的研究显得尤为必要.

由美国军事气象卫星(DMSP)搭载的OLS传感器所生成的夜间灯光数据可以有效地监测人类活动,是表征人类活动强度可靠的数据源,而以人类活动为主体的生产生活活动是产生碳排放的主要动力,因此,可以使用DMSP/OLS夜间灯光影像对碳排放进行模拟[19-21].本文以“空间”和“精细化尺度”作为切入点,采用DMSP/OLS夜间灯光数据、MODIS数据、高分辨率遥感影像数据、基础地理信息数据等,利用面板数据模型客观、精准地实现长时间序列碳排放的定量模拟,应用空间分析技术,从“格网”视角分析碳排放的时空分异格局与演变特征,旨在为区域层面精细化的碳减排联动方案和“共同但有区别”的碳减排政策的制定提供科学参考.

1 数据来源与处理

选定中国大陆地区为研究区域(西藏自治区、香港特别行政区、澳门特别行政区、台湾省由于碳排放统计数据缺失未包括在内).采用的2000~2013年DMSP/OLS稳定夜间灯光数据获取自美国国家环境信息中心网站[22],稳定夜间灯光数据对火光和偶然噪声的影响进行了处理、空间分辨率为30"(弧秒,在赤道附近约为1km,40°N处约为0.8km),灰度值范围为0~63.2000~2013年NDVI、EVI产品数据MOD13A2获取自Earth data数据库网站[23],为16d合成数据,空间分辨率为1km,选取每年5~9月份数据经过拼接、裁剪、投影转换(Albers等积圆锥投影)等过程形成中国地区月数据,将月数据通过最大值合成法获得中国地区年NDVI、EVI产品数据.高分辨率遥感影像数据来源于谷歌地球,空间分辨率为7m,通过人机交互目视解译方法获得2013年北京市城市建成区范围.碳排放统计数据来源于中国碳排放数据库CEAD[24].各行政区界线、城市位置等获取自国家基础地理信息中心1:400万数据库和基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)2890号标准地图制作,底图无修改.

2 研究方法

2.1 夜间灯光数据处理

2.1.1 夜间灯光数据的连续性校正 本文所使用的DMSP/OLS稳定夜间灯光数据由F14(1997~2003年)、F15(2000~2007年)、F16(2004~2009年)、F18(2010~2013年)4代卫星传感器探测获取,因此,研究时期内同一年存在2期影像和不同年份数据由不同卫星获取的问题,从而可能导致影像数据之间存在差异,在连续时间序列方面,影像值存在异常问题.因此需要对夜间灯光数据进行年内数据的整合与跨年数据的校正,计算公式为[25]:

(=2000,2001,2002,···,2013) (1)

式中:为整合后的夜间灯光影像第栅格DN值,与分别为第年的2个卫星所获取影像的第栅格DN值.如果同一年2幅影像第栅格DN值为0则整合后取0值,若大于0则对2幅影像第栅格DN值取平均值.

(=2000,2001,2002,·····,2013) (2)

式中:、、分别表示跨年数据的校正时第-1年、第年和第+1年经过(1)式整合后的夜间灯光影像第栅格的DN值.若后一年影像像元DN值为0,前一年影像像元DN值也应该为0;若后一年的影像像元DN值大于0,则前一年的影像对应位置像元DN值应该等于或者小于后一年的(中国近20年城镇化过程经验假设亮斑不会消失).

由图1可以清晰地看出在完成年内数据整合的基础上,校正前每一期影像的像元DN总值变化趋势无序波动,利用公式(2)校正后使连续时间序列的夜间灯光影像像元DN总值呈单调递增的趋势,修正了2003,2011年等多年份影像像元DN总值比前一年低的异常情况,经过校正后的影像数据之间连续且具有可比性,为后续夜间灯光的去饱和与建立模型做好基础准备.

2.1.2 夜间灯光数据饱和像元与异常值的处理 由于OLS传感器设计的局限性,夜间灯光数据的辐射分辨率较低,DN值的范围介于0~63之间,使得探测到的城市中心城区存在大量的饱和像元,一定程度上城市中心区域内部实际灯光亮度差异被掩盖,导致在建立模型模拟过程及结果分析中出现偏差.研究发现[22],植被指数值与夜间灯光DN值在空间上呈负相关,利用这种关系特征可以用植被指数对夜间灯光数据饱和现象进行缓解和去除.由于增强型植被指数(EVI)在减弱土壤背景和大气对植被指数影响方面较归一化差值植被指数(NDVI)有明显优势,因此本文借鉴潘竟虎等[26]和卓莉等[27]学者提出的灯光去饱和方法,利用EVI指数分别构建比值型降饱和指数(RVI)、改进型降饱和指数(MDVI)、增强型降饱和指数(ENVI)等3种指数与原始数据进行比较分析.在此之前首先需要对EVI小于0.01的像元(主要为水体及水体边缘的混合像元)进行剔除,其次为了便于计算和分析,需要对夜间灯光数据(NTL)进行归一化处理,使NTL值域为[0,1].具体各类型降饱和指数公式如下:

式中:NTL为归一化的灯光数据,EVI为经过预处理后的植被指数.

将夜间灯光影像数据按照公式(3)、(4)、(5)分别计算处理,以2013年北京市为例,绘制一条横贯北京东西向的剖面线,将原始夜间灯光影像数据与比值型、改进型、增强型结果影像(图2)进行对比发现,原始夜间灯光数据城市中心城区饱和现象明显,中心城区内部像元值差异较小,在利用EVI构建的比值型、改进型、增强型3种降饱和方法处理后,夜间灯光数据的饱和效应得到明显减弱,强化了中心城区内部差异.继而对3种降饱和结果进行比较,发现3类降饱和结果DN值曲线趋势相似,但增强型的拉伸更加明显,对城市内部真实差异的凸显效果比改进型和比值型更为突出,强化了实际地物对夜间灯光区域的影响.基于以上分析,采用增强型降饱和指数法对2000~2013年夜间灯光影像进行去饱和处理.

图2 2013年北京市中心城区纬向样带降饱和指数对比

观察去饱和后的夜间灯光影像,发现影像个别像元值存在极大值或突变值,为保证研究精确度,设定灯光影像的最大值实际应该出现在经济最发达的地区,为此,本文选取北京、广州、上海、深圳4个城市中影像最大灰度像元值作为本研究的最大阈值,部分像元值若大于最大阈值,则采用窗口移动法(观察已判定为异常值周围8个像元值的大小,选取最大值代替异常值)对此异常值进行处理.

2.1.3 城市建成区范围提取 传统化石能源的消耗是温室气体产生的主要来源,而城市地区则是能源消耗的主要集中地.据估计,城市地区消费了世界67%的能源和排放了全球71%的CO2[28].因此,基于夜间灯光影像提取高精度的城市建成区是进行碳排放模拟的前提.城市建成区提取的关键是获取最佳阈值,通过阈值对夜间灯光影像进行分割得到城市建成区,目前最佳阈值的获取方法主要有4种:经验阈值法,突变检测法,统计数据比较法,较高分辨率影像数据空间比较法.其中突变检测法具有自动化程度高,客观性较强等特点,其最佳阈值确定的建成区与实际情况较为符合[29].因此本文采用突变检测法,综合考虑城市地理区位(南方北方之别,东部西部之异)及城市空间模式(环形放射式、带状等),选取北京、深圳、西安为典型样本城市确定最佳阈值,通过编写代码在Matlab软件中确定最佳阈值(图3),将获取的3个城市最佳阈值取平均数后,确定DN值³2.9为城市建成区最佳阈值,从而得到全国各城市的建成区范围.将北京市2013年夜间灯光影像通过最佳阈值提取的建成区范围与谷歌地球2013年高分辨率影像通过人机交互目视解译的城市建成区范围对比进行精度验证(图4),其中,最佳阈值提取的建成区面积为2775km2,而高分辨率影像提取的面积为3118km2,提取精度达89%,满足研究的精度需求.

图4 2013年北京市建成区提取结果对比

2.2 碳排放模拟模型的建立

碳排放模拟模型的建立是基于夜间灯光影像像元DN值与地面上像元位置CO2排放量呈正相关关系这一假设构建的,Doll等[30]已证明这一假设关系的存在.基于这一假设关系,本文采用面板数据分析方法尝试建立中部地区城市碳排放与夜间灯光像元值之间的回归模型,将样本数据建立的回归模型用于估算模拟全国的碳排放,并从省域和地级市层面进行精度验证.

以中部地区作为模型建立样本区主要理由是:首先,中部六省是我国的人口大区,也是国家产业转移重要承接地,产业结构偏重于工业,区域经济的发展对化石能源的需求量大,具有典型性;其次,中部地区既是能源原材料基地(山西、豫西、湖北、安徽等),又是装备制造业基地(武汉、长沙、株洲等),该区域近二十年以工业为主导的快速城镇化及迅速崛起是中国城市化进程的典型缩影,具有样板性;第三,分别求得2000~2013年碳排放统计数据和夜间灯光数据变异系数平均值,其值均大于全国、东部、西部和东北地区,研究时段内指标的变化程度更加明显,其时间序列数据能更好体现中国社会经济发展的进程,具有独特代表性.

2.2.1 单位根检验 在进行面板数据分析前首先需要进行单位根的检验,验证变量的平稳性,避免虚假的回归,包括省域范围内统计碳排放量和夜间灯光DN总值.主要采用LL检验和IPS检验方法来评估面板数据的平稳性,若两者结论不一致时,则认为变量为非平稳,继续进行差分检验,直至数据平稳.进行单位根分析之前,对所有数据实现了自然对数变换,以避免异方差和非平稳性现象.检验结果(表1)表明,在一阶差分后,所有变量拒绝在1%显著水平上的原假设,因此可以对涉及到的变量进行面板数据回归.

2.2.2 协整分析检验 上述单位根检验得出LnNTL和LnTCO2满足一阶单整,进一步对变量间协整关系进行检验,考察变量之间是否存在长期的均衡关系.本文采用Perdroni面板协整检验方法来分析LnNTL和LnTCO2之间是否存在协整关系,检验结果表明,Panel PP-Statistic(统计量:-9.427,概率值:0.000)、Panel ADF-Statistic(统计量:-4.670,概率值:0.000)、Group PP-Statistic(统计量:-11.009,概率值:0.000)、Group ADF-Statistic(统计量:-3.706,概率值:0.000)统计量和概率值均支持LnNTL与LnTCO2存在一个长期均衡的协整关系方程.

2.2.3 面板数据模型设定 在协整检验通过的基础上可以直接对原方程进行回归.面板数据模型主要分为3种:混合回归模型、固定效应模型和随机效应模型,采用F-检验和Hausman检验进行模型的选择,结果表明,F-检验拒绝原假设, Hausman检验结果值为0.4218,表明拒绝固定效应模型,采用随机效应模型更为合理,利用省域内统计的建成区夜间灯光数据亮度总值与对应区域CO2排放量的统计数值建立随机效应模型, 其中,值为0.000,在0.01水平上显著相关,2达到0.874,具体结果如下:

式中:TCO2表示模拟CO2排放量,NTL为夜间灯光亮度总值.

2.3 Theil—Sen Median趋势分析和Mann—Kendall检验

Theil-Sen Median趋势分析和Mann-Kendall检验方法的良好结合,可以从格网空间视角来检验和判断长时间序列数据的变化趋势.该方法的优点是对数据误差具有较强的规避能力,使得结果更加科学和可信.Theil-Sen Median趋势分析是一种稳健的非参数统计的趋势计算方法,可以减少数据异常值的影响[31],Theil-Sen Median趋势计算(－1)/2个数据组合的斜率的中位数,其计算公式为[27]:

2000£<£2013 (7)

Mann-Kendall统计检验计算公式详见文献[32].

表1 面板数据的单位根检验

注:***、**、*分别表示1%、5%、10%的显著性水平下拒绝原假设.

3 结果与讨论

3.1 碳排放总量模拟结果及精度验证

经过系统校正后的夜间灯光数据通过公式(6)在栅格尺度上对全国范围的碳排放进行模拟,得到碳排放空间分布.研究表明在NDVI£0.1和NDVI> 0.9的区域可以判定为无人区域[26],利用预处理完成的NDVI数据,将判定为无人的区域从对应碳排放模拟结果栅格数据中进行剔除,得到最终全国2000~ 2013年碳排放模拟空间分布图(图5).

精度验证是衡量模型应用效果的重要步骤,也是进一步深入分析的可靠保证.分别选取2002,2007, 2012年的模拟结果,利用北京、杭州、福州、昆明、上饶等28个地级市和青海、新疆等部分省级行政区的碳排放统计数据进行精度验证.选取以上区域作为验证样本主要从样本的区位与代表性及城市规模等多视角进行考虑,一是行政空间从省域到地级市多层次选取样本;二是选取既有诸如青岛、福州等东部沿海城市,又有郑州、昆明等中西部内陆城市;三是既有城市化发展水平较高的大城市(北京、天津),又有诸如安庆等中小型城市.将统计数据的碳排放值与夜间灯光模拟的碳排放值通过回归方式(图6)进行检验.分析发现,模拟值较好地反映了统计碳排放的分布规律,模拟值和统计碳排放值具有明显的线性关系,决定系数2值在3个时期分别为0.893, 0.955,0.951.由此可见,本研究模拟碳排放量结果的精度和准确度均优良,误差在可控范围内,可用来进一步开展全国碳排放量的时空趋势变化特征分析.

3.2 碳排放的时空变化趋势

由图7可知,2000~2013年中国碳排放量总体变化呈增长态势,其中稳慢增长型和迅猛增长型是主要的变化类型,分别占碳排放区域总面积的77.6%和19.4%;中速增长型和较快增长型主要零星分布于迅猛增长型四周及边缘地区;未有减少型区域,这与我国此阶段城市化过程中能源消耗的社会实际相符合.部分栅格单元未通过Mann-Kendall显著性检验,将其从趋势结果数据中剔除.从空间整体分布状态来看,碳排放变化趋势明显地区主要分布于胡焕庸线东南侧地区,稳慢增长型地域面积广大,主要分布于城市化发育程度相对不成熟地区,此地区经济发展水平相对较低,工业基础设施建设相对较落后,能源在需求端和消耗端均表现为低态势,呈稳定或缓慢增长的趋向.迅猛增长型主要分布在区域中心城市及都市连绵区,该区域经济发展水平程度高,能源要素空间流动及使用效率高,人口、产业聚集效应显著,城市与工业经济的快速发展刺激能源的高消耗与高排放.

受版面插图比例的限制,无法清晰地从中小区域尺度分析碳排放变化的趋势,因此本文在全国范围内选取具有代表性的6个城市进行分析,综合考虑了南北方及东西部的差异,平原型城市和河谷型城市的区分,特大城市与中小型城市的不同.研究分析发现,城市化发育较成熟或区域经济发展的中心城市(北京、长沙、兰州)迅猛发展型在空间形态上呈“空心化”,即迅猛发展型区域主要分布于城市主城区中心外围,此现象从地租价格水平影响产业区位布局的角度分析,距离城市中心越近,地价水平越高,而迅猛发展型区域主要是第二产业及能源消耗型产业相对集中的区域,受地租价格水平的影响往往布局在中心城市边缘区.从城市内生环境的结构性调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,人们对美好生活的追求刺激着中心城区生活环境的高品质,对于高能耗和高排放产业“准入度”的门槛就相对提高,因此主城区中心外围成为碳排放重点增长区域.而对于中小城市(抚州、朝阳、来宾)迅猛发展型区域则主要集中聚集在主城区(“中心型”结构),从社会经济发展的角度来看,中小城市由于受自身发展的影响,中心城区范围面积相对较小,而城市社会经济的发展对于能源的需求较大,加之城市化进程中产业结构不尽合理,导致碳排放与经济活动中心区紧密联系,因此呈现“中心型”结构.无论“空心型”结构还是“中心型”结构,通过不同的空间结构特征界定,可以为进一步揭示区域碳排放碳源和碳减排重点区域的划定提供思路与参考.

虽然本文采用了认同度较高的CEAD的统计碳排放数据,通过17种化石燃料消耗量计算碳排放,较目前学术界普遍选取的统计数据估算碳排放更为全面,但实际碳排放不仅包含工业生产,还有诸如农业、土地利用等多领域的主体活动和人类行为,受数据获取和统计的困难,通过间接计算得到的统计数据不免与实际存在一定的误差.此外,DMSP/ OLS数据空间分辨率较低,2014年以后数据不再更新,新一代NPP-VIIRS数据采用星上辐射定标,且时间和空间分辨率均有提高,利用其进行碳排放估算,为实现连续时间序列碳排放监测和分析将是下一步研究的重点.最后,碳排放过程是非常复杂的系统工程,驱动机制复杂,在中小尺度更精细化的驱动机制及其量化分析也将是下一步研究的重点方向.

图7 2000~2013年中国及代表性城市碳排放变化趋势

在发展绿色低碳循环经济和生态文明建设的目标框架下,中国的城市化与工业化道路如何实现社会经济发展与环境健康协调耦合是一项重大的挑战.在全国层面上,产业结构的升级与调整、能源结构的改善、碳减排创新技术的推广、完善碳交易平台、政府宏观调控政策的制定等诸多方面的举措势在必行[34],这必然推动经济增长动能和发展模式实现实质性的转变,促使经济发展驶入低碳绿色通道.在地区层面上,碳排放模拟的时空格局与趋势变化表现出明显的空间异质性,提示我们需要因地制宜实施差别化的减排措施,碳排放量的科学估算及其空间分布可以为合理制定差别化的节能减排策略提供依据.以“低碳、绿色、创新、循环、效率”为准则,从宏观到微观,从区域到企业到个人,实现减排措施的“精准落地、精准减排”,保障我国生态文明建设与节能减排目标的实现.

4 结论

4.1 采用系统校正后的DMSP/OLS夜间灯光影像数据模拟碳排放量的时空拟合具有较高的精度.本文综合运用遥感影像数据与社会经济统计数据,在年内数据的整合与跨年数据的校正的基础上,利用EVI数据构建RVI、MDVI、ENVI等3种降饱和指数,择优辅助于灯光数据像元的去饱和,进一步采用窗口移动法和突变检测法进行异常值的剔除和城市建成区范围的提取,继而构建中国分省的城市建成区夜间灯光值与统计碳排放之间的面板回归数据模型,对全国能源消耗的碳排放进行时空模拟,引入NDVI将判定为无人的区域从模拟结果栅格数据中剔除,提高模拟精度.选取2002、2007、2012年的模拟结果进行精度验证,结果显示,从省域到地级市层面模型模拟精度与统计碳排放的空间准确度均较高,回归检验的决定系数2分别为0.893、0.955、0.951.

4.2 2000~2013年,我国碳排放的时空变化趋势整体表现出“稳中有进与迅猛增长并存”的特征.碳排放增长区域主要分布于胡焕庸线东南侧地区,稳慢增长型和迅猛增长型分别占碳排放区域总面积的77.6%和19.4%,稳慢增长型区域地域范围广,迅猛增长型主要集中在区域经济发展的中心地域及其辐射地区.

4.3 迅猛增长型的空间结构形态表现出明显的“空心型”与“中心型”指向性分异.这种空间结构形态的异同受城市化进程中诸多因素的影响,可从空间的视角对于高碳源和重点治理区的碳减排提供科学参考.

[1] 秦大河.气候变化科学的最新进展[J]. 科技导报, 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世界能源统计年鉴(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] 程叶青,王哲野,张守志,等.中国能源消费碳排放强度及其影响因素的空间计量[J]. 地理学报, 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] 高长春,刘贤赵,李朝奎,等.近20年来中国能源消费碳排放时空格局动态[J]. 地理科学进展, 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 红,张田田,任正委,等.城镇化进程中家庭CO2排放的驱动因素分析[J]. 中国环境科学, 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] 计军平,马晓明.中国温室气体排放增长的结构分解分析[J]. 中国环境科学, 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] 吕可文,苗长虹,尚文英.工业能源消耗碳排放行业差异研究——以河南省为例[J]. 经济地理, 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.中国农业碳排放研究:测算、时空比较及脱钩效应[J]. 资源科学, 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] 袁长伟,张 帅,焦 萍,等.中国省域交通运输全要素碳排放效率时空变化及影响因素研究[J]. 资源科学, 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,马永欢,刘怡君,等.低碳经济的发展模式研究[J]. 中国人口·资源与环境, 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] 李广东,方创琳.中国区域经济增长差异研究进展与展望[J]. 地理科学进展, 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] 苏泳娴,陈修治,叶玉瑶,等.基于夜间灯光数据的中国能源消费碳排放特征及机理[J]. 地理学报, 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,龙 宓,李光一.基于DMSP/OLS数据的区域碳排放时空动态研究[J]. 中国环境科学, 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] 曹子阳,吴志峰,匡耀求,等.DMSP/OLS夜间灯光影像中国区域的校正及应用[J]. 地球信息科学学报, 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.基于夜间灯光影像的中国电力消耗量估算及时空动态[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,张晓帆,郑 璟,等.基于EVI指数的DMSP/OLS夜间灯光数据去饱和方法[J]. 地理学报, 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,吴健平,等.基于夜间灯光数据的城市建成区提取方法评价与应用[J]. 遥感技术与应用, 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] 袁丽华,蒋卫国,申文明,等.2000—2010年黄河流域植被覆盖的时空变化[J]. 生态学报, 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,蒋卫国,等.2000~2014年黑龙江流域(中国)植被覆盖时空变化及其对气候变化的响应[J]. 地理科学, 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] 刘宪锋,潘耀忠,朱秀芳,等.2000~2014年秦巴山区植被覆盖时空变化特征及其归因[J]. 地理学报, 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,王维国,梁佩凤.中国碳排放交易权机制的政策效果分析——基于双重差分模型的估计[J]. 中国环境科学, 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

国家自然科学基金资助项目(41661025);西北师范大学青年教师科研能力提升计划(NWNU-LKQN-16-7).

*责任作者, 教授, panjh_nwnu@nwnu.edu.cn

张永年(1991-),男,甘肃兰州人,西北师范大学硕士研究生,主要从事空间经济分析研究.发表论文1篇.