張永年,潘竟虎

?

基于DMSP/OLS數(shù)據(jù)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(xué)地理與環(huán)境科學(xué)學(xué)院,甘肅 蘭州 730070)

精準(zhǔn)模擬和精細(xì)尺度獲取碳排放的時空動態(tài)信息,對于合理制定差別化的區(qū)域碳減排政策具有重要意義.利用DMSP/OLS夜間燈光數(shù)據(jù)在完成年內(nèi)和跨年數(shù)據(jù)的校正、像元去飽和、異常值剔除的基礎(chǔ)上,提取了城市建成區(qū)范圍,并以中國大陸為研究對象,根據(jù)夜間燈光數(shù)據(jù)和碳排放統(tǒng)計數(shù)據(jù)之間的定量關(guān)聯(lián),構(gòu)建面板數(shù)據(jù)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(jié)果表明:系統(tǒng)校正后的DMSP/OLS夜間燈光影像構(gòu)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(shù)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(wěn)慢增長型和迅猛增長型分別占碳排放區(qū)域總面積的77.6%和19.4%,穩(wěn)慢增長型面域?qū)拸V,迅猛增長型主要位于都市區(qū)及都市連綿區(qū).受城市規(guī)模及城市化發(fā)育程度的影響,迅猛增長型空間結(jié)構(gòu)呈“空心型”與“中心型”空間指向性分異.研究提出,促進(jìn)經(jīng)濟(jì)增長方式和發(fā)展模式的實質(zhì)性轉(zhuǎn)變、因地制宜差別化的減排措施與省區(qū)聯(lián)動策略的實施是“精準(zhǔn)減排”目標(biāo)實現(xiàn)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(xù)發(fā)展的重大環(huán)境挑戰(zhàn),在政府、公眾和科學(xué)界等多層面引起廣泛的關(guān)注.近一個世紀(jì)以來,特別是近二三十年來,地球氣候系統(tǒng)正經(jīng)歷著一次以變暖為主要特征的顯著變化[1].粗放型城鎮(zhèn)化和工業(yè)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(huán)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(yù)計達(dá)到排放峰值.在碳排放持續(xù)增長和碳減排雙重壓力下,作為世界最大的碳排放經(jīng)濟(jì)體,中國積極履行碳減排責(zé)任并努力打造低碳發(fā)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(xiàn)資源投入總量和碳排放總量達(dá)到峰值后的雙下降.在十九大報告中也明確提出: “要構(gòu)建清潔低碳的能源體系和建立健全綠色低碳循環(huán)發(fā)展的經(jīng)濟(jì)體系”.可見,在大力推進(jìn)生態(tài)文明建設(shè)與綠色低碳發(fā)展背景下,需要從精細(xì)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(shè)“資源節(jié)約型、環(huán)境友好型、生態(tài)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(dāng)量,伴隨氣候、環(huán)境問題凸顯,碳排放研究逐漸成為地理學(xué)和其他學(xué)科研究者在多層面關(guān)注的熱點(diǎn).目前,國內(nèi)外學(xué)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(shù)法[3-4],分解方法應(yīng)用最廣泛的是指數(shù)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(shù)、結(jié)構(gòu)、規(guī)模、其他因素等分析各因素對碳排放帶來的正負(fù)效應(yīng)[6-10].不同行業(yè)的碳排放.從工業(yè)、農(nóng)業(yè)、交通運(yùn)輸、居民消費(fèi)等主要碳源行業(yè)對碳排放進(jìn)行探討研究,分析其主要排放特征,探討行業(yè)內(nèi)部結(jié)構(gòu)各組成要素間相互聯(lián)系與制約對碳排放的影響[11-15].碳減排與低碳綠色發(fā)展策略研究.研究認(rèn)為產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整與優(yōu)化、清潔能源的推廣使用、低碳技術(shù)的創(chuàng)新與進(jìn)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(jīng)濟(jì)的發(fā)展[16-17].梳理現(xiàn)有研究發(fā)現(xiàn),碳排放的研究覆蓋面廣且內(nèi)容豐富,但仍存在以下問題:不同的學(xué)者在測度方式、數(shù)據(jù)獲取、排放源分類、CO2排放系數(shù)等方面存在差異,估計結(jié)果往往相差巨大.由于官方統(tǒng)計數(shù)據(jù)尺度的局限性,相關(guān)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(wǎng),較大空間尺度碳排放研究難以對區(qū)域格局特征進(jìn)行準(zhǔn)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(zhǔn)減排政策的制定.部分學(xué)者利用DMSP/OLS夜間燈光數(shù)據(jù)對碳排放進(jìn)行空間化,但在建立像元灰度值(DN)與碳排放量擬合關(guān)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(xiàn)區(qū)域在縱向與橫向的時空變化特征,僅靠截面模型得出的結(jié)論可能有偏差[18].此外,對夜間燈光數(shù)據(jù)的預(yù)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(shù)和多維理論模型全面科學(xué)地對碳排放進(jìn)行精準(zhǔn)的模擬和精細(xì)化的研究顯得尤為必要.

由美國軍事氣象衛(wèi)星(DMSP)搭載的OLS傳感器所生成的夜間燈光數(shù)據(jù)可以有效地監(jiān)測人類活動,是表征人類活動強(qiáng)度可靠的數(shù)據(jù)源,而以人類活動為主體的生產(chǎn)生活活動是產(chǎn)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(jìn)行模擬[19-21].本文以“空間”和“精細(xì)化尺度”作為切入點(diǎn),采用DMSP/OLS夜間燈光數(shù)據(jù)、MODIS數(shù)據(jù)、高分辨率遙感影像數(shù)據(jù)、基礎(chǔ)地理信息數(shù)據(jù)等,利用面板數(shù)據(jù)模型客觀、精準(zhǔn)地實現(xiàn)長時間序列碳排放的定量模擬,應(yīng)用空間分析技術(shù),從“格網(wǎng)”視角分析碳排放的時空分異格局與演變特征,旨在為區(qū)域?qū)用婢?xì)化的碳減排聯(lián)動方案和“共同但有區(qū)別”的碳減排政策的制定提供科學(xué)參考.

1 數(shù)據(jù)來源與處理

選定中國大陸地區(qū)為研究區(qū)域(西藏自治區(qū)、香港特別行政區(qū)、澳門特別行政區(qū)、臺灣省由于碳排放統(tǒng)計數(shù)據(jù)缺失未包括在內(nèi)).采用的2000~2013年DMSP/OLS穩(wěn)定夜間燈光數(shù)據(jù)獲取自美國國家環(huán)境信息中心網(wǎng)站[22],穩(wěn)定夜間燈光數(shù)據(jù)對火光和偶然噪聲的影響進(jìn)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(chǎn)品數(shù)據(jù)MOD13A2獲取自Earth data數(shù)據(jù)庫網(wǎng)站[23],為16d合成數(shù)據(jù),空間分辨率為1km,選取每年5~9月份數(shù)據(jù)經(jīng)過拼接、裁剪、投影轉(zhuǎn)換(Albers等積圓錐投影)等過程形成中國地區(qū)月數(shù)據(jù),將月數(shù)據(jù)通過最大值合成法獲得中國地區(qū)年NDVI、EVI產(chǎn)品數(shù)據(jù).高分辨率遙感影像數(shù)據(jù)來源于谷歌地球,空間分辨率為7m,通過人機(jī)交互目視解譯方法獲得2013年北京市城市建成區(qū)范圍.碳排放統(tǒng)計數(shù)據(jù)來源于中國碳排放數(shù)據(jù)庫CEAD[24].各行政區(qū)界線、城市位置等獲取自國家基礎(chǔ)地理信息中心1:400萬數(shù)據(jù)庫和基于國家測繪地理信息局標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站下載的審圖號為GS(2016)2890號標(biāo)準(zhǔn)地圖制作,底圖無修改.

2 研究方法

2.1 夜間燈光數(shù)據(jù)處理

2.1.1 夜間燈光數(shù)據(jù)的連續(xù)性校正 本文所使用的DMSP/OLS穩(wěn)定夜間燈光數(shù)據(jù)由F14(1997~2003年)、F15(2000~2007年)、F16(2004~2009年)、F18(2010~2013年)4代衛(wèi)星傳感器探測獲取,因此,研究時期內(nèi)同一年存在2期影像和不同年份數(shù)據(jù)由不同衛(wèi)星獲取的問題,從而可能導(dǎo)致影像數(shù)據(jù)之間存在差異,在連續(xù)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(shù)據(jù)進(jìn)行年內(nèi)數(shù)據(jù)的整合與跨年數(shù)據(jù)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(wèi)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(shù)據(jù)的校正時第-1年、第年和第+1年經(jīng)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(yīng)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(yīng)位置像元DN值應(yīng)該等于或者小于后一年的(中國近20年城鎮(zhèn)化過程經(jīng)驗假設(shè)亮斑不會消失).

由圖1可以清晰地看出在完成年內(nèi)數(shù)據(jù)整合的基礎(chǔ)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(xù)時間序列的夜間燈光影像像元DN總值呈單調(diào)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(jīng)過校正后的影像數(shù)據(jù)之間連續(xù)且具有可比性,為后續(xù)夜間燈光的去飽和與建立模型做好基礎(chǔ)準(zhǔn)備.

2.1.2 夜間燈光數(shù)據(jù)飽和像元與異常值的處理 由于OLS傳感器設(shè)計的局限性,夜間燈光數(shù)據(jù)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(qū)存在大量的飽和像元,一定程度上城市中心區(qū)域內(nèi)部實際燈光亮度差異被掩蓋,導(dǎo)致在建立模型模擬過程及結(jié)果分析中出現(xiàn)偏差.研究發(fā)現(xiàn)[22],植被指數(shù)值與夜間燈光DN值在空間上呈負(fù)相關(guān),利用這種關(guān)系特征可以用植被指數(shù)對夜間燈光數(shù)據(jù)飽和現(xiàn)象進(jìn)行緩解和去除.由于增強(qiáng)型植被指數(shù)(EVI)在減弱土壤背景和大氣對植被指數(shù)影響方面較歸一化差值植被指數(shù)(NDVI)有明顯優(yōu)勢,因此本文借鑒潘竟虎等[26]和卓莉等[27]學(xué)者提出的燈光去飽和方法,利用EVI指數(shù)分別構(gòu)建比值型降飽和指數(shù)(RVI)、改進(jìn)型降飽和指數(shù)(MDVI)、增強(qiáng)型降飽和指數(shù)(ENVI)等3種指數(shù)與原始數(shù)據(jù)進(jìn)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(jìn)行剔除,其次為了便于計算和分析,需要對夜間燈光數(shù)據(jù)(NTL)進(jìn)行歸一化處理,使NTL值域為[0,1].具體各類型降飽和指數(shù)公式如下:

式中:NTL為歸一化的燈光數(shù)據(jù),EVI為經(jīng)過預(yù)處理后的植被指數(shù).

將夜間燈光影像數(shù)據(jù)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(shù)據(jù)與比值型、改進(jìn)型、增強(qiáng)型結(jié)果影像(圖2)進(jìn)行對比發(fā)現(xiàn),原始夜間燈光數(shù)據(jù)城市中心城區(qū)飽和現(xiàn)象明顯,中心城區(qū)內(nèi)部像元值差異較小,在利用EVI構(gòu)建的比值型、改進(jìn)型、增強(qiáng)型3種降飽和方法處理后,夜間燈光數(shù)據(jù)的飽和效應(yīng)得到明顯減弱,強(qiáng)化了中心城區(qū)內(nèi)部差異.繼而對3種降飽和結(jié)果進(jìn)行比較,發(fā)現(xiàn)3類降飽和結(jié)果DN值曲線趨勢相似,但增強(qiáng)型的拉伸更加明顯,對城市內(nèi)部真實差異的凸顯效果比改進(jìn)型和比值型更為突出,強(qiáng)化了實際地物對夜間燈光區(qū)域的影響.基于以上分析,采用增強(qiáng)型降飽和指數(shù)法對2000~2013年夜間燈光影像進(jìn)行去飽和處理.

圖2 2013年北京市中心城區(qū)緯向樣帶降飽和指數(shù)對比

觀察去飽和后的夜間燈光影像,發(fā)現(xiàn)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(shè)定燈光影像的最大值實際應(yīng)該出現(xiàn)在經(jīng)濟(jì)最發(fā)達(dá)的地區(qū),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(jìn)行處理.

2.1.3 城市建成區(qū)范圍提取 傳統(tǒng)化石能源的消耗是溫室氣體產(chǎn)生的主要來源,而城市地區(qū)則是能源消耗的主要集中地.據(jù)估計,城市地區(qū)消費(fèi)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(qū)是進(jìn)行碳排放模擬的前提.城市建成區(qū)提取的關(guān)鍵是獲取最佳閾值,通過閾值對夜間燈光影像進(jìn)行分割得到城市建成區(qū),目前最佳閾值的獲取方法主要有4種:經(jīng)驗閾值法,突變檢測法,統(tǒng)計數(shù)據(jù)比較法,較高分辨率影像數(shù)據(jù)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(qiáng)等特點(diǎn),其最佳閾值確定的建成區(qū)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(qū)位(南方北方之別,東部西部之異)及城市空間模式(環(huán)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(shù)后,確定DN值32.9為城市建成區(qū)最佳閾值,從而得到全國各城市的建成區(qū)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(qū)范圍與谷歌地球2013年高分辨率影像通過人機(jī)交互目視解譯的城市建成區(qū)范圍對比進(jìn)行精度驗證(圖4),其中,最佳閾值提取的建成區(qū)面積為2775km2,而高分辨率影像提取的面積為3118km2,提取精度達(dá)89%,滿足研究的精度需求.

圖4 2013年北京市建成區(qū)提取結(jié)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(guān)關(guān)系這一假設(shè)構(gòu)建的,Doll等[30]已證明這一假設(shè)關(guān)系的存在.基于這一假設(shè)關(guān)系,本文采用面板數(shù)據(jù)分析方法嘗試建立中部地區(qū)城市碳排放與夜間燈光像元值之間的回歸模型,將樣本數(shù)據(jù)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(jìn)行精度驗證.

以中部地區(qū)作為模型建立樣本區(qū)主要理由是:首先,中部六省是我國的人口大區(qū),也是國家產(chǎn)業(yè)轉(zhuǎn)移重要承接地,產(chǎn)業(yè)結(jié)構(gòu)偏重于工業(yè),區(qū)域經(jīng)濟(jì)的發(fā)展對化石能源的需求量大,具有典型性;其次,中部地區(qū)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(yè)基地(武漢、長沙、株洲等),該區(qū)域近二十年以工業(yè)為主導(dǎo)的快速城鎮(zhèn)化及迅速崛起是中國城市化進(jìn)程的典型縮影,具有樣板性;第三,分別求得2000~2013年碳排放統(tǒng)計數(shù)據(jù)和夜間燈光數(shù)據(jù)變異系數(shù)平均值,其值均大于全國、東部、西部和東北地區(qū),研究時段內(nèi)指標(biāo)的變化程度更加明顯,其時間序列數(shù)據(jù)能更好體現(xiàn)中國社會經(jīng)濟(jì)發(fā)展的進(jìn)程,具有獨(dú)特代表性.

2.2.1 單位根檢驗 在進(jìn)行面板數(shù)據(jù)分析前首先需要進(jìn)行單位根的檢驗,驗證變量的平穩(wěn)性,避免虛假的回歸,包括省域范圍內(nèi)統(tǒng)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(shù)據(jù)的平穩(wěn)性,若兩者結(jié)論不一致時,則認(rèn)為變量為非平穩(wěn),繼續(xù)進(jìn)行差分檢驗,直至數(shù)據(jù)平穩(wěn).進(jìn)行單位根分析之前,對所有數(shù)據(jù)實現(xiàn)了自然對數(shù)變換,以避免異方差和非平穩(wěn)性現(xiàn)象.檢驗結(jié)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(shè),因此可以對涉及到的變量進(jìn)行面板數(shù)據(jù)回歸.

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

2.2.3 面板數(shù)據(jù)模型設(shè)定 在協(xié)整檢驗通過的基礎(chǔ)上可以直接對原方程進(jìn)行回歸.面板數(shù)據(jù)模型主要分為3種:混合回歸模型、固定效應(yīng)模型和隨機(jī)效應(yīng)模型,采用F-檢驗和Hausman檢驗進(jìn)行模型的選擇,結(jié)果表明,F-檢驗拒絕原假設(shè), Hausman檢驗結(jié)果值為0.4218,表明拒絕固定效應(yīng)模型,采用隨機(jī)效應(yīng)模型更為合理,利用省域內(nèi)統(tǒng)計的建成區(qū)夜間燈光數(shù)據(jù)亮度總值與對應(yīng)區(qū)域CO2排放量的統(tǒng)計數(shù)值建立隨機(jī)效應(yīng)模型, 其中,值為0.000,在0.01水平上顯著相關(guān),2達(dá)到0.874,具體結(jié)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(jié)合,可以從格網(wǎng)空間視角來檢驗和判斷長時間序列數(shù)據(jù)的變化趨勢.該方法的優(yōu)點(diǎn)是對數(shù)據(jù)誤差具有較強(qiáng)的規(guī)避能力,使得結(jié)果更加科學(xué)和可信.Theil-Sen Median趨勢分析是一種穩(wěn)健的非參數(shù)統(tǒng)計的趨勢計算方法,可以減少數(shù)據(jù)異常值的影響[31],Theil-Sen Median趨勢計算(－1)/2個數(shù)據(jù)組合的斜率的中位數(shù),其計算公式為[27]:

2000￡<￡2013 (7)

Mann-Kendall統(tǒng)計檢驗計算公式詳見文獻(xiàn)[32].

表1 面板數(shù)據(jù)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(shè).

3 結(jié)果與討論

3.1 碳排放總量模擬結(jié)果及精度驗證

經(jīng)過系統(tǒng)校正后的夜間燈光數(shù)據(jù)通過公式(6)在柵格尺度上對全國范圍的碳排放進(jìn)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(qū)域可以判定為無人區(qū)域[26],利用預(yù)處理完成的NDVI數(shù)據(jù),將判定為無人的區(qū)域從對應(yīng)碳排放模擬結(jié)果柵格數(shù)據(jù)中進(jìn)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(yīng)用效果的重要步驟,也是進(jìn)一步深入分析的可靠保證.分別選取2002,2007, 2012年的模擬結(jié)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(qū)的碳排放統(tǒng)計數(shù)據(jù)進(jìn)行精度驗證.選取以上區(qū)域作為驗證樣本主要從樣本的區(qū)位與代表性及城市規(guī)模等多視角進(jìn)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(nèi)陸城市;三是既有城市化發(fā)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(tǒng)計數(shù)據(jù)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(jìn)行檢驗.分析發(fā)現(xiàn),模擬值較好地反映了統(tǒng)計碳排放的分布規(guī)律,模擬值和統(tǒng)計碳排放值具有明顯的線性關(guān)系,決定系數(shù)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(jié)果的精度和準(zhǔn)確度均優(yōu)良,誤差在可控范圍內(nèi),可用來進(jìn)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(tài)勢,其中穩(wěn)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(qū)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(qū);未有減少型區(qū)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(jié)果數(shù)據(jù)中剔除.從空間整體分布狀態(tài)來看,碳排放變化趨勢明顯地區(qū)主要分布于胡煥庸線東南側(cè)地區(qū),穩(wěn)慢增長型地域面積廣大,主要分布于城市化發(fā)育程度相對不成熟地區(qū),此地區(qū)經(jīng)濟(jì)發(fā)展水平相對較低,工業(yè)基礎(chǔ)設(shè)施建設(shè)相對較落后,能源在需求端和消耗端均表現(xiàn)為低態(tài)勢,呈穩(wěn)定或緩慢增長的趨向.迅猛增長型主要分布在區(qū)域中心城市及都市連綿區(qū),該區(qū)域經(jīng)濟(jì)發(fā)展水平程度高,能源要素空間流動及使用效率高,人口、產(chǎn)業(yè)聚集效應(yīng)顯著,城市與工業(yè)經(jīng)濟(jì)的快速發(fā)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(qū)域尺度分析碳排放變化的趨勢,因此本文在全國范圍內(nèi)選取具有代表性的6個城市進(jìn)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(qū)分,特大城市與中小型城市的不同.研究分析發(fā)現(xiàn),城市化發(fā)育較成熟或區(qū)域經(jīng)濟(jì)發(fā)展的中心城市(北京、長沙、蘭州)迅猛發(fā)展型在空間形態(tài)上呈“空心化”,即迅猛發(fā)展型區(qū)域主要分布于城市主城區(qū)中心外圍,此現(xiàn)象從地租價格水平影響產(chǎn)業(yè)區(qū)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(fā)展型區(qū)域主要是第二產(chǎn)業(yè)及能源消耗型產(chǎn)業(yè)相對集中的區(qū)域,受地租價格水平的影響往往布局在中心城市邊緣區(qū).從城市內(nèi)生環(huán)境的結(jié)構(gòu)性調(diào)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(qū)生活環(huán)境的高品質(zhì),對于高能耗和高排放產(chǎn)業(yè)“準(zhǔn)入度”的門檻就相對提高,因此主城區(qū)中心外圍成為碳排放重點(diǎn)增長區(qū)域.而對于中小城市(撫州、朝陽、來賓)迅猛發(fā)展型區(qū)域則主要集中聚集在主城區(qū)(“中心型”結(jié)構(gòu)),從社會經(jīng)濟(jì)發(fā)展的角度來看,中小城市由于受自身發(fā)展的影響,中心城區(qū)范圍面積相對較小,而城市社會經(jīng)濟(jì)的發(fā)展對于能源的需求較大,加之城市化進(jìn)程中產(chǎn)業(yè)結(jié)構(gòu)不盡合理,導(dǎo)致碳排放與經(jīng)濟(jì)活動中心區(qū)緊密聯(lián)系,因此呈現(xiàn)“中心型”結(jié)構(gòu).無論“空心型”結(jié)構(gòu)還是“中心型”結(jié)構(gòu),通過不同的空間結(jié)構(gòu)特征界定,可以為進(jìn)一步揭示區(qū)域碳排放碳源和碳減排重點(diǎn)區(qū)域的劃定提供思路與參考.

雖然本文采用了認(rèn)同度較高的CEAD的統(tǒng)計碳排放數(shù)據(jù),通過17種化石燃料消耗量計算碳排放,較目前學(xué)術(shù)界普遍選取的統(tǒng)計數(shù)據(jù)估算碳排放更為全面,但實際碳排放不僅包含工業(yè)生產(chǎn),還有諸如農(nóng)業(yè)、土地利用等多領(lǐng)域的主體活動和人類行為,受數(shù)據(jù)獲取和統(tǒng)計的困難,通過間接計算得到的統(tǒng)計數(shù)據(jù)不免與實際存在一定的誤差.此外,DMSP/ OLS數(shù)據(jù)空間分辨率較低,2014年以后數(shù)據(jù)不再更新,新一代NPP-VIIRS數(shù)據(jù)采用星上輻射定標(biāo),且時間和空間分辨率均有提高,利用其進(jìn)行碳排放估算,為實現(xiàn)連續(xù)時間序列碳排放監(jiān)測和分析將是下一步研究的重點(diǎn).最后,碳排放過程是非常復(fù)雜的系統(tǒng)工程,驅(qū)動機(jī)制復(fù)雜,在中小尺度更精細(xì)化的驅(qū)動機(jī)制及其量化分析也將是下一步研究的重點(diǎn)方向.

圖7 2000~2013年中國及代表性城市碳排放變化趨勢

在發(fā)展綠色低碳循環(huán)經(jīng)濟(jì)和生態(tài)文明建設(shè)的目標(biāo)框架下,中國的城市化與工業(yè)化道路如何實現(xiàn)社會經(jīng)濟(jì)發(fā)展與環(huán)境健康協(xié)調(diào)耦合是一項重大的挑戰(zhàn).在全國層面上,產(chǎn)業(yè)結(jié)構(gòu)的升級與調(diào)整、能源結(jié)構(gòu)的改善、碳減排創(chuàng)新技術(shù)的推廣、完善碳交易平臺、政府宏觀調(diào)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(jīng)濟(jì)增長動能和發(fā)展模式實現(xiàn)實質(zhì)性的轉(zhuǎn)變,促使經(jīng)濟(jì)發(fā)展駛?cè)氲吞季G色通道.在地區(qū)層面上,碳排放模擬的時空格局與趨勢變化表現(xiàn)出明顯的空間異質(zhì)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(xué)估算及其空間分布可以為合理制定差別化的節(jié)能減排策略提供依據(jù).以“低碳、綠色、創(chuàng)新、循環(huán)、效率”為準(zhǔn)則,從宏觀到微觀,從區(qū)域到企業(yè)到個人,實現(xiàn)減排措施的“精準(zhǔn)落地、精準(zhǔn)減排”,保障我國生態(tài)文明建設(shè)與節(jié)能減排目標(biāo)的實現(xiàn).

4 結(jié)論

4.1 采用系統(tǒng)校正后的DMSP/OLS夜間燈光影像數(shù)據(jù)模擬碳排放量的時空擬合具有較高的精度.本文綜合運(yùn)用遙感影像數(shù)據(jù)與社會經(jīng)濟(jì)統(tǒng)計數(shù)據(jù),在年內(nèi)數(shù)據(jù)的整合與跨年數(shù)據(jù)的校正的基礎(chǔ)上,利用EVI數(shù)據(jù)構(gòu)建RVI、MDVI、ENVI等3種降飽和指數(shù),擇優(yōu)輔助于燈光數(shù)據(jù)像元的去飽和,進(jìn)一步采用窗口移動法和突變檢測法進(jìn)行異常值的剔除和城市建成區(qū)范圍的提取,繼而構(gòu)建中國分省的城市建成區(qū)夜間燈光值與統(tǒng)計碳排放之間的面板回歸數(shù)據(jù)模型,對全國能源消耗的碳排放進(jìn)行時空模擬,引入NDVI將判定為無人的區(qū)域從模擬結(jié)果柵格數(shù)據(jù)中剔除,提高模擬精度.選取2002、2007、2012年的模擬結(jié)果進(jìn)行精度驗證,結(jié)果顯示,從省域到地級市層面模型模擬精度與統(tǒng)計碳排放的空間準(zhǔn)確度均較高,回歸檢驗的決定系數(shù)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(xiàn)出“穩(wěn)中有進(jìn)與迅猛增長并存”的特征.碳排放增長區(qū)域主要分布于胡煥庸線東南側(cè)地區(qū),穩(wěn)慢增長型和迅猛增長型分別占碳排放區(qū)域總面積的77.6%和19.4%,穩(wěn)慢增長型區(qū)域地域范圍廣,迅猛增長型主要集中在區(qū)域經(jīng)濟(jì)發(fā)展的中心地域及其輻射地區(qū).

4.3 迅猛增長型的空間結(jié)構(gòu)形態(tài)表現(xiàn)出明顯的“空心型”與“中心型”指向性分異.這種空間結(jié)構(gòu)形態(tài)的異同受城市化進(jìn)程中諸多因素的影響,可從空間的視角對于高碳源和重點(diǎn)治理區(qū)的碳減排提供科學(xué)參考.

[1] 秦大河.氣候變化科學(xué)的最新進(jìn)展[J]. 科技導(dǎo)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(tǒng)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(fèi)碳排放強(qiáng)度及其影響因素的空間計量[J]. 地理學(xué)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(fèi)碳排放時空格局動態(tài)[J]. 地理科學(xué)進(jìn)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?zhí)锾?任正委,等.城鎮(zhèn)化進(jìn)程中家庭CO2排放的驅(qū)動因素分析[J]. 中國環(huán)境科學(xué), 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(jié)構(gòu)分解分析[J]. 中國環(huán)境科學(xué), 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(yè)能源消耗碳排放行業(yè)差異研究——以河南省為例[J]. 經(jīng)濟(jì)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(nóng)業(yè)碳排放研究:測算、時空比較及脫鉤效應(yīng)[J]. 資源科學(xué), 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(yùn)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(xué), 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(jīng)濟(jì)的發(fā)展模式研究[J]. 中國人口·資源與環(huán)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(chuàng)琳.中國區(qū)域經(jīng)濟(jì)增長差異研究進(jìn)展與展望[J]. 地理科學(xué)進(jìn)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(shù)據(jù)的中國能源消費(fèi)碳排放特征及機(jī)理[J]. 地理學(xué)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(shù)據(jù)的區(qū)域碳排放時空動態(tài)研究[J]. 中國環(huán)境科學(xué), 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(qū)域的校正及應(yīng)用[J]. 地球信息科學(xué)學(xué)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(tài)[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(shù)的DMSP/OLS夜間燈光數(shù)據(jù)去飽和方法[J]. 地理學(xué)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(shù)據(jù)的城市建成區(qū)提取方法評價與應(yīng)用[J]. 遙感技術(shù)與應(yīng)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(wèi)國,申文明,等.2000—2010年黃河流域植被覆蓋的時空變化[J]. 生態(tài)學(xué)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(wèi)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(yīng)[J]. 地理科學(xué), 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(qū)植被覆蓋時空變化特征及其歸因[J]. 地理學(xué)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(quán)機(jī)制的政策效果分析——基于雙重差分模型的估計[J]. 中國環(huán)境科學(xué), 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(xué)基金資助項目(41661025);西北師范大學(xué)青年教師科研能力提升計劃(NWNU-LKQN-16-7).

*責(zé)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(xué)碩士研究生,主要從事空間經(jīng)濟(jì)分析研究.發(fā)表論文1篇.