EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 6: 1176 - 1188

DOI: https://doi.org/10.12082/dqxxkx.2022.210610

地理空间分析综合应用

结合“珞珈一号”夜间灯光与城市功能分区的广州市碳排放空间分布模拟及其影响因素分析

  • 卢奕帆 ,
  • 梁颖然 ,
  • 卢思言 ,
  • 肖钺 ,
  • 何小钰 ,
  • 林锦耀 , *
展开
  • 广州大学地理科学与遥感学院,广州 510006
*林锦耀(1989— ),男,广东广州人,博士,副教授,主要从事地理建模与遥感应用研究。E-mail:

卢奕帆(1998— ),女,广东潮州人,硕士生,主要从事资源环境与遥感应用研究。E-mail:

收稿日期: 2021-11-15

  修回日期: 2021-12-01

  网络出版日期: 2022-08-25

基金资助

国家自然科学基金项目(41801307)

国家自然科学基金项目(42007406)

广州市科技计划项目(202102020666)

收起

Spatialization of Carbon Emissions in Guangzhou City by Combining Luojia1-01 Nighttime Light and Urban Functional Zoning Data

  • LU Yifan ,
  • LIANG Yingran ,
  • LU Siyan ,
  • XIAO Yue ,
  • HE Xiaoyu ,
  • LIN Jinyao , *
Expand
  • School of Geography and Remote Sensing, Guangzhou University, Guangzhou 510006, China
*Lin Jinyao

Received date: 2021-11-15

  Revised date: 2021-12-01

  Online published: 2022-08-25

Supported by

National Natural Science Foundation of China(41801307)

National Natural Science Foundation of China(42007406)

Guangzhou Science and Technology Plan Project(202102020666)

Fold

摘要

合理模拟城市内部的碳排放空间分布情况,是制定清晰明确的碳减排政策的重要前提。由于以往相关研究所用数据分辨率较低,且未考虑行业差异,因此所得结果较难精细地反映碳排放空间分布特征。为解决以上不足,本文提出一种更为合理的碳排放空间分布模拟方法。首先利用时间序列法预测2019年广州市各行业碳排放量;然后结合“珞珈一号”夜间灯光及城市功能分区数据,在精细尺度下实现分行业的碳排放空间化;在此基础上进行空间自相关分析,揭示广州市碳排放空间分布规律;最后采用随机森林模型分析影响广州市分行业碳排放的社会经济驱动因素。结果表明：① 广州市碳排放量在2011年后呈缓慢增长趋势,2019年碳排放量达83.12百万吨,其主要贡献来源为交通行业;② 与常用的ODIAC（1 km）、EDGAR（10 km）碳排放产品及基于NPP-VIIRS的碳排放空间化结果（500 m）相比,结合高分辨率（130 m）夜间灯光数据以及城市功能分区实现的碳排放空间化结果可以在更精细的尺度上呈现区域内部的空间碳排放差异;③ 广州市碳排放呈显著的全局空间正相关,形成了以第二和第三产业集中区域为依托的高高聚集区;④ 广州市2019年第二产业碳排放的主要影响因素是一般公共预算收入、第二产业GDP、一般公共预算支出、固定资产投资额;第三产业碳排放的主要影响因素是社会消费品零售额、第三产业GDP、各个行政区总GDP以及人口数量。综上,本研究从城市内部行业结构差异出发,结合高分辨率的夜间灯光数据,展现区域内部的碳排放分布格局,所得结果将有利于相关部门制定精准的碳减排和产业优化升级策略。

关键词： 碳排放; 珞珈一号; 城市功能分区; 空间化; 空间自相关; 随机森林; 影响因素分析; 广州市

本文引用格式

卢奕帆 , 梁颖然 , 卢思言 , 肖钺 , 何小钰 , 林锦耀 . 结合“珞珈一号”夜间灯光与城市功能分区的广州市碳排放空间分布模拟及其影响因素分析[J]. 地球信息科学学报, 2022 , 24(6) : 1176 -1188 . DOI: 10.12082/dqxxkx.2022.210610

Abstract

A reasonable spatialization of urban carbon emissions is an important prerequisite for formulating clear carbon emission reduction policies. However, previous studies relied heavily on the nighttime light data with coarse spatial resolution and did not consider the huge differences of carbon emissions between various industry sectors. Therefore, the corresponding results cannot accurately reflect the spatial distribution of carbon emissions. To solve the disadvantages of previous methods, this study proposed a more reasonable method for the spatialization of carbon emissions. Firstly, three statistical models were used to estimate the carbon emissions of various industry sectors for Guangzhou in 2019. Next, the spatial distribution of carbon emissions was simulated based on the combined use of Luojia1-01 nighttime light and urban functional zoning data. Based on the spatialization result, both the global and local spatial autocorrelation analyses were carried out to reveal the spatial characteristics of carbon emissions in Guangzhou. Finally, the random forest model was used to investigate the socio-economic driving factors behind the carbon emissions in Guangzhou. The results are summarized as follows: (1) Although the carbon emissions of Guangzhou increased slowly after 2011, the total emission volume still reached 83.12 million tons in 2019, in which the transportation sector played a dominant role; (2) Compared with the commonly-used ODIAC (1 km), EDGAR (10 km) carbon emission products and the carbon emission spatialization results based on NPP-VIIRS (500 m), the result generated by high resolution (130 m) nighttime light and urban functional zoning data can more accurately characterize the spatial differences of carbon emissions; (3) There was a significant positive global spatial autocorrelation of carbon emissions in Guangzhou, resulting in highly concentration areas of secondary and tertiary sectors; (4) The main influencing factors for the secondary sector's carbon emissions were public budget revenue, GDP of the secondary sector, public budget expenditure, and fixed asset investment. In comparison, the major contributors to the tertiary sector's emissions were retail sales of consumer goods, GDP of the tertiary sector, GDP per district, and population. In summary, this study carefully considers the differences in industry structure, and then utilizes the high-resolution nighttime light data to investigate the distribution pattern of carbon emissions. The results will be helpful for policy-makers to formulate reasonable carbon emission reduction and industrial optimization strategies.

Key words： carbon emission; Luojia1-01; urban functional zoning; spatialization; spatial autocorrelation; random forest; influencing factors; Guangzhou City

1 引言

自工业革命以来,化石能源消耗的大量增加导致了以二氧化碳为主的温室气体排放量居高不下。全球范围内随之出现气候变暖、冰山积雪消融、极端恶劣天气等一系列生态环境问题。类似问题已经成为人类社会生存和可持续发展的重大挑战,在国内外引起广泛的关注和研究[1]。早在2006年,中国的碳排放总量就已超越美国居世界首位。2006—2016年中国碳排放总量占全世界排放比重攀升至27.3%,年均增长率约为4.22%[2]。中国在维持经济发展和碳减排的双重压力下,依然逐步实施碳达峰、碳中和等一系列措施。2015年11月中国政府向国际社会承诺将于2030年左右使二氧化碳排放达到峰值[3]。2020年9月中国宣布将努力争取在2060年前实现碳中和。在此背景下,由于中国东西发展差距明显,各行业分布不均,经济社会发展和能源消费结构差异极大,不同地区面临着差异化减排的要求和挑战。因此中国要做到二氧化碳排放早日达峰,需要制定可行性高、公平性强的减排政策。
实际上合理模拟区域内部的碳排放空间分布,是制定清晰明确的碳减排策略的关键依据[4]。为此,学者们主要通过“自下而上”和“自上而下” 2种思路实现区域碳排放的空间化。其中,“自下而上”思路是指通过综合大量精细的碳排放源调查统计数据来达到提高碳排放空间化准确性的目的。例如,Cai等[5]根据全国碳排放源普查数据,模拟出分辨率为1 km的碳排放空间分布情况,即高空间分辨率温室气体排放网格产品（CHRED）;Chuai等[6]通过收集南京市的各种能源消耗数据,将碳排放空间化分辨率提高至300 m;Gurney等[7]利用美国工业、商业、居民消费等行业的碳排放调查结果,形成 1 km空间分辨率的碳排放产品（Vulcan）。然而“自下而上”方法所需的数据,尤其是市县级以下区域的碳排放源数据,通常较难获取。此外该方法还需要大量的时间和精力对数据进行汇总整理,较难满足碳排放空间分布模拟所追求的现势性,且难以大范围应用于其他地区[8]。
因此,更多学者采用“自上而下”的思路[9⇓⇓⇓-13],即结合易获取的夜间灯光数据与能源消耗总量进行碳排放空间化,实现碳排放空间分布信息由行政边界到像元的转换,以清晰客观地展示碳排放的时空分布规律。例如,Elvidge等[14]认为夜间灯光数据作为反映人类活动强度的基本数据,可以用于与人口、能源相关的温室气体排放空间分配;Oda等[15]结合夜间灯光数据以及全球电厂排放数据,估算能源消耗碳排放的空间分布情况,得出2000—2019年 1 km分辨率的全球碳排放数据集（ODIAC）;Muntean等[16]利用土地利用与人类活动数据,构建出1970—2008年0.1°分辨率的全球温室气体排放数据集（EDGAR）;苏咏娴等[17]利用DMSP-OLS夜间灯光数据完成1992—2010年以市级为单元的中国碳排放模拟,并指出国内生产总值（GDP）增长是碳排放增加的主要因素,而能源结构、能源利用效率、产业结构是影响碳排放强度的主要原因;Shi等[18]基于DMSP-OLS夜间灯光数据,分析比较中国省、地级碳排放的时空变化及其影响因素,表明第二产业在不同尺度下均是碳排放的主要影响因素;于博等[19]利用NPP-VIIRS夜间灯光数据模拟县域单元碳排放情况,从县级尺度的视角下揭示经济溢出、技术溢出等要素是影响城市碳排放的空间溢出转移的主要因素;牛亚文等[20]基于NPP-VIIRS夜间灯光数据,发现单位能源消耗碳排放、第一产业产值比重、人均土地面积、土地利用程度指数、城镇化率等因素显著影响长株潭地区土地利用碳排放。然而,类似上述研究大多基于DMSP-OLS和NPP-VIIRS夜间灯光数据,存在空间分辨率较低（500 m或1 km分辨率）的局限性[21-22]。更关键的问题在于以往研究未区分城市内部各个功能分区的碳排放量,难以体现不同功能分区的碳排放差异,无法为精细尺度下的各行业碳排放配额、城市内部产业结构优化以及节能减排工作提供有效的数据参考和支撑。
为解决上述不足,本研究提出一种更为合理的碳排放空间分布模拟方法,即结合“珞珈一号”高分辨率（130 m）夜间灯光与城市功能分区数据,估算城市内部不同行业的碳排放量,提高碳排放空间分布模拟的空间分辨率,在更精细尺度下,展现行政区域内部不同行业之间的碳排放情况。在此基础上通过空间自相关[23]和随机森林回归[24],分析研究区域的碳排放空间特征以及行业碳排放的驱动因素,所得结果有望为城市的节能减排工作以及内部产业转型升级提供合理建议,也对我国生态文明建设和产业结构优化升级具有关键意义。

2 数据来源与研究方法

2.1 数据来源

本文以中国碳排放大户——广州市为研究案例,所需数据主要包括：广州市城市功能分区、“珞珈一号”夜间灯光数据、NPP-VIIRS夜间灯光数据、各行业碳排放量比例、ODIAC（Open-source Data Inventory for Anthropogenic CO2）和EDGAR（Emissions Database for Global Atmospheric Research）提供的碳排放产品、广州市1997—2017年碳排放量数据以及各个行政区的总GDP、第二产业GDP、第三产业GDP、常住人口数量、常住人口密度、城镇化率、消费品零售总额、一般公共预算收支等社会经济指标,其来源见表1。
表1 本研究所需数据及其来源

Tab. 1 Data and sources for this study

数据 时间 来源
城市功能分区[25] 2019年 清华大学地球系统科学系
“珞珈一号”夜间灯光[26] 2018年 武汉大学测绘遥感信息
工程国家重点实验室
NPP-VIIRS夜间灯光数据 2019年 美国国家海洋和大气管理局
广州市碳排放总量 1997—2017年 中国碳核算数据库
广州市各行业碳排放量比例 2019年 《广州市碳排放达峰和“十四五”低碳发展战略路径研究》报告
ODIAC碳排放产品 2019年 Open-source Data Inventory for Anthropogenic CO2
Emissions Database for Global Atmospheric Research
EDGAR碳排放产品 2019年
各行政区的社会经济指标 2019 广州市统计局

2.2 研究方法

2.2.1 结合“珞珈一号”夜间灯光和城市功能分区的

碳排放空间化
本研究将广州市碳排放总量进行分行业统计,并且依据夜间灯光与碳排放的关系进行空间分配。由于城市内部存在众多行业,而各个行业的碳排放结构与特征又存在较大的差异,因此如果在同一城市内不加区别地进行碳排放分配,所得的结果较为粗糙。为得出更合理的碳排放空间分布模拟结果,本文根据城市功能分区数据,分别统计不同行业对应的夜间灯光DN（Digital Number）值和碳排放量。根据以往研究,夜间灯光数据的DN总值与能源消费碳排放量存在较高的相关性,因此本文假设同一功能区域内,夜间灯光值越高则碳排放值越高[27⇓-29]。
基于上述思路,首先对夜间灯光数据进行预处理,本文使用的“珞珈一号”夜间灯光数据来源于武汉大学测绘遥感信息工程国家重点实验室公布的由“珞珈一号”01星在2018年6月至2018年12月期间拍摄影像而成的全国夜间灯光“一张图”（空间分辨率130 m）,以广州市行政边界为掩膜进行提取得到广州市范围内的夜间灯光数据。然后将空间分辨率更高且经过几何精校正的的Landsat8作为基准影像进行影像配准,误差控制在0.5个像元内。最后再根据文献[30]-[31]的方法进行辐射校正以及去噪处理。其中,“珞珈一号”01星产品辐射校正公式如下,
L = D N 3 2 × 10 - 10
式中：L为绝对辐射校正后辐射亮度值;DN为图像灰度值。
其次,如图1所示,本研究所用的清华大学城市功能分区数据包含8类,分别为居住、商业、工业、交通运输、公共服务、水体、绿地和农村居民点。依据中国科学院广州能源研究所的研究报告《广州市碳排放达峰和“十四五”低碳发展战略路径研究》[32]得出广州市第一产业、第二产业、第三产业（不含交通）、居民生活消费以及交通五大行业的碳排放比例。结合以上数据,本文将城市功能分区数据中的绿地和水体归为第一产业;工业区归为第二产业;商业区归为第三产业;交通运输区归为交通行业;居住、农村居民点和公共服务区归为居民生活消费（下文称之为“行业分区”）。由于交通行业在第三产业中占比较高,是广州市主要的碳排放来源,并且交通的夜间灯光数值范围与其余第三产业存在较大区别,因此本文将交通行业从第三产业分离,单独对其进行碳排放空间分布模拟。此外,居民生活消费是指居民消费间接碳排放,即居民用于家庭消费品支出和服务型支出所产生的全部碳排放,因此本文将居住、公共服务和农村居民点功能区划分到居民生活消费[33]。由于以往相关研究指出第一产业中的农、林、牧、渔等行业难以区分碳源与碳汇[34],且第一产业在广州市碳排放中的占比极低,因此不将第一产业纳入研究范围。按照城市功能分区数据、夜间灯光数据和广州市碳排放比例进行分行业统计,分别得到第二产业、第三产业、居民生活消费以及交通行业的夜间灯光DN总值与碳排放量。
图1 2019年广州市城市功能分区

Fig. 1 Urban functional zoning for Guangzhou in 2019

最后,本研究将纳入考虑范围内的第二产业、第三产业、居民生活消费以及交通4个行业的碳排放量与其各自的DN总值相除,得到同行业中单位DN值所代表的碳排放量,本文称其为各行业的灯光碳排放系数。得出该系数后,基于一个分配原则——栅格碳排放量与夜间灯光DN值呈正相关关系,将每一栅格的DN值乘以系数,即可赋予每个栅格碳排放量,得到分辨率为130 m的分行业碳排放空间分布模拟结果,技术思路如图2所示。
图2 技术路线

Fig. 2 Technology roadmap

2.2.2 空间自相关分析

在得出碳排放空间分布数据后,利用全局Moran指数作为全局空间自相关的指标,分析广州市城市内部空间单元排放的空间相关性和差异性,其表达式为：
I = n ∑ i = 1 n x i - x - ∑ j = 1 n W i j x j - x - / ∑ i = 1 n x i - x - 2 ∑ i = 1 n ∑ j = 1 n W i j
式中：n为130 m分辨率下的栅格像元个数;i和j分别为i和j空间单元的碳排放量; x -为各个栅格像元碳排放量的均值;Wij为空间权重矩阵。本文选择基于邻接关系的权重矩阵对Moran's I值进行Z检验,揭示碳排放的空间分布特征。
进一步采用局部Moran指数对广州市内部碳排放聚集情况进行局部空间自相关分析,识别碳排放的高值聚集区和低值聚集区,以反映碳排放的空间依赖性和异质性。局部Moran指数的表达式为：
I i = ∑ j = 1 n W i j x j / ∑ i = 1 n x i
其中,当Ii大于0时,呈现空间正相关关系;Ii小于0时呈现空间负相关关系。

2.2.3 基于随机森林的碳排放影响因素分析

随机森林是Breiman[35]提出的一种基于决策树的机器学习算法。随机森林通过自助采样法,在给定的m个样本数据集中,经过m次随机采样,可以得到含m个训练样本的采样集,然后基于每个采样集进行训练构造成决策树,而在决策树的结点处,会先从该结点的属性集合中随机选择一个包含k个属性的子集,然后再从这个子集中选择一个最优属性进行划分[36]。当随机森林构建完成,测试样本会进入每一棵决策树进行类型输出或回归输出;若是分类问题,以投票的方式输出最终类别,若是回归问题,每一棵决策树输出的均值作为最终结果。
本文将广州市各个行政区总GDP、第二产业GDP、第三产业GDP、常住人口数量、常住人口密度、城镇化率、消费品零售总额等社会经济指标作为自变量,将第二产业、第三产业（包括交通）碳排放作为因变量,构建随机森林回归模型,利用交叉验证检验模型精度,同时衡量社会经济影响因素对碳排放的作用大小,分析其主要的社会经济影响因素。

3 结果与分析

3.1 2019年碳排放预测及其空间化结果

本研究获取中国碳核算数据库提供的中国地级市碳排放清单,从中得出1997—2017年广州市的碳排放总量。在此基础上通过时间序列分析法,对各年份的广州市碳排放数据进行统计,分析碳排放的变化趋势,并且利用3种统计模型对2019年广州市碳排放总量进行预测。这3种模型均通过显著性检验（p=0.00<0.05）,表明模型结果具有统计学意义。由于对数函数模型的R2高达0.936,大于线性函数和S型函数,因此对数函数更适合解释广州市碳排放量的变化规律。最后,通过对数函数模型得出2019年广州市的碳排放总量约为83.12百万t。
由广州市2019年碳排放结构比例,从而得出广州市分行业的碳排放量结果（表2）。随后,根据“珞珈一号”夜间灯光以及已分配好的行业分区进行统计,得到第二产业、第三产业、居民生活消费和交通的夜间灯光数据（图3）。通过各个分区的碳排放量数据以及相应的夜间灯光DN总值,得出各行业分区的碳排放系数（表3）。最后,结合各行业分区的碳排放系数和栅格像元DN值,将碳排放总量合理地赋值至各个行业的像元,得出广州市分行业碳排放空间分布结果（图4）。
表2 广州市2019年分行业碳排放预测

Tab. 2 Carbon emissions forecast of various industry sectors for Guangzhou in 2019

居民生活消费 第一产业 第二产业 第三产业（不含交通） 交通
产业碳排放结构/% 15.4 0.6 41.2 5.8 37.0
分产业碳排放量/百万吨 12.8003 0.4987 34.2450 4.7943 30.7806
图3 2018年广州市夜间灯光数据分区结果

Fig. 3 Partition of the nighttime light data based on urban functional zoning for Guangzhou in 2018

表3 广州市2019年各行业碳排放系数

Tab. 3 Carbon emission coefficients of various industry sectors for Guangzhou in 2019

行业分区 灯光碳排放系数（t碳/单位DN值）
居民生活消费 0.45×10-4
第二产业 1.36×10-4
第三产业（不含交通） 0.80×10-4
交通 5.20×10-4
图4 广州市分行业的碳排放空间分布模拟结果

Fig. 4 Spatialization of carbon emissions from different industry sectors in Guangzhou

3.2 碳排放空间化数据分析和检验

将不考虑行业差异直接进行空间化的数据产品与本研究的结果进行对比检验,可反映城市不同行业差异对城市碳排放产生的影响。因此,本研究将上述得出的2019年广州市分行业碳排放空间分布模拟结果,与同年份ODIAC提供的空间分辨率约为1 km的碳排放量产品、EDGAR提供的分辨率约为10 km的碳排放量产品以及现有研究中未结合城市功能分区并基于NPP-VIIRS数据所产生的碳排放空间化结果进行对比。ODIAC产品基于DMSP-OLS夜间灯光数据而成,与基于NPP-VIIRS夜间灯光数据的碳排放空间化结果相同,受数据分辨率（500 m和1 km）的限制,在精细尺度上模拟区域内部的碳排放时会有较大误差;而EDGAR产品是通过统计人类活动过程产生的化石能源消耗和工业过程产生的碳排放构建而成。但由于数据的局限性,缺乏精细尺度下的碳排放源统计数据,因此EDGAR产品的分辨率仅为0.1°×0.1°。与本文研究结果相比,以往研究中的碳排放产品分辨率较低。更关键的问题是,以往碳排放空间化产品并未考虑城市功能分区的影响,如图5—图7所示,其呈现的碳排放格局未能准确地呈现区域内部的碳排放差异。
图5 广州分行业碳排放空间分布模拟结果与ODIAC产品结果对比

Fig. 5 Comparison between our result and the result of ODIAC products in Guangzhou

图6 广州分行业碳排放空间分布模拟结果与EDGAR产品结果对比

Fig. 6 Comparison between our result and the result of EDGAR products in Guangzhou

图7 广州分行业碳排放空间分布模拟结果与基于NPP-VIIRS碳排放空间化结果对比

Fig. 7 Comparison between our result and the results based on NPP-VIIRS in Guangzhou

GAR产品的碳排放数据未能较好地反映白云机场对碳排放的重要影响。
相比之下,本研究采用更高分辨率的夜间灯光数据,结合城市内部产业分布差异的特点,可以有效提高城市碳排放空间分布模拟的效果,能更精细地反映出城市内部的碳排放格局。例如,广州市白云国际机场虽距市中心足有28 km,周边经济发展无法与市中心相比,然而其属于第二产业,是主要的碳排放来源。并且由于白云机场是4F级民用国际机场,是世界前五十位主要机场之一,2020年旅客吞吐量位居世界第一,因此其碳排放规模较大。从对比结果可以看出,本研究提出的分行业碳排放空间分布模拟方法和未结合城市功能分区并基于NPP-VIIRS数据所产生的碳排放空间化能够有效识别出白云机场的高碳排放量,而ODIAC和ED-EDGAR产品的碳排放数据未能较好地反映白云机场对碳排放的重要影响。
此外,广州天河中央商务区（CBD）,包括天河北、珠江新城、广州国际金融城三大板块,是广州市中心城区碳排放量较高的区域之一。原因在于天河CBD是中国三大国家级中央商务区之一,主要服务于珠江三角洲经济圈,已成为华南地区总部经济和金融、科技、商务等高端产业高度集聚区,其碳排放规模远超广州市其他地区。然而ODIAC产品空间分布模拟的结果依然未能较好反映出该区域与其他区域的巨大差别,基于NPP-VIIRS夜间灯光数据的结果也未能较精准地识别出高碳排放区域。但本文提出的方法再次较好地识别出城市CBD的高碳排放量,与周边区域形成鲜明对比。如图7所示,因工业区夜间亮度低,但其碳排放值较高,所以未结合城市功能分区的碳排放空间化结果低估了广州市增城区西南部工业园区的碳排放值。同时,鉴于居民生活消费行业夜间灯光值较高,碳排放值较低的特点,因此传统的碳排放空间化结果高估了该区域中居民居住区域的碳排放值。而本文的研究方法能够较精确地模拟出高碳排放区域,展现小尺度区域的碳排放差异。由此可见,基于“珞珈一号”夜间灯光数据的广州市分行业碳排放空间分布模拟方法能够合理地模拟行政区域内部的能源消费碳排放分布情况,从而有助于相关部门制定精细化与差异化的碳减排方案,进一步优化城市产业空间格局。

3.3 广州市碳排放空间自相关分析

本研究通过全局空间自相关分析计算出广州市分行业碳排放结果的Moran's I值为0.26。2019年碳排放Moran's I值为正值且通过1%的显著性水平检验,这表明广州市碳排放在空间上呈现高度集聚的特征,碳排放强度高的区域与其他碳排放强度高的区域相临近,碳排放强度低的区域之间也趋于临近。将广州市碳排放空间分布结果与行政区划、土地利用现状数据进行对比,可以发现碳排放高值地区位于广州市主城区中高层建筑集中、人口密度高的住宅区、商业区、大中型公共设施,包括天河区珠江新城商圈、越秀区广州火车站商圈、海珠区丽影广场商圈;中高值地区位于能源消耗量大、碳排放强度高的城乡工业区,集中发展了化学工业、装备配置、汽车制造等重化工业,包括白云区、番禺区、花都区白云机场、黄埔区等地区;而碳排放强度低值的地区位于生态环境质量较为良好的从化区、增城区、荔湾区和南沙区。
全局 Moran's I指数的主要作用是检验城市碳排放的全域性空间相关关系,然而局域的空间信息未能有效体现。因此进一步利用局部空间自相关方法,深入分析广州市碳排放的局部信息,弥补全局空间自相关的不足。如图8所示,本研究采用高高（High-High）聚集、高低（High-Low）聚集、低高（Low-High）聚集和低低（Low-Low）聚集区域来反映局部空间关系。通过局部自相关分析,可以发现第二产业和第三产业是广州市的主要产业,高高聚集的区域大多分布在第二、第三产业集中的区域。因此,本研究进一步利用随机森林回归模型分析影响第二、第三产业碳排放的社会经济因素,为广州市分行业节能减排提供建议。
图8 广州市2019年碳排放空间聚集特征

Fig. 8 The spatial agglomerating characteristic of Guangzhou's carbon emissions in 2019

3.4 广州市第二、第三产业碳排放影响因素分析

本文将广州市第二、第三产业（包括交通）的碳排放空间分布模拟结果进行汇总统计,得出各个行政区的第二、第三产业碳排放量,因交通属于第三产业,所以将第三产业整体（包含交通）进行分析。此外,收集2019年广州市各行政区多项相关的经济指标,包括总GDP、第二产业GDP、第三产业GDP、常住人口数量、常住人口密度、城镇化率、消费品零售总额等。在此基础上,利用随机森林模型,以广州市各行政区的第二、第三产业碳排放作为因变量,广州市各行政区相关经济指标作为自变量进行回归分析,得出影响第二产业和第三产业（包括交通）碳排放的主要社会经济因素。最终结果的决定系数（R2）分别为0.88和0.94,表明模型的拟合效果较好,绝对平均误差(MAE)分别为0.36和0.64,以此判断结果的可信度较为理想。如表4所示,在选取的社会经济因素指标中,主要影响第二产业碳排放的因素有一般公共预算收入、第二产业GDP、一般公共预算支出、固定资产投资额;主要影响第三产业碳排放的因素主要有社会消费品零售额、第三产业GDP、各个行政区总GDP以及人口数量。
表4 第二、三产业碳排放影响因素重要性

Tab. 4 Importance of the driving factors behind carbon emissions of the secondary and tertiary industry sectors

影响因素 第二产业碳排放影响因素重要性（排序） 第三产业碳排放影响因素重要性（排序）
一般公共预算收入 4.32（1） 0.55（8）
一般公共预算支出 2.64（3） 1.41（5）
总GDP 0.79（8） 2.07（3）
产业GDP 3.74（2） 2.69（2）
城镇化率 1.40（5） 0.50（9）
固定资产投资额 2.34（4） 1.07（6）
消费品零售总额 1.40（6） 4.36（1）
常住人口密度 1.10（7） 0.82（7）
常住人口数量 0.40（9） 1.76（4）
第二产业包括采矿业、制造业、电力、燃气及水的生产和供应业、建筑业等,这些产业税收是一般公共预算收入的主要来源之一,而一般公共预算的合理支出会促进地区的人才引进和经济发展,因此该地区的一般公共预算收支越高,说明作为支柱行业的第二产业发展较好,随之而来第二产业的碳排放也相对较高。地区第二产业的强劲发展带来高经济价值的同时,也带来了高碳排放量。因此第二产业的GDP在一定程度上反映了第二产业的碳排放量。固定投资额反映固定资产投资规模、速度、比例关系和使用方向的综合性指标,广州市经济发展的部分重点是城镇化。在城镇化的过程中,固定资产的投入,依然起着相当重要的经济拉升作用,大规模的基础建设阶段,还会持续一段时间。因此固定资产投资也会促进第二产业的发展及其碳排放。
第三产业即各类服务或商品,包括交通运输、仓储和邮政业,信息传输、计算机服务和软件业,批发和零售业,住宿和餐饮业,金融业,房地产业,租赁和商务服务业,科学研究、技术服务和地质勘查业等。而社会消费品零售额会受消费环境的影响,第三行业的蓬勃发展带来了商业设施的转型升级,消费环境显著变化,拉动了消费增长的同时也带来更高的碳排放。与第二行业相同,第三行业的GDP与第三产业的发展及其碳排放密不可分。而广州市各行政区的GDP总量则一定程度反映了该区域的经济发展水平,广州市经济水平较高的行政区如天河区、越秀区,其第三产业发达,第三产业产生的碳排放也相对较高。人口数量也是影响第三产业发展的重要因素,人口的增加带动消费的提升,为第三行业提供高质量人才,促进行业发展。因此人口数量越多,第三行业的碳排放也会越高。

4 广州市碳排放建议

基于对广州市各行业碳排放进行的影响因素分析,本研究从社会经济发展和产业结构优化的角度对接区域碳减排政策,为未来广州市低碳发展提出以下建议：
（1）第二行业作为国民经济的支柱行业,对地区发展起着举足轻重的作用,但由于其高能耗、高污染的特点,给广州市增加了大量的碳排放。因此,广州市政府应该合理调整公共财政的投入,利用公共预算收入加大对第二产业中低能耗、低碳排企业的扶持力度;提高待遇和福利,吸引高端技术人才,推动第二产业的转型升级。其次,也应鼓励科技进步与创新,推广应用节能降耗关键技术,尤其是运用在城镇化建设当中,为广州的城镇化发展奠定基础,尽量减少城镇化过程中产生的碳排放。
（2）第三产业在整个国民经济中具有重要地位,为人民的生活和第一、第二产业的提供了保障。但人口的快速增加和产业的飞速发展也会给城市带来更多的碳排放。① 政府应将节约资源和保护环境放在社会发展中的重要位置,不可盲目追求GDP的增长。当地政府需支持和鼓励节能减排的企业,限制为了刺激消费而浪费资源的企业; ② 应该依据产业的发展有控制地引进外来人口,使人口规模保持适当的水平,并且加大低碳生活的教育宣传,逐渐提高居民的环保意识,养成合理的消费理念,减少能源浪费。
（3）大力支持绿色产业的发展,推动广州市产业结构转型升级。广州市正处于发展的关键时期,刚进入完善提升的阶段,城市可持续发展面临更多挑战。广州市必须走新型城镇化建设的道路,应始终坚持将产业结构向知识密集型、高附加值型的低碳产业方向转变,积极引导第三产业的低碳发展,通过技术进步提升产业结构的整体素质和效率,推进产业结构的合理化和高级化发展,从而达到降低碳排放、减缓温室效应的目的。

5 结论

本研究提出结合“珞珈一号”夜间灯光与城市功能分区数据进行碳排放空间分布模拟的方法。“珞珈一号”与传统的 DMSP-OLS、NPP-VIIRS 数据相比,具有更高的空间分辨率,能更精细反映碳排放的空间分布情况。此外,考虑到城市内部各个功能分区的碳排放情况存在差异,因此本研究利用城市功能分区数据进一步明确不同功能区的碳排放与夜间灯光的关系,从而更合理地模拟城市内部不同行业的能源消费碳排放分布情况。所得结果将有助于相关部门制定精细化与差异化的碳减排方案,有望为城市的生态文明建设提供合理建议。本研究所得主要结论如下：
（1）广州市碳排放量在1997—2010年呈攀升趋势,2011年后增长水平放缓。研究结果显示,2019年广州市碳排放量达到83.12百万吨,即广州能源碳排放总量仍持续增大。广州市的碳排放主要来源于交通行业,因此交通领域的快速发展将导致广州市碳排放量继续增加。
（2）本研究提出的基于“珞珈一号”夜间灯光与城市功能分区的碳排放空间分布模拟方法合理考虑了行业的差异,可以提高空间化结果的精细程度。结果表明,广州市碳排放高值区域位于以陈家祠、石化化工区、天河CBD、白云国际机场为典型代表的居民生活消费、第二产业、第三产业和交通等功能区,符合研究区域实际情况。
（3）将所得碳排放空间化结果与基于NPP-VIIRS夜间灯光数据的碳排放空间化结果（500 m分辨率）、ODIAC（1 km分辨率）及EDGAR（10 km分辨率）等常用碳排放产品对比,表明本研究的方法可在更精细的尺度上呈现区域内部的碳排放量空间差异,同时明确反映出广州市内碳排放量高值区域与周围低值区域的差别,可为节能减排工作提供针对性的参考和支撑。
（4）对碳排放结果进行空间自相关分析,结果表明广州市碳排放呈现显著的高度集聚特征。局部空间自相关分析结果显示碳排放高高聚集的区域多分布在第二、第三产业集中的区域。而随机森林回归表明一般公共预算收入、第二产业GDP、一般公共预算支出、固定资产投资额对第二产业的碳排放产生显著影响;社会消费品零售额、第三产业GDP、各个行政区总GDP以及人口数量对第三产业的碳排放产生显著影响。
本研究存在部分不足,有待后续深入探讨研究：① 本研究所采取的夜间灯光数据来源于武汉大学“珞珈一号”,其分辨率约为130 m,在未来研究中,还可以尝试获取更高空间分辨率的“吉林一号”夜间灯光数据,并进一步收集城市内部各类产业中典型的高能耗企业以及规模以上企业的GDP数据以及碳排数据,提高对碳排放量的精准模拟程度,进行合理分配,从而提高碳排放空间分布模拟结果的精细程度;② 由于区县级以下的社会经济数据较难获取,因此在构建第二、第三产业碳排放回归模型时只以区县为单位进行分析,所得的回归模型存在一定的误差,后续研究需要对此进行完善。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
邓祥征, 蒋思坚, 刘冰, 等. 全球二氧化碳浓度非均匀分布条件下碳排放与升温关系的统计分析[J]. 自然资源学报, 2021, 36(4):934-947.

[ Deng X Z, Jiang S J, Liu B, et al. Statistical analysis of the relationship between carbon emissions and temperature rise with the spatially heterogenous distribution of carbon dioxide concentration[J]. Journal of Natural Resources, 2021, 36(4):934-947. ] DOI: 10.31497/zrzyxb.20210410

DOI

[2]
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[J]. 中国环境科学, 2019, 39(4):1436-1446.

[ Zhang Y N, Pan J H, et al. Spatio-temporal simulation and differentiation pattern of carbon emissions in China based on DMSP/OLS nighttime light data[J]. China Environmental Science, 2019, 39(4):1436-1446. ] DOI: 10.3969/j.issn.1000-6923.2019.04.011

DOI

[3]
Liu Z, Guan D, Wei W, et al. Reduced carbon emission estimates from fossil fuel combustion and cement production in China[J]. Nature, 2015, 524(7565):335-338. DOI: 10.1038/nature14677

DOI

[4]
邓祥征, 丹利, 叶谦, 等. 碳排放和减碳的社会经济代价研究进展与方法探究[J]. 地球信息科学学报, 2018, 20(4):405-413.

DOI

[ Deng X Z, Dan L, Ye Q, et al. Methodological framework and research progress on the social and economic cost of carbon emission and reduction[J]. Journal of Geo-information Science, 2018, 20(4):405-413. ] DOI: 10.12082/dqxxkx.2018.170590

DOI

[5]
蔡博峰, 王金南. 基于1km网格的天津市二氧化碳排放研究[J]. 环境科学学报, 2013, 33(6):1655-1664.

[ Cai B F, Wang J N. CO2 Emissions of Tianjin Based On 1 Km Grid Dataset[J]. Huanjing Kexue Xuebao / Acta Scientiae Circumstantiae, 2013, 33(6):1655-1664. ] DOI: 10.13671/j.hjkxxb.2013.06.026

DOI

[6]
Chuai X, Feng J. High resolution carbon emissions simulation and spatial heterogeneity analysis based on big data in Nanjing City, China[J]. Science of the Total Environment, 2019, 686(10):828-837. DOI: 10.1016/j.scitotenv.2019.05.138

DOI

[7]
Gurney K R, Liang J, Patarasuk R, et al. The vulcan version 3.0 high-resolution fossil fuel CO2 emissions for the United States[J]. Journal of Geophysical Research: Atmospheres, 2020, 125(19). DOI: 10.1029/2020JD032974

DOI

[8]
Cai M, Shi Y, Ren C. Developing a high-resolution emission inventory tool for low-carbon city management using hybrid method: A pilot test in high-density Hong Kong[J]. Energy and Buildings, 2020, 226:110376. DOI: 10.1016/j.enbuild.2020.110376

DOI

[9]
郭忻怡, 闫庆武, 谭晓悦, 等. 基于Dmsp/Ols与Ndvi的江苏省碳排放空间分布模拟[J]. 世界地理研究, 2016, 25(4):102-110.

[ Guo X, Yan Q, Tan X, et al. Spatial distribution of carbon emissions based on DMSP/OLS nighttime light data and NDVI in Jiangsu province[J]. World Regional Studies, 2016, 25(4):102-11. ] DOI: 10.3969/j.issn.1004-9479.2016.04.012

DOI

[10]
武娜, 沈镭, 钟帅. 基于夜间灯光数据的晋陕蒙能源消费碳排放时空格局[J]. 地球信息科学学报, 2019, 21(7):1040-1050.

DOI

[ Wu N, Shen L, Zhong S. Spatio-temporal pattern of carbon emissions based on nightlight data of Shanxi-Shaanxi-Inner Mongolia region of China[J]. Journal of Geo-information Science, 2019, 21(7):1040-1050. ] DOI: 10.12082/dqxxkx.2019.190010

DOI

[11]
余柏蒗, 王丛笑, 宫文康, 等. 夜间灯光遥感与城市问题研究:数据、方法、应用和展望[J]. 遥感学报, 2021, 25(1):342-364.

[ Yu B L, Wang C X, Gong W K, et al. Nighttime light remote sensing and urban studies:Data, methods, applications, and prospects[J]. National Remote Sensing Bulletin, 2021, 25(1):342-364. ] DOI: 10.11834/jrs.20211018

DOI

[12]
李建豹, 黄贤金, 孙树臣, 等. 长三角地区城市土地与能源消费CO2排放的时空耦合分析[J]. 地理研究, 2019, 38(9):2188-2201.

DOI

[ Li J B, Huang X J, Sun S C, et al. Spatio-temporal coupling analysis of urban land and carbon dioxide emissions from energy consumption in the Yangtze River Delta region[J]. Geographical Reserch, 2019, 38(9):2188-2201. ] DOI: 10.11821/dlyj020180774

DOI

[13]
王少剑, 苏泳娴, 赵亚博. 中国城市能源消费碳排放的区域差异、空间溢出效应及影响因素[J]. 地理学报, 2018, 73(3):414-428.

DOI

[ Wang S J, Su Y X, Zhao Y B. Regional inequality, spatial spillover effects and influencing factors of China's city-level energy-related carbon emissions[J]. Acta Geographica Sinica, 2018, 73(3):414-428. ] DOI: 10.11821/dlxb201803003

DOI

[14]
Elvidge C D, Baugh K E, Kihn E A, et al. Mapping city lights with nighttime data from the DMSP operational linescan system[J]. Eng & Remote Sens, 1997, 63(6):727-734. DOI: 10.1016/S0924-2716(97)00008-7

DOI

[15]
Oda T, Maksyutov S. A very high-resolution (1 km×1 km) global fossil fuel CO2 emission inventory derived using a point source database and satellite observations of nighttime lights[J]. Atmospheric Chemistry and Physics, 2011, 11(2):16307-16344. DOI: 10.5194/acp-11-543-2011

DOI

[16]
Muntean M, Janssens-Maenhout G, Song S, et al. Trend analysis from 1970 to 2008 and model evaluation of EDGARv4 global gridded anthropogenic mercury emissions[J]. Science of the Total Environment, 2014, 494-495(10):337-350. DOI: 10.1016/j.scitotenv.2014.06.014

DOI

[17]
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. ] DOI: 10.11821/dlxb201311007

DOI

[18]
Shi K, Yu B, Zhou Y, et al. Spatiotemporal variations of CO2 emissions and their impact factors in China: A comparative analysis between the provincial and prefectural levels[J]. Applied Energy, 2019, 233-234:170-181. DOI: 10.1016/j.apenergy.2018.10.050

DOI

[19]
于博, 杨旭, 吴相利. 哈长城市群县域碳排放空间溢出效应及影响因素研究--基于Npp-Viirs夜间灯光数据的实证[J]. 环境科学学报, 2020, 40(2):697-706.

[ Yu B, Yang X, Wu X L. Study on spatial spillover effects and influencing factors of carbon emissions in county areas of Ha-Chang city group: Evidence from NPP-VIIRS nightlight data[J]. Acta Scientiae Circumstantiae, 2020, 40(2):697-706. ] DOI: 10.13671/j.hjkxxb.2019.0402

DOI

[20]
牛亚文, 赵先超, 胡艺觉. 基于Npp-Viirs夜间灯光的长株潭地区县域土地利用碳排放空间分异研究[J]. 环境科学学报, 2021, 41(9):3847-3856.

[ Niu Y W, Zhao X C, Hu Y J. Spatial variation of carbon emissions from county land use in Chang-Zhu-Tan area based on NPP-VIIRS night light[J]. Acta Scientiae Circumstantiae, 2021, 41(9):3847-3856. ] DOI: 10.13671/j.hjkxxb.2021.0281

DOI

[21]
Wang C, Chen Z, Yang C, et al. Analyzing parcel-level relationships between Luojia 1-01 Nighttime Light intensity and artificial surface features across Shanghai, China:A comparison with NPP-VIIRS data[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 85:101989. DOI: 10.1016/j.jag.2019.101989

DOI

[22]
Zhang Guo, Xue Y, et al. Evaluating the potential of LJ1-01 Nighttime Light Data for modeling socio-economic parameters[J]. Sensors, 2019, 19(6):1465. DOI: 10.3390/s19061465

DOI

[23]
吴健生, 牛妍, 彭建, 等. 基于DMSP/OLS夜间灯光数据的1995-2009年中国地级市能源消费动态[J]. 地理研究, 2014, 33(4):625-634.

DOI

[ Wu J S, Niu Y, Peng J, et al. Research on energy consumption dynamic among prefecture-level cities in China based on DMSP/OLS Nighttime Light[J]. Geographical Research, 2014, 33(4):625-634. ] DOI: 10.11821/dlyj201404003

DOI

[24]
唐建荣, 陈实. 基于随机森林方法的碳足迹及其影响因素研究[J]. 统计与信息论坛, 2013, 28(10):70-74.

[ Tang J R Chen S. Study on the impact factors of the carbon footprint based on Random Forest[J]. Statistics & Information Forum, 2013, 28(10):70-74. ] DOI: 10.3969/j.issn.1007-3116.2013.10.012

DOI

[25]
Gong P, Chen B, Li X, et al. Mapping Essential Urban Land Use Categories in China (EULUC-China): Preliminary Results for 2018[J]. Science Bulletin, 2019, 65(3):182-187. DOI: 10.1016/j.scib.2019.12.007

DOI

[26]
李德仁, 张过, 沈欣, 等. 珞珈一号01星夜光遥感设计与处理[J]. 遥感学报, 2019, 23(6):1011-1022.

[ Li D R, Zhang G, Shen X, et al. Design and processing night light remote sensing of LJ-1 01 satellite[J]. Journal of Remote Sensing, 2019, 23(6):1011-1022. ] DOI: 10.11834/jrs.20199327

DOI

[27]
Doll C H, Muller J P, Elvidge C D. Night-time imagery as a tool for global mapping of socioeconomic parameters and greenhouse gas emissions[J]. Ambio A Journal of the Human Environment, 2000, 29(3):157-162. DOI: 10.1579/0044-7447-29.3.157

DOI

[28]
杜海波, 魏伟, 张学渊, 等. 黄河流域能源消费碳排放时空格局演变及影响因素--基于DMSP/OLS与NPP/VIIRS夜间灯光数据[J]. 地理研究, 2021, 40(7):2051-2065.

DOI

[ Du H B, Wei W, Zhang X Y, et al. Spatio-temporal evolution and influencing factors of energy-related carbon emissions in the Yellow River Basin: Based on the DMSP/OLS and NPP/VIIRS nighttime light data[J]. Geographical Research, 2021, 40(7):2051-2065. ] DOI: 10.11821/dlyj020200646

DOI

[29]
李建豹, 黄贤金, 揣小伟, 等. 江苏省人口城镇化与能源消费CO2排放耦合协调度时空格局及影响因素[J]. 经济地理, 2021, 41(5):57-64.

[ Li J B, H X J, Chuai X W, et al. Spatial-temporal Pattern and Influencing Factors of Coupling Coordination Degree Between Urbanization of Population and CO2 Emissions of Energy Consumption in Jiangsu Province[J]. Economic Geogaphy, 2021, 41(5):57-64. ] DOI: 10.15957/j.cnki.jjdl.2021.05.007

DOI

[30]
张雨欣, 李熙, 宋杨, 等. 基于“珞珈一号”夜光遥感影像的粤港澳大湾区城市空间形态分析[J]. 应用科学学报, 2020, 38(3):466-477.

[ Zhang Y X, Li X, Song Y, et al. Urban Spatial Form Analysis of GBA Based on “LJ1-01” Nighttime Light Remote Sensing Images[J]. Journal of Applied Sciences-Electronics and Information Engineering, 2019, 23(6):1011-1022. ] DOI: 10.3969/j.issn.0255-8297.2020.03.012

DOI

[31]
林中立, 徐涵秋, 林丛华, 等. 基于珞珈一号夜间灯光数据的福建省人为热通量估算[J/OL]. 遥感学报, 2021.

[ Lin Z L, Zu H Q, Lin C H, et al. Estimation of anthropogenic heat flux of Fujian Province(China) based on Luojia 1-01 nighttime light data[J/OL]. Journal of Remote Sensing. 2021. ] DOI: 10.11834/jrs.20210295

DOI

[32]
廖翠萍. 广州市碳排放达峰和“十四五”低碳发展战略路径研究[R]. 广州: 中国能源研究会能源系统工程专业委员会, 2020.

[ Liao C P Peak carbon emission in Guangzhou and the strategic path of low-carbon development in the 14th Five-year Plan[R]. Guangzhou: Energy System Engineering Committee of China Energy Research Society, 2020. ]

[33]
杨莉, 张雪磊. 江苏居民消费碳排放测度与影响因素研究--基于GTWR模型的实证分析[J]. 生态经济, 2020, 36(5):31-38.

[ Yang L Zhang X L. Study on Measurement and influencing factors of household carbon emission in Jiangsu Province: An empirical analysis based on GTWR Model[J]. Ecological Economy, 2020, 36(5):31-38. ]

DOI

[34]
范建双, 虞晓芬, 周琳. 南京市土地利用结构碳排放效率增长及其空间相关性[J]. 地理研究, 2018, 37(11):2177-2192.

DOI

[ Fan J S, Yu X F, Zhou L. Carbon emission efficiency growth of land use structure and its spatial correlation: A case study of Nanjing city e[J]. Geographical Research, 2018, 37(11):2177-2192. ] DOI: 10.11821/dlyj201811005

DOI

[35]
Breiman L. Random Forests-Random Features[J]. Machine learning, 2001, 45:5-31. DOI: 10.1023/A:1010933404324

DOI

[36]
邢晓语, 杨秀春, 徐斌, 等. 基于随机森林算法的草原地上生物量遥感估算方法研究[J]. 地球信息科学学报, 2021, 23(7):1312-1324.

DOI

[ Xing X Y, Yang X C, Xu B, et al. Remote sensing estimation of grassland aboveground biomass based on random forest[J]. Journal of Geo-information Science, 2021, 23(7):1312-1324. ] DOI: 10.12082/dqxxkx.2021.200605

DOI

Options
文章导航

/

〈 〉