EN中文

Journal of Geo-information Science >

2019 , Vol. 21 >Issue 7: 1040 - 1050

DOI: https://doi.org/10.12082/dqxxkx.2019.190010

Orginal Article

Spatio-temporal Pattern of Carbon Emissions based on Nightlight Data of the Shanxi-Shaanxi-Inner Mongolia Region of China

  • WU Na , 1, 2 ,
  • SHEN Lei , 1, 2, 3, * ,
  • ZHONG Shuai 1, 2, 3
Expand
  • 1. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences,Beijing 100101, China
  • 2. University of Chinese Academy of Sciences,Beijing 100049, China
  • 3. Key Laboratory of Carrying Capacity Assessment for Resource and Environment, Ministry of Natural Resources, Beijing 100083, China
*Corresponding author: SHEN Lei, E-mail:

Received date: 2019-01-07

  Request revised date: 2019-04-02

  Online published: 2019-07-25

Supported by

Strategic Priority Research Program of the Chinese Academy of Sciences, No.XDA19040102

National Key Research and Development Program of China, No. 2016YFA0602802

National Natural Science Foundation of China, No.41771566

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

The Shanxi-Shaanxi-Inner Mongolia region is China's energy production base and also a major carbon emission area. It is very difficult to estimate the carbon emissions of in Shanxi, Shaanxi, Inner Mongolia. How to obtain the spatiotemporal dynamic information of carbon emissions accurately and quickly has important application value for making more informed regional carbon emission reduction plans. In this paper, the Shanxi-Shaanxi-Inner Mongolia region was selected as the study area. Based on nighttime light imagery, the spatial distribution of carbon emissions in Shanxi、Shaanxi and Inner Mongolia were simulated, and then the spatial distribution characteristics and rules of carbon emissions were systematically described. The results showed that the correlation coefficient between the total value of night light pixels and energy consumption carbon emissions was relatively high in the three provinces of Shanxi, Shaanxi and Mongolia during 1997-2016, which all passed the significance test of 1%. From 1997 to 2016, the carbon emissions increased year by year in Shanxi、Shaanxi and Inner Mongolia. Ordos is a "high carbon" area; Tongchuan, Ankang, Shangluo, Hanzhong, Alashan, and Yangquan are "low carbon" areas. The distribution of the carbon emissions presented a distinct pattern ̶ smaller in southern Shaanxi than in the central areas. The analysis of spatial distribution patterns of carbon emissions in energy rich areas can better inform the formulation of feasible carbon emission reduction policies.

Key words： nightlight data; CO2emission; energy consumption; spatio-temporal pattern; Shanxi-Shaanxi-Inner Mongolia

Cite this article

WU Na , SHEN Lei , ZHONG Shuai . Spatio-temporal Pattern of Carbon Emissions based on Nightlight Data of the Shanxi-Shaanxi-Inner Mongolia Region of China[J]. Journal of Geo-information Science, 2019 , 21(7) : 1040 -1050 . DOI: 10.12082/dqxxkx.2019.190010

1 引言

“十三五”规划期间,我国政府已经确定了2030年的减排目标,要求碳排放尽早达到峰值并越快越好,碳强度比2005年下降60%~65%,非化石能源比重提升到20%左右。这对依靠能源优势快速发展的地区来说,无疑是多了一个限制条件。碳减排责任的分担和碳排放量的限制应该根据各个地区的实际经济发展水平和能源开采及消费情况,因此,晋陕蒙地区碳排放空间分布规律分析可以为该区域制定切实可行的碳排放政策提供理论依据。
目前,国内关于碳排放的研究主要集中在碳排放与能源消费和经济增长的关系[1,2]、碳排放的转移特征[3]、碳排放的驱动力[4]和碳排放的测算[5]等几大方面,研究多以国家、区域和省份为研究对象。大部分研究都是基于国家或各省份的能源统计数据进行计算的,由于缺乏市级和县级区域的统计数据,给县市尺度上碳排放的评价带来困难。随着遥感技术的快速发展,美国军事气象卫星搭载的传感器获取到了全球夜间灯光数据,该数据可以很好地反映出人类活动的强度。许多学者开始运用夜间灯光数据进行了一系列的研究,在GDP空间化[6,7]、城市空间扩展[8,9]、电力消费模拟[10]、能源消费动态研究[11,12]、人口时空变化[13]等方面取得了一定的成果,但在碳排放领域的相关研究相对较少,仍处于起步阶段。如Su等[14]基于夜间灯光数据,通过构建夜间灯光数值与CO2排放量统计值之间的关系模型,发现夜间灯光数据总值与CO2排放统计值存在较强的拟合优度（R2达0.81）;郭忻怡等[15]基于夜间灯光数据实现了江苏省各区县碳排放量的空间模拟,得出江苏省碳排放空间分布规律,为制定差异化减排策略提供依据;马忠玉等[16]基于DMSP /OLS 全球稳定夜间灯光数据估算了中国分省域的碳排放值,从多个角度验证了碳排放时空的模拟效果的良好性。相关研究的还有Shi等[17]基于夜间灯光数据估算中国碳排放量,构建碳排放的时空格局动态评估模型分析碳排放时空变化格局;李海萍等[18]利用灯光数据与相应空间单元的碳排放量进行回归分析,研究碳排放量在地级市尺度上的空间变化;宋金超等[19]利用夜间灯光数据和Google Earth研究城市建成区的提取方法,该方法适用于在地形复杂、形态多样的大尺度空间中提取城市建成区。
通过综述文献可见,基于夜间灯光数据模拟碳排放值,很好地弥补了统计数据不全、统计口径不一、县级尺度以下相关能源消耗数据不易获取的缺点;由于灯光数据与碳排放值的拟合度较强,运用夜间灯光数据可以较为准确地对碳排放进行估算和预测。总体来看,现有的研究较为全面地阐述了基于夜间灯光数据的能源碳排放的模拟方法,进而分析了省级层面上能源消耗及碳排放相关问题,为减排政策提供了一定的科学依据,但在以下几个方面仍可以进一步深化与扩展：① 大多研究尺度是全球或国家层面,省市级尺度较少;同时对具有能源特色区域的碳排放空间分布特征的研究就更少,实际上,对能源富集地区碳排放的研究更具有实际意义;② 晋陕蒙资源型区域,是国家最重要的煤炭资源输出基地[20],存在碳排放的转移情况,用能源消耗的统计数据对碳排放进行估算,会导致本地区实际碳排放量的增多。如果基于行政区范围内的灯光数据对碳排放进行估算可以较为准确地反映该行政单元内碳排放的实际量。
鉴于此,本文以晋陕蒙能源富集区为研究对象,以夜间灯光数据、基础地理信息数据及社会经济统计数据等为基础,利用GIS空间分析技术,实现能源消费碳排放数据空间化,使碳排放数据与地理网格一一对应,实现碳排放空间分布信息由行政边界到像元栅格的转换,客观展现碳排放地理分布规律[21],旨在为快速获取碳排放数据,实现碳排放空间分布模拟,为能源资源优化布局提供科学依据。

2 研究区概况、数据来源与研究方法

2.1 研究区概况

文中选取我国中西部3个相邻的较为典型的晋、陕、蒙三大能源资源型省区为研究对象（图1）,包括太原、大同、朔州、忻州、阳泉、吕梁、晋中、长治、晋城、临汾、运城、西安、宝鸡、咸阳、铜川、渭南、延安、榆林、汉中、安康、商洛、呼和浩特、包头、呼伦贝尔、兴安、通辽、赤峰、锡林郭勒、乌兰察布、鄂尔多斯、巴彦淖尔、乌海、阿拉善,三省区位于我国的中北部地区,北与蒙古国、俄罗斯接壤;南临河南、湖北、四川、重庆;东邻黑龙江、吉林、辽宁、河北;西连宁夏、甘肃,土地总面积为154.53 万km2。2018年全区常住总人口为10 087.78 万人,规模以上工业原煤产量为24.91 亿t,占全国原煤产量的67.6%。
Fig. 1 The study area in Shanxi, Shaanxi, and Inner Mongolia

图1 晋陕蒙研究区范围

2.2 数据来源及处理

本文选取晋陕蒙三省区为研究对象,使用的数据主要包括夜间灯光数据、主要能源消费数据和其他辅助数据。
（1）夜间灯光数据。1997-2013年的夜间灯光数据为DMSP-OLS夜间灯光数据,该数据由美国国家地球物理数据中心（National Geophysical Data Center,NGDC）提供。该影像数据空间分辨率为30弧秒,影像的像元DN值范围为0~63,其值大小代表平均灯光强度,该值越大表示区域灯光强度值越大。由于数据是通过不同传感器获得的,且存在像元饱和的问题,所以本文借鉴曹子阳等[22]提出的影像校正方法对DMSP-OLS夜间灯光数据进行相互、饱和、连续性等一系列校正。由于DMSP-OLS夜间灯光数据2013年后无继续更新,因此2014-2016年的数据选为NPP-VIIRS夜间灯光数据①(https://www.ngdc.noaa.gov/ngdc.html。),该数据是NGDC下属的地球观测小组利用Suomi国家极地合作卫星上搭载的可见红外辐射成像仪的Day/Night波段获取的夜间数据,此数据不存在像元饱和问题,但是依然存在背景噪声的影响,文中根据Li[23]和Shi[24]等提出的方法对NPP-VIIRS灯光影像进行去除背景噪声、过滤最大值等校正。考虑到DMSP-OLS数据和NPP-VIIRS数据存在的差异性,本文主要借鉴Li等[25]和杨任飞[26]等提出的方法对两种来源的数据进行相互校准。经过一系列校正后的夜间灯光影像如图2所示。
Fig. 2 Nighttime light imagery after necessary corrections in Shanxi, Shaanxi, and Inner Mongolia from 1997 to 2016

图2 1997-2016年晋陕蒙地区校正后的夜间灯光影像

（2）能源消费统计数据。来源于国家统计局发布的1997-2016年山西省、陕西省和内蒙古自治区省级主要能源产品消费数据②(http://data.stats.gov.cn/index.htm。)。
（3）辅助数据。中国省市级行政边界数据来自于中国科学院资源环境科学数据中心③(http://www.resdc.cn/。)。

2.3 研究方法

2.3.1 碳排放的计算
人类活动的CO2排放90%以上来源于能源的使用[27]。在研究中,大部分的学者也将区域能源消费总量的CO2排放看成是实际的区域CO2排放总量。本文也把能源消耗产生的CO2排放看作该区域实际CO2排放值。因此,碳排放总量由各种能源消费产生的CO2排放量加和得到。具体公式如下：
C = ∑ k = 1 n V k × C k × A k × F k × 44 12 （1）
式中：C表示CO2排放量;Ak表示k燃料的消耗量;Vk表示净发热值;Ck表示氧化率;Fk表示碳氧化因子;44和12分别为CO2和碳的分子量。各参数的具体数值见表1。
Tab. 1 Basic data for calculating the CO2 emission coefficients

表1 核算CO2排放量的基础数据

源类型 煤炭 焦炭 原油 汽油 煤油 柴油 燃料油 天然气
净发热值[28]/（kJ/kg,kJ/m3） 20 908 28 435 41 816 43 070 43 070 43 070 41 816 38 931
单位热值含碳量[27]/（tC/TJ） 27.40 29.50 20.10 18.90 19.50 20.20 21.10 15.30
氧化率[29] 0.94 0.93 0.98 0.98 0.98 0.98 0.98 0.90
2.3.2 碳排放模拟模型
根据同一区域夜间灯光总值与CO2排放总量具有较好的相关性[21,30],本文以校正后的1997-2016年夜间灯光数据为基础,统计晋陕蒙三省夜间灯光总值与相应年份的CO2排放量,并进行拟合分析,得到晋陕蒙三省能源消费碳排放量的线性模型,如式（2）所示：
C e = α × TDN + b （2）
式中： C e 表示CO2的模拟值;TDN表示校正后所有稳定灯光影像像元DN值总和; α 表示回归系数; b表示常数;三省1997-2016年CO2排放量模拟方程系数（表2）。按照表2给出的参数值,得出的 C e 值单位为万t。
Tab. 2 Linear regression equations between the DN value and CO2 emissions in Shanxi, Shaanxi, and Inner Mongolia from 1997 to 2016

表2 1997-2016年晋陕蒙地区DN值与CO2排放总量的一元线性拟合方程

地区 拟合方程 R2
山西 y=0.1075x-132368 0.8650
陕西 y=0.0527x-28010 0.9774
内蒙古 y=0.0726x-34307 0.9499
2.3.3 修正模拟单位像元碳排放值
根据式（2）,基于夜间灯光数据,计算夜间灯光数据在每个栅格单元上的初始碳排放值,由此可统计第n年初始碳排放数据 C s n 。受回归函数误差影响,第n年初始碳排放数据与实际统计碳排放数据 C r n 不一致,为此构建了第n年夜间灯光数据反演的碳排放格网模型比例系数mn（式（3））;然后将第n年夜间灯光数据模拟出的初始碳排放值乘以相应的比例系数（式（4））,使n年模拟碳排放总量与统计数量相等,最终得到空间化碳排放数据。
m n = C r n / C s n （3）
C x n k = C s n k × m n （4）
式中： m n 为第n年碳排放实际值与模拟值的比例系数; C r n 为该年能源碳排放的实际统计值; C s n 为通过模型得出的该年碳排放量的模拟值; C x n k 为该年第k个栅格上分布的碳排放量; C s n k 为第k个栅格单元上分布的碳排放量的拟合值。
2.3.4 倾向值法
对于碳排放呈显著变化的地市,通过进一步计算1997-2016年碳排放变化斜率来判断趋势类型。
SLOPE = n × ∑ i = 1 n x i C i - ∑ i = 1 n x i ∑ i = 1 n C i n × ∑ i = 1 n x i 2 - ∑ i = 1 n x i 2 （5）
式中： n 表示总年份数,值为20; x i 为1~20; C i 表示第 i 年对应的CO2排放量。具体分级标准见表3。
Tab. 3 Classification of the CO2 emission SLOPE in Shanxi, Shaanxi, and Inner Mongolia from 1997 to 2016

表3 1997-2016年晋陕蒙地区碳排放增长趋势分级标准

增长类型 缓慢增长型 较慢增长型 中速增长型 较快增长型 迅猛增长型
SLOPE <c̅-0.5s c̅-0.5s~c̅+0.5s c̅+0.5s~c̅+s c̅+s~c̅+1.5s >c̅+1.5s

注：c̅为晋陕蒙各地级市1997-2016年SLOPE的平均值,s为其标准差。

3 结果及分析

3.1 精度评价

山西、陕西和内蒙古夜间灯光总值与基于能源消耗统计数据核算的碳排放量R2分别为0.8650、0.9774、0.9499。为了保证碳排放量模拟值的准确性和可靠性,将其与由统计值得出的CO2排放量进行对比,结果如图3所示,与苏泳娴等[30]的研究（拟合度为0.818）结果较为一致,模拟值与统计值的均方根误差RMSE分别为372.31万t、79.85万t、494.57万t,平均相对误差MRE分别为10.25%、11.22%、13.07%（表4）。由此可见,文中建立的拟合模型精度较高,可以进行晋陕蒙CO2排放量的模拟研究。
Fig. 3 Scatter plots between calculated CO2 emissions and simulated CO2 emissions in Shanxi, Shaanxi, and Inner Mongolia from 1997 to 2016

图3 1997-2016年晋陕蒙地区CO2排放量统计值与模拟值的散点图

Tab. 4 Accuracy of the estimated CO2 emissions in Shanxi, Shaanxi, and Inner Mongolia from 1997 to 2016

表4 1997-2016年晋陕蒙地区CO2排放量模拟精度检验

地区 MRE/% RMSE/万t
山西 10.25 372.31
陕西 11.22 79.85
内蒙古 13.07 494.57

3.2 晋陕蒙碳排放空间化

根据碳排放的拟合方程和模型参数,在省级尺度上模拟反演山西省、陕西省和内蒙古自治区能源消费碳排放空间化,构建三省区能源消费碳排放量的1 km × 1 km格网图。图4是利用夜间灯光数据模拟的1997、2003、2010和2016年山西省、陕西省和内蒙古自治区能源消费碳排放空间分布图。
Fig. 4 Mapping of the CO2 emissions in Shanxi, Shaanxi, and Inner Mongolia from1997 to 2016

图4 1997-2016年晋陕蒙地区CO2排放量空间栅格化分布

3.3 晋陕蒙碳排放基本格局

1997-2016年,能源消费总量呈现持续增长趋势,晋陕蒙地区作为我国重要的能源供应基地,能源在使用过程中释放出大量的CO2,由此晋陕蒙成为全国重点减排区域。在此期间,山西、陕西和内蒙古地区CO2排放总量呈持续增长（图5）,碳排放总量山西省从1997年的37 267万t增加到2016年的93 029万t,增长幅度超过了2.5倍;陕西省从 11 299万t增加到了60 649万t,增长幅度超过了5倍;内蒙古从15 018万t增加到99 978万t,增幅高达6.6倍。此外,从图5中可以看出,山西省1997-2000年碳排放总量增长较慢,年平均增长率为4.7%;2000-2007年碳排放增长趋势较快,年平均增长率为11.4%;2007-2009年出现负增长;2009-2011年,碳排放中速增长,增长率为9.5%;2011-2016年碳排放增长趋于平缓,出现先下降再上升的趋势。陕西省1997-2000年碳排放呈负增长;2000-2012年碳排放增长趋势较快,年平均增长率为14.4%;2012-2016年碳排放增长趋于缓慢,增长率3.8%。内蒙古自治区1997-2002年碳排放总量增长较慢,年平均增长率为4.5%;2002-2011年碳排放增长迅猛,年平均增长率为20%;2011-2016年,碳排放增长趋于平缓。
Fig. 5 Growth of the CO2 emissions in Shanxi, Shaanxi, and Inner Mongolia from 1997 to 2016

图5 1997-2016年晋陕蒙地区CO2排放增长阶段

3.4 晋陕蒙地级市碳排放空间演变特征

为了对1997-2016年晋陕蒙地区各地级市碳排放变化情况进行详细对比分析,突出各地级市碳排放的差异性,本文对栅格化修正后的碳排放数据进行空间分区统计,将结果连接到地级市尺度下的矢量行政单元并采用ArcGIS自然断点分级法将三省碳排放强度分为5个级别,高碳排放、较高碳排放、中等碳排放、较低碳排放、低碳排放,分类结果如图6所示。
Fig. 6 Mapping of the CO2 emissions of each city in Shanxi, Shaanxi, and Inner Mongolia from 1997 to 2016

图6 1997-2016年晋陕蒙各地级市碳排放等级划分

从图6中可以看出,2016年各地市能源消费碳排放高于1997年;2010年,中等碳排放和较高碳排放分布区域在增多,分布面积在增大。临汾市在1997-2016年均属于高碳排放区,碳排放量从1997年的7104万t增加到2016年的13 915万t,20年内增加了6 811万t,年均增加340万t。碳排放等级变化最为明显的是鄂尔多斯市,该市从1997年较低碳排放区到2016年变为高碳排放区,碳排放量增加了16 621万t,年均增长492万t。铜川市、汉中市、安康市和商洛市在1997-2016年一直处于低碳排放区。1997年,安康市和商洛市碳排放量最低,分别为212万t和229万t。2016年,碳排放量最低的是铜川市和安康市,分别为1342万t和1544万t。1997、2003、2010和2016年的碳排放情况均呈现出明显的分布差异,即主要集中在晋陕蒙地区的接壤地区,该区域以能源为主的矿产资源丰富,是国家大规模开发的能源重化工基地,碳排放量高与该地区第二产业所占比重过大以及在追求经济增长时过度依赖消耗化石能源这种粗放的经济增长方式导致的高碳排放有关,同时也表明,这些区域的碳减排形势不容乐观,进一步降低碳排放增量、控制碳排放总量的持续上涨成为下一阶段的重点任务。

3.5 晋陕蒙碳排放变化趋势分析

为进一步揭示碳排放量变化的时空演化规律,本文根据趋势分析法,对碳排放总量增长的趋势进行分类,按照计算出的SLOPE数值,可以分为缓慢增长型、较慢增长型、中速增长型、较快增长型和迅猛增长型这5种类型。结果如图7所示。晋陕蒙地区有9个地市属于缓慢增长型、17个地市属于较慢增长型,主要集中在山西省的大部分地区、陕西省的南部地区和内蒙古的中西部地区;4个地市属于中速增长型;2个地市属于较快增长型,1个地市属于迅猛增长型,它们占地面积很广,主要集中在内蒙古自治区。
Fig. 7 Mapping of the CO2 emission trend of each city in Shanxi, Shaanxi, and Inner Mongolia from 1997 to 2016

图7 1997-2016年晋陕蒙各地级市碳排放增长趋势

4 结论

根据晋陕蒙地区碳排放空间模拟结果,得出晋陕蒙各地级市碳排放空间分布的基本规律如下：
（1）1997-2016年,晋陕蒙三省区夜间灯光像元总值与能源消耗碳排放量之间的相关系数较高,均通过了1%的显著性检验。碳排放的模拟值与统计值的均方根误差和平均相对误差较小,与苏泳娴等[30]的研究结果一致,说明该拟合模型模拟结果可信,可以用夜间灯光数据反映碳排放量的空间化。本文碳排放等级划分图中1997年、2003年、2010年临汾市所处的碳排放等级,与苏泳娴等[30]对中国能源消费碳排放的研究中临汾市相对于晋陕蒙地区所处的碳排放等级一致。
（2）晋陕蒙地区的CO2排放总量呈逐年增长趋势,山西省的年均增长率为5.15%;陕西省的为9.5%;内蒙古的为10.98%;全国的为6.93%,山西省的年均增长率低于全国水平,虽然山西省的碳排放量每年均高于其他两省份,但实际年均增长率却比两省低。1997-2016年,碳排放年均增长量排名前三位的有鄂尔多斯市、榆林市、延安市;碳排放等级为高碳排放区和较高碳排放区的有鄂尔多斯市、吕梁市和临汾市;碳排放增长趋势呈现迅猛和较快增长类型的有鄂尔多斯市、榆林市、延安市。从碳排放年均增长量、碳排放等级、碳排放增长趋势这三方面对碳排放情况的总结来看,内蒙古鄂尔多斯市属于“高碳”地区。鄂尔多斯地区自然资源富集,70%的地表下埋藏着煤,煤炭已探明储量2000多亿吨,约占全国的1/6;该地区的伊金霍洛旗煤炭资源储量大,赋存条件好,素有“地下煤海”之称,是神府东胜煤田的主采区,国内重要的能源基地之一[31]。
（3）1997-2016年,碳排放年均增长量排名后六位的有铜川市、安康市、商洛市、汉中市、阳泉市、阿拉善盟;碳排放等级为低碳排放区和较低碳排放区的有商洛市、安康市、铜川市、宝鸡市、汉中市、阿拉善盟、乌海市、兴安盟、阳泉市;碳排放增长趋势呈现缓慢增长类型的有商洛市、安康市、铜川市、宝鸡市、汉中市、阿拉善盟、乌海市、兴安盟、阳泉市。从上述3个方面对碳排放情况的统计来看,陕西省的铜川市、安康市、商洛市、汉中市,山西省的阳泉市和内蒙古的阿拉善盟属于“低碳”地区。
（4）在空间特征上,陕西省的CO2排放空间分布情况与陕西省自然和区位条件有很大的相关性,陕北地区拥有丰富的自然资源,煤炭资源丰富,为国家大型优质资源区[32]。陕南地区物产丰富,水力、生物资源丰富。因此,碳排放的整个分布情况就是陕北地区碳排放量高,关中和陕南地区的碳排放量较低。

5 讨论

在上述研究结论的基础上,本文进一步提出以下建议：
（1）对于能源富集区来说,准确了解碳排放的空间分布情况,可以为精细尺度的碳减排任务提供数据基础,便于碳减排任务的具体落实,实施低碳运行发展模式[33]。另外,减排重点要放在内蒙古鄂尔多斯市;山西省的临汾市这些“高碳”地区。各级政府要积极鼓励高耗能高排放企业进行产业升级,加大引进先进的工艺技术,大力扶持科技研发工作,淘汰落后的产能,推动节能减排,调整产业结构。同时,对以消耗煤炭为主的产业结构进行调整,号召煤炭企业采用先进的生产技术,提供煤炭的实际利用率,提高煤炭产业链中间产品、废物产品的循环利用率。这样不仅提高了能源效率,也促进了经济的可持续发展。
（2）区域碳减排需因地制宜,国家和各省域要根据具体的排放情况,制定差异化的减排目标。对于陕北地区以能源为主导的产业地区,能源结构的调整和能源效率的提高应该作为减排工作的主要任务,要注意区域的协调、可持续发展问题,另外要充分利用陕北地区的油气资源;对于陕南“低碳”区,要继续巩固和发展自己的优势,侧重于产业结构调整,加快淘汰或改造高碳产业。
（3）创新是提高企业生命力的源泉,高耗能产业能源成本高使得企业缺乏市场竞争力,因此,鼓励科技创新,调整生产技术,成为工业企业应对激烈竞争的法宝。一方面,企业依靠技术进步,降低了生产过程中对能源的需求量,提高能源使用效率,实现低投入,高收益,低污染,尽可能降低生产过程中污染物的排放;另一方面,企业生产技术的提高,降低了生产成本,提高了企业的竞争力,使得资源被充分利用,有利于企业形成环保节约型生产线。
本文基于曹子阳等[22]提出的方法对不同时间序列的夜间灯光数据进行了过饱和、连续性等一系列的校正,使得模拟值和统计值之间的误差在可接受范围之内。但由于灯光的扩散性、城市的地形地貌和特色的地理位置、灯光数据校正方法的局限性等因素增加了灯光数据的不确定性,影响到研究结果的准确性。文中应用了2种灯光数据,为了两组数据的一致性,本文结合DMSP/OLS稳定灯光数据和全国碳排放的统计值对校正后的VIIRS夜间灯光数据进行了适当的调整;其次,研究中空间分区统计得出的模拟数据可能与实际统计值间存在一定的误差;再次,文中在省级尺度上对晋陕蒙区域能源消耗碳排放与夜间灯光值进行了拟合,考虑到无法获取更小尺度的能源消耗碳排放数据,所以一定程度上会影响到模拟结果的准确性;最后,为了更好地掌握我国能源富集区的碳排放规律,今后将进一步研究造成上述碳排放空间分布的原因。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Han J, Du T, Zhang C, et al.Correlation analysis of CO2 emissions, material stocks and economic growth nexus: Evidence from Chinese provinces[J]. Journal of Cleaner Production, 2018,180:395-406.

DOI

[2]
Mbarek M B, Boukarraa B, Saidi K.Role of energy consumption and economic growth in the spread of greenhouse emissions: empirical evidence from Spain[J]. Environmental Earth Sciences, 2016,75(16):1161.

DOI

[3]
Liu Y, Chen S Y, Chen B,et al.Analysis of CO2 emissions embodied in China's bilateral trade: A non-competitive import input-output approach[J]. Journal of Cleaner Production, 2017,163:410-419.

DOI

[4]
Moutinho V, Moreira A C, Silva P M.The driving forces of change in energy-related CO2, emissions in Eastern, Western, Northern and Southern Europe: The LMDI approach to decomposition analysis[J]. Renewable & Sustainable Energy Reviews, 2015,50:1485-1499.

[5]
王丽萍,刘明浩.基于投入产出法的中国物流业碳排放测算及影响因素研究[J].资源科学,2018,40(1):195-206.

[ Wang L P, Liu M H.Carbon emission measurement for China's logistics industry and its influence factors based on input-output method[J]. Resources Science, 2018,40(1):195-206. ]

[6]
李翔,朱江,尹向东.基于夜间灯光数据的中国经济发展时空格局特征[J].地球信息科学学报,2019,21(3):417-426.

[ Li X, Zhu J, Yin X D.Spatio-temporal pattern of Chinese economy development based on nightlight data[J]. Journal of Geo-information Science, 2019,21(3):417-426. ]

[7]
卢秀,李佳,段平,等.基于夜间灯光和土地利用数据的云南沿边地区GDP空间差异性分析[J].地球信息科学学报,2019,21(3):455-466.

[ Lu X, Li J, Duan P, et al.Spatial difference of GDP in Yunnan border area based on nighttime light and land use data[J]. Journal of Geo-information Science, 2019,21(3):455-466. ]

[8]
周翼,谢保鹏,陈英,等.基于灯光数据的中国县域城镇建设用地产出效率时空演变特征[J].地球信息科学学报, 2018,20(12):1733-1744.

[ Zhou Y, Xie B P, Chen Y, et al.The spatial-temporal pattern of the construction land output efficiency in China at county level based on nighttime light[J]. Journal of Geo-information Science, 2018,20(12):1733-1744.]

[9]
邓刘洋,沈占锋,柯映明.城市建成区遥感影像边界提取与扩张分析[J].地球信息科学学报,2018,20(7):996-1003.

[ Deng L Y, Shen Z F, Ke Y M.Built-up area extraction and urban expansion analysis based on remote sensing images[J]. Journal of Geo-information Science, 2018,20(7):996-1003. ]

[10]
李通,何春阳,杨洋,等.1995-2008年中国大陆电力消费量时空动态[J].地理学报,2011,66(10):1403-1412.

[ Li T, He C Y, Yang Y, et al.Understanding electricity consumption changes in Chinese mainland from 1995 to 2008 by using DMSP/OLS stable nighttime light time series data[J]. Acta Geographica Sinica, 2011,66(10):1403-1412. ]

[11]
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.

[ 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]. Geograhical Research, 2014,33(4):625-634. ]

[12]
何则,杨宇,宋周莺,等.中国能源消费与经济增长的相互演进态势及驱动因素[J].地理研究,2018,37(8):1528-1540.

[ He Z, Yang Y, Song Z Y, et al.Analyzing regional economic disparities based on ESDA[J]. Geograhical Research, 2018,37(8):1528-1540. ]

[13]
王婧,刘奔腾,李裕瑞.京津冀人口时空变化特征及其影响因素[J].地理研究,2018,37(9):1802-1817.

[ Wang J, Liu B T, Li Y R.Spatial-temporal characteristics and influencing factors of population distribution and floating changes in Beijing-Tianjin-Hebei region[J]. Geograhical Research, 2018,37(9):1802-1817. ]

[14]
Su Y, Chen X, Li Y, et al.China׳s 19-year city-level carbon emissions of energy consumptions, driving forces and regionalized mitigation guidelines[J]. Renewable & Sustainable Energy Reviews, 2014,35(C):231-243.

[15]
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 Y, Yan Q W, Tan X Y, 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):102-110. ]

[16]
马忠玉,肖宏伟.基于卫星夜间灯光数据的中国分省碳排放时空模拟[J].中国人口·资源与环境,2017,27(9):143-150.

[ Ma Z Y,Xiao H W.Spatiotemporal simulation study of China's provincial carbon emissions based on satellite night lighting data[J]. China Population, Resources and Environment, 2017,27(9):143-150. ]

[17]
Shi K, Chen Y, Yu B, et al.Modeling spatiotemporal CO2, (Carbon Dioxide) emission dynamics in China from DMSP-OLS nighttime stable light data using panel data analysis[J]. Applied Energy, 2016,168:523-533.

DOI

[18]
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. ]

[19]
宋金超,李新虎,吝涛,等.基于夜晚灯光数据和Google Earth 的城市建成区提取分析[J].地球信息科学学报,2015,17(6):750-756.<p>夜晚灯光数据已被广泛应用于提取城市建成区的研究, 由于灯光具有溢出特性, 因此确定最佳灯光阈值成为研究热点。本研究中总结4种常用最佳阈值确定方法的特点, 并使用Google Earth影像空间比较法, 确定夜晚灯光数据提取城市建成区的最佳阈值。由于地形、交通等因素影响城市形态, 城市形态影响夜晚灯光数据提取城市建成区的最佳阈值大小, 因此, 根据城市形态将阈值结果分为2类, 并得到块状城市和带状城市建成区的最佳灯光阈值分别为43和 47。Google Earth影像空间比较法与其他方法相比具有不受统计数据限制, 以及简易操作等优势, 且从形态上对城市建成区提取结果进行空间比较;其次, 根据城市形态对最佳阈值结果分类, 使不同类型的城市建成区提取结果更准确。该方法适用于在地形复杂、形态多样的大尺度空间中提取城市建成区。</p>

DOI

[ Song J C, Li X H, Nin T, et al.Analysis of urban built-up district based on night light data and Google earth[J]. Journal of Geo-information Science, 2015,17(6):750-756. ]

[20]
沈镭,刘立涛,高天明,等.中国能源资源的数量、流动与功能分区[J].资源科学,2012,34(9):1611-1621.伴随着快速工业化和城镇化的进程, 中国经济社会面临的能源资源、环境约束日益凸显。在此背景下, 如何引导能源资源在中国区域之间的合理配置, 保障中国区域能源资源的可持续供应, 成为当前中国经济社会可持续发展的根本前提, 能源资源区划研究也引起了学界的广泛关注。中国能源区划研究起步较晚, 从区域尺度系统探讨煤炭、石油、天然气、水能、太阳能、风能和生物质能资源本底、区际流动, 并据此进行能源资源供给区划编制的研究成果较少, 鉴于此, 本文立足于上述7种能源资源, 开展了能源资源本底、区际流动以及区划研究工作。研究结果显示:①从能源资源本底来看, 位列煤炭、石油、天然气、水能、太阳能、风能和生物质能资源量前五的省(区、市)所占比例依次为72%、71%、86%、74%、60%、73%和39%;②从能源资源流动看, 煤炭资源省际流动范围广、规模大;原油省际流动范围较小, 主要表现为北油南运, 天然气流动范围较小, 主要表现为西气东输;③从能源区划与定位看, 煤炭资源划分为国家煤炭基地、地区煤炭基地和煤炭汇集地;原油资源划分为原油主产区、原油接替区与原油汇集区;天然气资源划分为国家天然气基地、地区天然气基地与天然气汇集地;水电资源划分为国家水电基地、地区水电基地和水电输入地;太阳能资源划分为国家太阳能发电基地、地区太阳能发电基地及不适宜开发地;风电开发划分为国家风电基地、地区风电基地与不适宜开发区;非粮生物质能划分为大规模开发区、中小规模开发区、不适宜开发区。

[ Shen L, Liu L T, Gao T M, et al.The quantity, flow and functional zoning of energy resources in China[J]. Resources Science, 2012,34(9):1611-1621. ]

[21]
顾羊羊,乔旭宁,樊良新,等.夜间灯光数据的区域能源消费碳排放空间化[J].测绘科学,2017,42(2):140-146.

[ Gu Y Y, Qiao X N, Fan L X, et al.Spatial analysis of carbon emissions from region energy consumption based on night light data[J]. Science of Surveying and Mapping, 2017,42(2):140-146. ]

[22]
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.美国国防气象卫星搭载的业务型线扫描传感器（DMSP/OLS）获取的夜间灯光影像,可客观地反映人类开发建设活动强度,其广泛应用于城市遥感的多个领域。但该数据缺少星上的辐射校正,下载的原始影像数据集不能直接用于研究,需进行区域校正。长时间序列的DMSP/OLS夜间灯光影像数据集主要存在2个问题需在校正过程中解决：（1）原始影像数据集中的影像是非连续性的;（2）数据集中的每一期影像都存在着像元DN值饱和的现象。针对这2个问题,本文提出了一种不变目标区域法的影像校正方法,对提取出来的每一期中国区域的夜间灯光影像进行了校正,该校正方法包括相互校正、饱和校正和影像间的连续性校正。最后,为了检验校正方法的合理性与可靠性,本文将校正前后中国夜间灯光影像与GDP和电力消耗值,分别进行回归分析评价表明,校正后的影像更客观合理地反映区域经济发展的差异。

DOI

[ 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. ]

[23]
Li X, Xu H, Chen X, et al.Potential of NPP-VIIRS nighttime light imagery for modeling the regional economy of China[J].Remote Sensing, 2013,5(6):3057-3081.

DOI

[24]
Shi K F, Yu B L, Huang Y X, et al.Evaluating the ability of NPP-VIIRS nighttime light data to estimate the Gross domestic product and the electric power consumption of China at multiple scales: A comparison with DMSP-OLS data[J]. Remote Sensing, 2014,6(2):1705-1724.

DOI

[25]
Li X, Li D, Xu H, et al.Intercalibration between DMSP/OLS and VIIRS night-time light images to evaluate city light dynamics of Syria's major human settlement during Syrian Civil War[J]. International Journal of Remote Sensing, 2017,38(1):1-18.

[26]
杨任飞. 基于DMSP/OLS与NPP/VIIRS整合数据的城市群发育过程研究[D].成都:西南大学,2018.

[ Yang R F.Integrating DMSP/OLS & NPP/VIIRS nighttime light data to the application research of urban agglomeration growth process[D]. Chengdu: Southwest University, 2018. ]

[27]
IPCC.2006 IPCC Guidelines for National Greenhouse Gas Inventories[EB/OL].(2008-07-20)[2017-11-13]. .

[28]
国家统计局能源统计司.中国能源统计年鉴2013[M].北京:中国统计出版社,2014.

[ Department of energy statistics, National bureau of statistics of the People's Republic of China. China Energy Statistical Yearbook of 2013[M]. Beijing: China Statistics Press,2014. ]

[29]
国家发展和改革委员会应对气候变化司.省级温室气体清单编制指南(试行)[EB/OL].(2011-05)[2017-11-13]. .

[ National Development and Reform Commission for Addressing Climate Change. Notice on Issuing Guidelines for the Compilation of Provincial Greenhouse Gas Inventories (for Trial Implementation)[EB/OL]. (2011-05)[2017-11-13]. . ]

[30]
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. ]

[31]
内蒙古自治区统计局.辉煌60年[M].北京:中国统计出版社,2007.

[ Inner Mongolia Bureau of Statistics. Brilliant 60 years[M]. Beijing: China Statistics Press, 2007. ]

[32]
沈明,沈镭,张艳,等.陕西省能源供给系统稳定性及其影响因素分析[J].经济地理,2015,35(7):39-46.

[ Shen M, Shen L, Zhang Y, et al.The Stability of Shaanxi's energy supply system and its influencing factors[J]. Economic Georgraphy, 2015,35(7):39-46. ]

[33]
沈镭,高丽.中国西部能源及矿业开发与环境保护协调发展研究[J].中国人口·资源与环境,2013,23(10):17-23.

[ Shen L, Gao L.Managing energy and mineral resources development and pollution control coordinately in the Western China[J]. China Population, Resources and Environment, 2013,23(10):17-23. ]

Options
Outlines

/

〈 〉