EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 5: 891 - 902

DOI: https://doi.org/10.12082/dqxxkx.2021.200375

Spatial Quantitative Analysis of Urban Energy Consumption based on Night-Time Remote Sensing Data and POI

  • GAO Nannan , 1, 2 ,
  • ZENG Hui 1 ,
  • LI Fen , 2, 3, *
Expand
  • 1. Shenzhen Graduate School, Peking University, Shenzhen 518055, China
  • 2. Shenzhen Institute of Building Research Company Limited, Shenzhen 518031, China
  • 3. Chinese Society for Urban Studies, Beijing 100835, China
*LI Fen, E-mail:

Received date: 2020-07-16

  Request revised date: 2020-08-19

  Online published: 2021-07-25

Supported by

The 2020 International Cooperation Projects of Shenzhen Science and Technology Innovation Committee, China(GJHZ20190822173805220)

Copyright

Copyright reserved © 2021
Fold

Abstract

Climate change has become a major global environmental issue that is widely concerned by countries around the world. It has been a very clear scientific consensus that the global carbon emission has to be cut urgently under the context of the global warming and extreme climate. Currently, few studies on the urban energy consumption have been performed, especially the quantitative research on the scale of urban blocks, which is actually required by cities in order to adopt precise control, optimize energy structure, and reduce carbon emissions. This paper took Jingmen, a resource-based city, as a case city, and applied night-time remote sensing data, POI, and other big data. Quantitative analysis of the spatial data on key factors affecting carbon emissions in transportation, industry, and construction sectors, respectively, was applied to realize block-scale spatial visualization of urban energy consumption, and furthermore, to discuss the impact of urbanization and industrialization on urban energy consumption. It is found that the continuous growth of energy consumption in the industrial sector was the main driving factor of the city's total energy consumption growth. Among the 72 towns (blocks), 10 towns (blocks) were dominated by industrial energy consumption which accounted for up to 68% the energy consumption of Jingmen. From 2005 to 2015, the total energy consumption of Jingmen City increased by 828,200 tons of standard coal equivalent(tce), while the number of towns (blocks) with more than 10,000 tons of standard coal equivalent(tce) decreased by 4. Therefore, the energy consumption of Jingmen City showed a trend of increase and concentration. The conclusions of this study can fill up the problems that cannot be found in the energy consumption statistics of cities, and propose a more accurate way to reduce energy consumption in Jingmen City, which provide a reference for the green transformation of similar small and medium-sized resource-based cities.

Key words： climate change; energy consumption; night-time remote sensing; urbanization; spatial data; POI; block scale; energy consumption sector

Cite this article

GAO Nannan , ZENG Hui , LI Fen . Spatial Quantitative Analysis of Urban Energy Consumption based on Night-Time Remote Sensing Data and POI[J]. Journal of Geo-information Science, 2021 , 23(5) : 891 -902 . DOI: 10.12082/dqxxkx.2021.200375

1 引言

全球能源消费在持续增长,化石能源的消耗持续对环境和全球气候造成负面影响,《巴黎协定》[1]明确到21世纪下半叶实现温室气体净零排放的全球应对气候变化的目标。联合国政府间气候变化专门委员会（IPCC）第43次全体会议明确了第六次评估报告将特别关注气候变化对城市的影响以及城市在减缓、适应气候变化上面临的特殊机遇与挑战。在2015年前后,世界人口有一半居住在城市,且这个数字在继续增长,预计2050年世界70%人口住在城市;城市占据了仅仅3%的地球陆地面积,但是能耗占到60%~80%,碳排放占到75%[2]。城市作为人类生产和生活高度集聚的空间组合形态,同时也是能源消费和污染高度集聚的区域。作为能源消费主体和碳排放主体,城市应对现有能源系统及碳排放体系做出适当的调整和优化,以面对以上挑战。
当前,全球一次能源需求在2018年增长2.9%,是2010年以来的最快增速[3]。中国在2007年已经成为了世界最大的温室气体排放国,其排放量大约占据世界总排放量的20%[4]。自2016年《巴黎协定》[1]签署以来,中国已经意识到了自身所承担的责任并加强了其在环境保护方面的目标。近年来,我国287 个地级市城市能源消费量合计为13.66 亿 tce,二氧化碳排放量为29.16 亿吨,分别占全国的55.48%和54.84%[5]。 2019年我国常住人口城镇化率首次超过60%, 2035年有望达到70%以上,接近发达国家水平。随着我国城镇化进程的加快以及人民生活水平的提高,将对能源消耗带来2个方面影响：① 进一步增加居民建筑用能,城市居民对电力、天然气、燃煤（如冬季采暖）等能源需求规模不断扩大;② 部分城市由于工业化进程也在加快,能源逐渐成为重要投入要素,能源消费加速增长[6]。
目前,国内外关于城市能源消耗的研究主要基于宏观尺度,研究对象为全球、国家、省份、城市等。Oda 和 Maksyutov[7]利用点源数据库和夜间灯光数据分析了1980—2007年全球1 km×1 km的高分辨率全球化石燃料二氧化碳排放清单。Meng等[8]利用DMSP/OLS开发了一种自上而下估算城市规模的CO2排放量的方法,显示中国城市CO2排放量和人均排放量的比例都在增加。Ghosh等[9]通过夜间遥感数据创建了化石燃料二氧化碳排放量的全球网格。苏泳娴[10]利用DMSP/OLS夜间灯光数据进行了中国能源消费碳排放研究。梁竞和张力小[11]分析了我国省会城市能源消费的空间分布特征。刘竹等[12]基于能源消费总量、能源平衡和终端能源消费量核算城市碳排放量。王蕾和魏后凯[6]通过分析城镇化率等指标和能源消耗的关系分析了中国城镇化对能源消费的影响。但是这些大尺度城市能源消耗领域的研究特点：① 在城市水平的能源消费研究主要依据人均碳排放和统计年鉴数据估算。② 大多数的能源和碳排放研究都集中表现在城市或城区尺度,缺乏更小尺度的研究模型。此外现有的城市能源规划对于能源消耗的空间分布情况,也缺乏应有体现。
此外,针对单个能源消费部门的城市能源消费研究也较多。吴笛和毛建素[13]分析了我国重点城市产业与能源消费基本特征。石玉淳[14]利用 LEAP模型进行了大连市工业能源消费分析研究。 Li等[15]利用全生命周期动态仿真模型模拟城市住宅建筑的能源消耗,同时作者指出存在数据源有限的问题。黄莹等[16]基于LEAP模型,模拟了城市交通能源消耗和低碳发展路径。贾涛等[17]提出一种多源数据融合的以单体建筑为最小单元研究碳排放的计算反演方法,把能源和碳排放研究尺度从城市、城区拓展到街道及更细的单体建筑尺度。但这些针对能源消费部门的研究,如交通、建筑和产业能源消耗研究各自具备较为复杂的模型,相对独立,不便于从城市尺度或更细尺度对比各个部门的能源消费情况,也影响碳排放核算和能源消费与空气污染等的定量化研究。
因此,我们考虑如何利用遥感和大数据等平台,建立产业、建筑、交通、综合能源消耗空间化模型,实现街道尺度城市能源消耗空间化,基本满足城市能源需求预测及能源系统精细化治理和优化调整,节能减排的目的需求。

2 研究区概况

本文选取荆门市作为案例区的代表性原因有：① 荆门市是中国中小城市发展的一个缩影, 2019年荆门市常住人口289.63万人,城镇化率57.91%,人均GDP 1.02万美元,与全国人均GDP（1.03万美元）、城镇化率（60.60%）等特征高度匹配;② 荆门市的能源消费结构和我国传统中小城市类似。21世纪初,荆门市作为我国一座以重化工为底色的城市,一直存在石油、化工、电厂、水泥围城的问题。至今荆门市能源仍然以煤炭为主,石油为辅,清洁能源开发利用刚刚起步[18]。能源消耗对该市大气污染的贡献达40%;③ 荆门市亟需绿色发展转型,开展城市能源体系、碳排放综合研究。它的能源消耗模式能否成功转型对我国类似中小型城市可持续发展具有重要借鉴意义。
荆门市位于湖北省中部,鄂中区域性中心城市,长江经济带产业承接示范区,重要节点城市,面积约1.2万km2。荆门市现辖京山县、沙洋县、钟祥市和东宝区、掇刀区、屈家岭管理区、漳河新区、荆门高新区,72个乡镇（街道）（图1）。正逐步形成以扩大的中心城区为龙头,京山、沙洋、钟祥3个县市区位支撑,3类重镇为节点,新型社区为基础的城镇体系[19]。
图1 荆门市区位图

Fig. 1 Location map of Jingmen city

3 研究方法和数据来源

2015年荆门市终端能源消耗量为620万 tce,在终端能耗部门中,产业（工业和建筑业）为主要用能部门,共消耗387万 tce,占62.4%,其次为建筑部门（包括商业和公共服务、居民生活）,共消耗130万 tce,其能耗占总能耗的21%。交通部门共消耗75万 tce,占总能耗12.1%。其余为农业（包括农、林、牧、渔）用能占4.5%（表1）。本文主要分析3个终端用能部门（占总用能量的95.5%）产业、交通和建筑用能的空间分布估算方法。
表1 荆门市2015年能源平衡表

Tab. 1 Energy Balance Sheet of Jingmen City in 2015 (万 tce)

能量来源 煤 焦炭 其他煤制品 天然气 液化天然气 原油 石油制品 电力 热力 其他能源 总和
原煤 精洗煤
Ⅰ供应 480.89 478.81 2.08 1.51 0.69 8.25 685.36 -444.38 17.97 -3.47 26.03 722.85
1.年初库存（+） 53.59 53.59 4.16 1.17 58.95
2.年末库存（–） -39.28 -39.28 -1.32 -40.60
3.一次能源生产 98.14 98.14 6.34 104.48
-水能 0.20 0.20
-风能 0.97 0.97
-太阳能 0.01 0.01
-生物质 1.89 1.89
-余热 3.27 3.27
4.调入（+）/调出（-） 368.44 366.36 2.08 1.51 0.66 8.25 681.20 -444.23 11.63 -3.47 26.03 650.02
Ⅱ转换投入（-）产出（+） -216.80 -216.80 0 0 0 0 0 -685.36 689.72 90.05 5.98 -19.75 -136.16
1.发电 -209.33 -209.33 -1.29 90.05 -12.88 -133.45
-生物质 -4.70
-余热 -8.18
2.供热 -7.47 -7.47 -1.22 5.98 -2.71
3.炼油及煤制品 -685.36 -6.87 -692.23
4.加工转换产出（+） 692.23 692.23
5.回收利用（+） 0
Ⅲ终端消费量 252.66 250.58 2.08 1.51 0.69 8.25 0 0 245.35 103.32 2.46 6.28 620.52
1.农林牧渔 3.51 3.51 22.44 2.13 0.20 28.28
2.工业 221.03 218.95 2.08 1.51 0.69 3.19 73.55 78.84 2.41 5.91 387.13
3.建筑业
4.交通运输 1.20 72.13 1.56 74.89
5.商业和公共 20.50 20.50 0.80 38.38 6.80 66.48
6.居民生活 7.62 7.62 3.06 38.85 13.99 0.05 0.17 63.74
Ⅳ损失 11.43 11.43 4.71 0.04 16.18
Ⅴ统计平衡差额 0 0 0 0 0 0 0 0 -0.01 -0.01 0.01 0 -0.01
Ⅵ可用最终消费量合计 252.66 250.58 2.08 1.51 0.69 8.25 245.34 103.31 2.47 6.28 620.51
面对目前普遍存在的一方面城市尺度的城市能源消费研究不涉及消费部门,而另一方面交通、建筑和产业能源消耗研究各自具备较为独立的复杂模型,研究结果不便于从城市或更细尺度对比各个部门的能源消费情况的问题,本研究拟采用平均车流量、建筑面积、主要能源排放企业等关键相关因素对各部门能源消耗量进行不完全统计,采用夜间遥感、POI等大数据方法,对城市层面街道尺度能源终端部门能源消耗和综合能源消耗情况进行空间化,以更全面把握城市能源消耗途径,详见图2。
图2 城市能源消耗空间化方法研究路线

注：本文中建筑部门能耗指民用建筑（非工业建筑）运行能耗,包括居民生活、商业和公共服务用能。不包括建筑材料制造用能及建筑施工过程能耗[19]。

Fig. 2 Roadmap of urban energy consumption spatialization

各乡镇（街道）总用能=交通用能+产业用能+建筑用能+其他。
E C i = TE C i + IE C i + BE C i + etc
式中： ECi为乡镇（街道）i的总用能; TECi为乡镇（街道）i交通用能; IECi为乡镇（街道）i产业用能; BECi为乡镇（街道）i建筑用能（对应统计年鉴能源消费中居民生活用能）;etc为其他用能,如农业用能。

3.1 交通用能

交通部门能源消耗占荆门市总能耗12.3%。研究表明,车流量和交通碳排放成正比,车流量小的地区,交通碳排放量就小;反之亦然[20,21]。参考美国联邦公路局（FHWA）道路监测系统（HPMS）用所采样路段的年平均日交通量和该路段长度相乘后得到该路段的VMT（路网上所有车辆行驶的总里程）,对于不同道路等级分别进行估算得出整个区域VMT的方法[22]。道路交叉口作为制约道路交通畅通的瓶颈[23],反映城市交通活力,为反映路段交通量和交通能源消耗的重要因素[24]。已有研究表明夜间灯光影像适用于碳排放量的估算[25,26]。在街道尺度,荆门市县级级别道路交叉口数量和夜间灯光数据DN值成正比,因此本文用道路交叉口数量代表街道尺度交通量。这和我国中小城市农村区域县级以上道路交叉口数量少,乡镇中心、城区县级以上道路交叉口数量多的事实一致。获取荆门市道路网络数据,按荆门市交通路网现状把铁路和高速公路、一级公路、二级公路、三级公路和城市道路的道路等级分别设为5、4、3、2、1（图3）。在ArcGIS10.2中用Network Analyst Tools提取道路交叉点,并用Spatial Analyst Tools计算各乡镇（街道）的交叉点个数（Zone Field 选为道路等级）。依据荆门市各乡镇（街道）各级道路长度、道路等级和道路交叉口数计算该乡镇（街道）总车流量,再根据该乡镇（街道）车流量占荆门市总车流量的百分比,分解计算该乡镇（街道）交通用能。计算公式如下：
VM T i = a × ∑ L i × R ji × C i
TE C i = VM T i VMT × TEC
式中：a为扩展因子,通常受交通需求、道路通行能力、车道数、车辆类型、能耗标准、车龄分布等方面因素影响[27]。通常在同一市域内,能耗标准相同,车龄无明显地区差异,车道数、交通需求、道路通行能力等与城市道路等级相关。 Li为乡镇（街道）i内道路长度,Rji为乡镇（街道）i内j类等级道路数量; Ci为乡镇（街道）i内道路交叉口数; VMT为荆门市总车流量; VMTi为乡镇（街道）i的总车流量; TEC为荆门市总交通用能; TECi为乡镇（街道）i交通用能。
图3 荆门市道路网络

Fig. 3 Road network of Jingmen City

3.2 产业用能

产业用能是荆门市用能的主要方面,占荆门市总能耗62.4%。2018年荆门市地区生产总值中第一产业占12.24%,第二产业占51.08%,第三产业占36.68%。煤炭、电力和柴油为终端能源的主要用能种类,其中煤炭占比最大。2015年,煤炭消费占终端能源消费比重为40.8%,其主要消费部门为工业部门。柴油消费占比为17.3%,主要利用部门为工业和交通。电力占终端能耗的16.7%,主要集中在工业和建筑部门。综合荆门市用能特征,根据各乡镇（街道）包括建筑企业、能源企业和制造业企业（包括污染化工企业和排放废气企业）的公司数量和各类型企业的平均用能,估算各乡镇（街道）的产业用能（表2）。计算公式如下：
IE C i = B E i × I ¯ BE + E E i × I ¯ EE + M E i × I ¯ ME BE × I ¯ BE + EE × I ¯ EE + ME × I ¯ ME × IEC
式中：BEi为乡镇（街道）i内的建筑企业数量;EEi为乡镇（街道）i内能源企业数量;MEi为乡镇（街道） i内制造业企业（包括污染化工企业和排放废气企业）数量; IECi为乡镇（街道）i的产业用能; I ¯ BE 为建筑类型企业平均用能; I ¯ EE 为能源类型企业平均用能; I ¯ ME 为制造业类型企业平均用能,IEC为荆门市总产业用能。
表2 荆门市化工污染企业状况

Tab. 2 The statu s of polluting enterprises in Jingmen City

化工企业 概况 详细信息
污染化工企业 排放废水企业6家、排放废气11家、污水处理厂5家、排放重金属企业15家、排放危险废物企业7家 根据2015年第二季度空气环境报告
排放废气企业 排放废气国控源企业上报数据8家。达标率87.5% 湖北天宇玻璃制品有限公司的二氧化硫、颗粒物、氮氧化物等项目超标
能源利用项目及企业 ① 煤制氢项目 2015年4月,荆门化工循环产业园内,盈德气体集团投资建设煤制氢项目
② 2万吨/年废硫酸再生装置建设项目 2014年12月,荆门市渝楚化工有限公司2万吨/年废硫酸再生装置建设项目属于污染严重项目。采用高温裂解工艺生产98%的工业硫酸,回用到厂内异辛烷装置的生产中

3.3 建筑用能

2015年,建筑部门是荆门市第二大能源消耗部门,占总能耗的14.9%。2019年末,荆门市289.63万常住人口中的城镇人口174.14万人,比2018年增加2.67万人。城镇化率提高将带来建筑用能的增加。特别是荆门市2020年通过《荆门市中心城区民用集中供热管理办法（草案）》[28]后,预计城市居民建筑用能将进一步增加。因此合理评估荆门市人口和实际城区分布对建筑用能的空间化,以及评估建筑用能在整个能源系统中的占比在具有重要作用。夜间灯光遥感数据与街道尺度居住人口具有明显相关性[29]。利用荆门市Luojia1-01和NPP-VIIRS夜间遥感数据和人口普查数据,进行回归分析也证实了这一点（图4(a)、图44(c))。根据城市人口的聚集效应,本研究拟采用夜间灯光数据评估实际城区大小[30]（图4(d)）。在中小城区,一般只能获取建筑平面数据（图4(b)）。城市建筑和农村建筑高度差异对评估建筑用能空间分布具有重要性,因此合理判断实际城区面积大小对建筑用能空间分布结果的合理性至关重要。根据实地调研,荆门市住宅建筑4~6层为多层住宅为主,商业建筑以4~6层多层建筑和7~9层的中高层建筑为主,综合平均为6层。而农村建筑以1~3层的低层建筑为主,综合平均为1.5层。由此设定荆门市建筑轮廓面积与建筑面积转换系数,农村地区为1.5,城市地区为6。各乡镇（街道）建筑面积计算方式如下：以夜间灯光遥感数据判断实际城区大小,并以城市建筑平面数据为基础,用ArcGIS的Analysis Tools的Identity功能,区分空间分布的建筑轮廓数据城市。根据各乡镇（街道）建筑面积占荆门市总建筑面积的比,计算得到各乡镇（街道）建筑用能。计算公式如下：
BE C i = 6 × UB A i + 1.5 × RB A i 6 × UBA + 1.5 × RBA × BEC
式中： BECi为乡镇（街道）i建筑用能; BEC为荆门市总建筑用能; UBA为荆门市总的城市建筑用地面积,UBAi为乡镇（街道）i的城市建筑用地面积; RBA为荆门市总的农村建筑用地面积,RBAi为乡镇（街道） i的农村建筑用地面积。
图4 荆门市建筑用能空间分析

Fig. 4 Spatial analysis of building energy consumption in Jingmen City

3.4 2005年总用能

对比分析能源消耗的变化趋势,是理解荆门市城镇化对能源消耗变化影响的重要手段。根据荆门市政府公报,2005年荆门市城市化率约为40%,而2015年城市化率为55%,10年间荆门市城市化率提高约15%。根据荆门市2005年和2015年统计年鉴,估算2005年各乡镇（街道）农村人口和城市人口数量,以此计算2005年各乡镇（街道）能源消耗量。
根据计算,2015年一个荆门农村人消耗能源1.73万 tce,平均一个荆门城市人是一个农村人能源消耗的倍数为1.47倍,假设2005—2015年能源消耗量逐年提高, 2015年农村能源消耗增长幅度同城市化增长幅度相当,约为15%,则2005年一个农村人消耗能源约为1.5 tce。以此为基础,计算2005年荆门市各乡镇（街道）能源消耗情况。计算公式如下：
E C ir 2005 = P 2005 × ( 1 - U R 2005 ) × 1.5
E C iu 2005 = 1.47 × E C ir 2005
E C i 2005 = E C ir 2005 + E C iu 2005
式中： P2005为2005年各乡镇（街道）人口数量; UR2005为2005年城市化率; ECir2005为2005年乡镇（街道） i的农村人口能源消耗; ECiu2005为2005年乡镇（街道）i的城市人口能源消耗。

4 结果及分析

荆门市交通用能最高的地区在主城区掇刀石街道,该街道是荆门市人民政府所在地,经济繁荣,工贸发达。其次在郢中街道、新市镇、石牌镇、沙洋镇、易家岭办事处、黄坡水库管理处等。这些地区为荆门市实际城区位置,城市道路密集,同时衔接国道、快速路等高级别道路。且这些街道为工业集中分布的中部地区（图5）。这和荆门市每百户城镇居民家用汽车拥有量约为每百户农村居民家用汽车拥有量的2倍,人口、道路密度最大地区集中分布在掇刀石街道、新市镇、郢中街道等的实际情况吻合[31]。虽然交通用能占总用能的比例为12.3%,低于产业部门和建筑部门,但城市交通排放的尾气是形成严重雾霾天气的元凶之一[32],其城市交通引发的污染问题越来越受到各方关注。建议通过建设智慧交通系统,提升管理水平[33]、提高绿色出行比例、提高电动汽车等占比,减缓城区交通用能增加。
图5 荆门市交通部门用能空间分布状况

Fig. 5 Spatial distribution of energy consumption by transportation departments in Jingmen City

建筑用能最高的地区为掇刀石街道、郢中街道、新市镇、胡集镇,其次是白庙城区、沙洋镇。大部分地区的建筑用能少于30 000 tce（图6）。随着城镇化进程的推进和产业结构的调整,以及居民生活水平,舒适度要求的提升,未来荆门市建筑用能的比例可能进一步提高,结合荆门市建筑节能监测平台建设工程,推广绿色建筑和可再生能源的利用,是未来建筑节能的重点方向。
图6 荆门市建筑部门用能空间分布状况

Fig. 6 Spatial distribution of energy consumption by building departments in Jingmen City

产业用能集中在双喜街道、掇刀石街道、龙泉街道、郢中街道、胡集镇和新市镇（图7）。同时,以荆门市主城区向外扩展,龙泉街道、白庙城区、团林铺镇、牌楼镇、石牌镇、柴湖镇、旧口镇、沙洋镇、子陵镇,这些距离高速公路、一级公路等具有比较完备的交通支撑系统的乡镇（街道）距离较近产业用能也明显高于其他地区。这些地区产业多为磷化工、火电、石化和炼化等重化工企业集中分布区域。这和相关学者研究中二次产业空间分布对碳排放的影响最为显著结论一致[34]。此类重化工企业会直接或间接的带来周边环境污染,大气质量等问题,且部分地区的路段常有异味出现。建议以产业用能消耗较多的乡镇（街道）或企业为抓手,加快产业结构调整,提高能源利用效率,降低荆门市产业用能。
图7 荆门市产业部门用能空间分布状况

Fig. 7 Spatial distribution of energy consumption by industry departments in Jingmen City

通过对2005—2015年的荆门市用能结构时空分析结果表明（图8）,2005年荆门市72个乡镇（街道）中,58个乡镇（街道）总用能量低于10 000 tce。2015年共有62个乡镇（街道）用能量低于10 000 tce,增加4个。但2005年荆门市总用能量为537.18万 tce,而2015年为620万 tce,增长82.82万 tce。说明荆门市用能存在集中化趋势。主要用能乡镇（街道）的能源消耗加大。掇刀石街道由249 793 tce提高到454 099 tce,另外沙洋镇、双喜街道、龙泉街道、易家岭办事处等地较2005年均提高超过1倍。用能集中化可能带来： ① 集中控制节能减排更容易获得成效;② 如不加以控制,可能造成局部空气污染恶化。因此建议荆门市政府加大力度控制易家岭办事处、泉口街道、胡集镇、沙洋镇、白庙城区、双喜街道、掇刀石街道、龙泉街道、新市镇、郢中街道10个用能集中分布,产业用能占主导地位的乡镇（街道）。其中,双喜街道、掇刀石街道、龙泉街道、郢中街道、泉口街道和新市镇6个乡镇（街道）侧重控制产业用能,白庙城区、胡集镇侧重于产业和建筑用能,沙洋镇、易家岭办事处侧重于产业和交通用能。
图8 荆门市总用能时空分布状况

Fig. 8 The spatio-temporal distribution of total energy consumption in Jingmen City

5 结论和讨论

作为能源消耗的主体,城市应对现有能源系统做出调整和优化已经在全球范围内达成共识和探索应用。在城镇化和工业化双重背景下,仍以煤炭消费为主,清洁能源刚刚起步的传统中小型城市,如何理清治理重点和领域,有针对性的优化能源消耗模式对生态文明背景下的城市高质量发展具有重要意义。然而以传统手段在城市空间尺度范围计算能源消耗往往面临数据不足,难以研究尺度精细化突破的问题。
本文采用包括夜间遥感数据、POI数据,路网数据、建筑平面数据等多种大数据源,解决街道尺度数据源问题。根据计算发现,荆门市随城市化率提高,能源消耗随之提高。近年来出现了能源消耗分布趋于集中分布的现象。
（1）交通能耗集中分布在老城区和活跃度较高的几个城区街道,这些区域与荆门市工业区分布重合,虽然交通能耗占比不高,但城市交通和工业运输带来了扬尘和雾霾等空气问题,交通用能废气污染是空气污染的主要来源[35],因此城区是交通用能优化的重点。
（2）建筑能源消耗占比较小,但随着城镇化进程的推进和产业结构的调整,以及居民对生活水平,舒适度要求的提升,未来荆门市建筑用能的比例可能进一步提高。
（3）工业部门能源消费的持续增长是该市能源消费总量增长的主要驱动因子。荆门市工业能源消耗战总能耗的68.2%,接近于全国平均水平70%。工业能源消费所占的能源消费比例存在较大的下调潜力[35]。与之前的研究吻合的是荆门市能源消费同时受城镇化和工业化影响,城镇化和工业化对能源消费的净效应为正,在城市尺度,城市化率对能源消费的影响作用更加明显[5]。而在街道尺度,工业化的能源消费聚集效应更加 明显。
面对日益严峻的碳减排压力,荆门相关部门可从用能集中分布,产业用能占主导地位的10个乡镇（街道）入手,通过产业结构优化和用能结构调整,减少煤炭资源利用,降低能源消耗和碳排放增长速度。研究以街道尺度精细化分析能源消耗,从时空分布上分析,实现更精准的空间资源配置和治理,得出相应的研究结论能够填补以城市或城区为最小单元统计能源消耗,所不能发现问题的内容。
同时也应注意到由于交通用能、建筑用能和产业用能等本身具有复杂性,该方法并非直接统计结果,采取交通能耗、建筑能耗和产业能耗的方法存在能源消耗绝对值精确度不高,其意义在于能够空间化市域能源消耗情况并使部门内部各个乡镇（街道）实现能源消耗对比,不能完全反应各消费部门的实际能源消费情况。另一方面由于涉及要素复杂,导致的城市范围内街道尺度能耗数据难以获得。希望后续研究可以深化各消费部门的能源消耗核算方法,提高结果精度。尽管能耗的空间分布相对符合预期,但是如果能够针对城市中的某个区域具体开展验证工作,将能极大提高论文研究成果的可靠性。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
本刊编辑部. 联合国气候变化大会通过《巴黎协议》[J]. 中国能源, 2015,37(12):1.

[ The Editorial Department of this Journal. The United Nations Climate Change Conference adopted the "Paris Agreement"[J]. Energy of China, 2015,37(12):1. ]

[2]
United Nations. Sustainable development Goal 11-Sustainable cities: Why they matter[R]. 2015. https://www.un.org/sustainabledevelopment.

[3]
B P. Statistical Review of World Energy 2019: An unsustainable road to development[R]. www.bp.com/statisticalreview, 2019.

[4]
Dhakal S. Urban energy use and carbon emissions from cities in China and policy implications[J]. Energy Policy, 2009,37:4208-4219.

DOI

[5]
郎一环, 李红强. 构建城市低碳能源体系的国际经验与中国行动[J]. 中国能源, 2010,32(7):11-16.

[ Lang Y H, Li H Q. International experiences for constructing city's low carbon energy system and China's action[J]. Energy of China, 2010,32(7):11-16. ]

[6]
王蕾, 魏后凯. 中国城镇化对能源消费影响的实证研究[J]. 资源科学, 2014,36(6):1235-1243.

[ Wang L, Wei H K. The impacts of Chinese urbanization on energy consumption[J]. Resources Science, 2014,36(6):1235-1243. ]

[7]
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):543-556.

DOI

[8]
Meng L, Graus W, Worrell E, Huang B. Estimating CO2 (carbon dioxide) emissions at urban scales by DMSP/OLS (Defense Meteorological Satellite Program's Operational Linescan System) nighttime light imagery: Methodological challenges and a case study for China[J]. Energy, 2014,71:468-478.

DOI

[9]
Ghosh T, Elvidge C D, Sutton P C, et al. Creating a global grid of distributed fossil fuel CO2 emissions from nighttime satellite imagery[J]. Energies, 2010,3:1895-1913.

DOI

[10]
苏泳娴. 基于DMSP/OLS夜间灯光数据的中国能源消费碳排放研究[D]. 广州:中国科学院研究生院, 2015.

[ Su Y X. Study on the carbon emissions from energy consumption in China using DMSP/OLS night light imageries[D]. Guangzhou: Guangzhou Institute of Geochemistry, Chinese Academy of Sciences, 2015. ]

[11]
梁竞, 张力小. 中国省会城市能源消费的空间分布特征分析[J]. 资源科学, 2009,31(12):2086-2092.

[ Liang J, Zhang L X. Analysis on spatial distribution characteristics of urban energy consumption among capital cities in China[J]. Resources Science, 2009,31(12):2086-2092. ]

[12]
刘竹, 耿涌, 薛冰, 等. 城市能源消费碳排放核算方法[J]. 资源科学, 2011,33(7):1325-1330.

[ Liu Z, Geng Y, Xue B, et al. A Calculation method of CO2 emission from urban energy consumption[J]. Resources Science, 2011,33(7):1325-1330. ]

[13]
吴笛, 毛建素. 中国重点城市产业与能源消费基本特征研究[J]. 环境科学与技术, 2010,33(2):184-191.

[ Wu D, Mao J S. Comparative study of energy consumption and industrial structure in China's five major cities[J]. Environmental Science and Technology, 2010,33(2):184-191. ]

[14]
石玉淳. 基于LEAP模型的大连市工业能源消费分析研究[D]. 大连:大连海事大学, 2014.

[ Shi Y C. Analysis of industrial energy consumption in Dalian City based on LEAP model[D]. Dalian: Dalian Maritime University, 2014. ]

[15]
Li G, Kou C, Wang H. Estimating city-level energy consumption of residential buildings: A life-cycle dynamic simulation model[J]. Journal of Environmental Management. 2019,240:451-462.

DOI

[16]
黄莹, 郭洪旭, 廖翠萍, 等. 基于LEAP模型的城市交通低碳发展路径研究——以广州市为例[J]. 气候变化研究进展, 2019,15(6):670-683.

[ Huang Y, Guo H X, Liao C P, et al. Study on low-carbon development path of urban transportationsector based on LEAP model: Take Guangzhou as an example[J]. Climate Change Research, 2019,15(6):670-683. ]

[17]
贾涛, 杨仕浩, 李欣, 等. 武汉居民建筑物碳排放反演计算和时空分析[J]. 地球信息科学学报, 2020,22(5):1063-1072.

DOI

[ Jia T, Yang S H, Li X, et al. Computation of carbon emissions of residential buildings in Wuhan and its spatiotemporal analysis[J]. Journal of Geo-information Science, 2020,22(5):1063-1072. ]

[18]
荆门市政府办公室. “十三五”能源发展规划[R]. 湖北省荆门市, 2016.

[ Municipal Government Office of Jingmen. The 13th Five-Year Plan for Energy development[R]. Hubei, Jingmen, 2016. ]

[19]
荆门市政府办公室. 荆门市新型城镇化规划(2016—2020年)[R]. 湖北省荆门市, 2016.

[ Municipal Government Office of Jingmen. Jingmen new-type urbanization plan (2016-2020)[R]. Hubei Jingmen, 2016. ]

[20]
江亿. 我国建筑耗能状况及有效的节能途径[J]. 暖通空调, 2005,35(5):30-40.

[ Jiang Y. Current building energy consumption in China and effective energy efficiency measures[J]. Journal Heating Ventilating and Airconditioning, 2005,35(5):30-40. ]

[21]
严晗, 吴烨, 张少君, 等. 北京典型道路交通环境机动车黑碳排放与浓度特征研究[J]. 环境科学学报, 2014,34(8):1891-1899.

[ Yan H, Wu Y, Zhang S J, et al. Emission characteristics and concentrations of vehicular black carbon in a typical freeway traffic environment of Beijing[J]. Acta Scientiae Circumstantiae, 2014,34(8):1891-1899. ]

[22]
许盛. 南京市温室气体排放清单及其空间分布研究[D]. 南京:南京大学, 2011.

[ Xu S. Research on greenhouse gas emission inventory and its spatial distribution in Nanjing[D]. Nanjing: Nanjing University, 2011. ]

[23]
Environmental Protection . Development of methodology for estimating VMT weighting by facility type[R]. 1999, Report EPA420-R-01-009, M6. SPD.003

[24]
张玉军. 贵阳市道路网交叉口流量反推研究[D]. 大连:大连海事大学, 2010.

[ Zhang Y J. Research on reverse deduction of traffic flow at road network intersections in Guiyang city[D]. Dalian: Dalian Maritime University, 2010. ]

[25]
李立源, 曹大铸. 道路交通流量优预测与交叉口量优控制[J]. 控制理论与应用, 1993,10(1):67-72.

[ Li L Y, Cao D Z. The optimal prediction of road traffic flow and optimal control of intersection signal[J]. Control Theory & Applications, 1993,10(1):67-72. ]

[26]
Raupach M, Rayner P, Paget M. Regional variations in spatial structure of night lights, population density and fossil fuel CO2 emissions[J]. Energy Policy, 2009,2:61-65.

[27]
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. ]

[28]
荆门市住建局. 荆门市中心城区民用集中供热管理办法(草案)[R]. 湖北省荆门市, 2020.

Housing and Urban-rural Construction Bureau of Jingmen. Administrative Measures for Civil Central Heating in Jingmen City Center (Draft)[R]. Hubei, Jingmen, 2021.

[29]
赵彦婷. 基于多源数据的城市路网交通能耗和排放模型与算法[D]. 北京:北京交通大学, 2012.

[ Zhao Y T. Model and algorithms for estimating fuel consumption and emissions on urban road network based on multi-source data[D]. Beijing: Beijing Jiaotong University, 2012. ]

[30]
Gao N N, Li F, Zeng H, et al. Can more accurate night-time remote sensing data simulate a more detailed population distribution?[J]. Sustainability, 2019,11:4488.

DOI

[31]
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. ]

[32]
荆州市统计局. 荆门市2015年国民经济和社会发展统计公报[R]. 湖北荆门, 2015

[ Jingmen Bureau of Statistics. 2015 Jingzhou National Economic and Social Development Statistical Bulletin[R]. Hubei, Jingmen, 2015. ]

[33]
谢菲菲. 城市交通碳排放量影响因素与低碳交通发展研究[D]. 北京:北京交通大学, 2013.

[ Xie F F. Research on the Influencing factors of carbon emissions from urban transport and the development of low carbon transport[D]. Beijing: Beijing Jiaotong University, 2013. ]

[34]
李新佳. 欧洲智能交通建设情况及启发[J]. 城市交通, 2004,2(2):58-62.

[ Li X J. The development of ITS in Europe and its suggestions for China[J]. Urban Transport of China, 2004,2(2):58-62. ]

[35]
宋慧峰. 产业空间分布对碳排放影响的实证研究[D]. 广州:暨南大学, 2017.

[ Song H F. Empirical research of the effects between industry spatial distribution and CO2[D]. Guangzhou: Jinan University, 2017. ]

[36]
马海良, 王若梅, 丁元卿, 等. 城镇化对工业能源消费的门槛效应研究——以长江经济带省份为例[J]. 中国人口·资源与环境, 2017,27(3):56-62.

[ Ma H L, Wang R M, Ding Y Q, et al. Threshold effect between the urbanization and industrial energy consumption of provinces in the Yangtze River Economic Belt[J]. China Population Resources and Environment, 2017,27(3):56-62. ]

[37]
傅立新, 郝吉明, 何东全, 等. 城市街区空气污染扩散模拟研究[C]// 全国大气环境学术会议, 1998.

[ Fu L X, Hao J M, He D Q, et al. Modeling Air Pollution from traffic in street canyon[C]// the National Conference on Atmospheric Environment of China, 1998. ]

Options
Outlines

/

〈 〉