EN中文

Journal of Geo-information Science >

2022 , Vol. 24 >Issue 1: 127 - 140

DOI: https://doi.org/10.12082/dqxxkx.2022.210577

Mapping and Spatio-temporal Changes Analysis of Energy Mining and Producing Sites in China Using Multi-source Data from 1990 to 2020

  • GUO Changqing , 1 ,
  • CHI Wenfeng 2 ,
  • KUANG Wenhui 1, 3 ,
  • DOU Yinyin , 1, * ,
  • FU Shujing 4 ,
  • LEL Mei 3, 5
Expand
  • 1. Key Laboratory of Land Surface Pattern and Simulation, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. College of Resources and Environment Economy, Inner Mongolia University of Finance and Economics, Hohhot 010070, China
  • 3. University of Chinese Academy of Sciences, Beijing 100049, China
  • 4. Key Laboratory of State Forestry Administration of Soil and Water Conservation, School of Soil and Water Conservation, Beijing Forestry University, Beijing 100083, China
  • 5. Key Laboratory of Resources Use and Environmental Remediation, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
* DOU Yinyin, E-mail:

Received date: 2021-09-25

  Revised date: 2021-11-12

  Online published: 2022-03-25

Supported by

National Key Research and Development Program of China(2018YFC1800103)

National Key Research and Development Program of China(2018YFC1800106)

National Key Research and Development Program of China(2018YFC1800102)

Strategic Priority Research Program(A) of Chinese Academy of Sciences(XDA23100201)

Copyright

Copyright reserved © 2022
Fold

Abstract

The understanding of spatio-temporal distribution of energy mining and producing sites at the national scale is still insufficient, due to the lack of effective remote sensing detection methods and high-precision data products. This study developed a new method for identifying and mapping energy mining and producing sites based on multi-source data integration and expert knowledge participation, including information from high-resolution remote sensing images, land use/cover data, web crawler data, OSM map data, and environmental thematic data. Energy mining and producing sites data as well as vegetation restoration data were produced in China for 1990, 2000, 2010, and 2020. These data products were as a part of China's land use/cover change datasets (CLUD-mining). The data products of China's energy mining and producing sites can fulfill the demands of 1:25000 mapping, with an average accuracy of 91.75%. In general, the data products have excellent quality and reliability. Results show that the construction area of China's energy mining and processing sites showed a trend of growth followed by decline. From 1990 to 2020, the area of China's energy mining and processing grew by 116.90%, from 1055.94 km2 to 2290.36 km2. From 1990 to 2010, the growth rate of the area of energy mining and processing site increased from 55.22 km2/a in 1990—2000 to 95.51 km2/a in 2000—2010, while the growth rate from 2010 to 2020 was negative, with an average annual decrease of 27.28 km2. In particular, the area of energy fields in Northwest China and Qinghai Tibet Plateau continued to grow, with a total increase of 117.42 km2. In addition, the vegetation restoration area of energy sites reached 746.76 km2 from 2010 to 2020 and mainly concentrated in North China and Southwest China, accounting for 51.41% of the total vegetation restoration area. Overall, the spatial patterns of energy mining and producing sites in China has gradually shifted from the eastern zone to the western zone. This study is of great significance in improving the understanding of the spatial-temporal distribution characteristics of energy mining and producing sites in China and can provide an important data basis for site pollution management and ecological restoration.

Key words： multi-source data; data integration; energy mining; energy producing; vegetation restoration; composite mapping; spatial pattern; spatio-temporal changes

Cite this article

GUO Changqing , CHI Wenfeng , KUANG Wenhui , DOU Yinyin , FU Shujing , LEL Mei . Mapping and Spatio-temporal Changes Analysis of Energy Mining and Producing Sites in China Using Multi-source Data from 1990 to 2020[J]. Journal of Geo-information Science, 2022 , 24(1) : 127 -140 . DOI: 10.12082/dqxxkx.2022.210577

1 引言

能源与经济发展有着密切的内在联系,已成为社会有效运行的物质基础[1]。能源的开采和加工对国家能源安全至关重要,但能源的开发利用也可能导致环境污染、土壤侵蚀和资源枯竭等问题[2]。截至2017年,以煤炭、石油和天然气为基础的化石能源占全球能源消耗的82.9%[2],且燃烧化石能源所产生的二氧化碳（CO2）排放量占年度人为温室气体（GHG）排放量的四分之三[3]。然而,能源和气候政策可以有效减少化石能源的CO2排放[4]。因此,及时、准确地监测能源开采和加工场地状况对于能源行业管理和环境治理至关重要。
自2012年11月我国十八大报告中首次提出“美丽中国”执政理念以来,国务院先后印发了许多污染防治政策文件[5,6,7]。其中,对能源产业行业发展提出了新要求,如“优化空间布局”、“狠抓工业污染防治”、“严控工矿污染”和“开展污染治理与修复,改善区域土壤环境质量”。2021年3月,“十四五”规划发布实施,对能源产业行业发展提出了“优化能源开发布局和运输格局”、“合理控制煤炭开发强度”、“加强矿山生态修复”等目标。能源产业行业的健康可持续发展日益受到重视,能源开采和加工场地成为能源产业行业空间布局优化的主体区域。
目前,已有研究对于开展能源开采和加工场地的识别和分析提供了重要参考[8,9],然而仍存在一定的不足。一方面,能源开采和加工场地识别已逐渐从中小尺度向大尺度过渡,但全国尺度的研究仍相对较少[10,11]。另一方面,能源开采和加工场地的识别具有中小尺度类型精细化、大尺度类型泛化的特点[12,13]。随着遥感技术的发展和大数据时代的到来,能源开采和加工场地的识别引入了新的技术手段和方法,应用遥感和大数据手段的大范围精准监测正成为当前的研究热点[11,14]。例如, Künzer等[8]基于1987—2003年Landsat TM/ETM+影像数据应用半解混方法提取了乌海市煤矿分布及发育信息;Nuray等[9]基于2004—2008年Ikonos和Quickbird影像数据应用支持向量机（SVM）分类方法提取了煤炭和矿山分布信息;侯飞等[15]基于全极化SAR图像应用面向对象分类方法提取了徐州市西南部煤矿区土地覆盖类型信息;宋亚婷等[16]基于高分一号影像应用面向对象分类方法提取了霍林河煤矿区采矿场分布信息;Zhang等[13]基于中国土地利用数据集探明了1990—2015年农村工业用地格局。目前,多数研究学者以单一或多个矿区内部及周边环境为研究区域,进一步分析了矿区内部结构[17]、土地利用[18]和生态环境[19]等变化及其影响。
因此,本研究基于高分辨率遥感影像、土地利用/覆盖数据、网络爬虫数据、OSM地图数据和环境专题数据等信息,发展了能源开采和加工场地遥感识别和精细化制图的技术方法。首先,研发了1990、2000、2010和2020年4期的中国能源开采和加工场地分布数据产品以及2010—2020年中国能源开采和加工场地植被恢复信息数据产品,作为中国土地利用/覆盖变化数据的组成部分（CLUD-Mining）。然后,分析了1990—2020年中国能源开采和加工场地时空分布特征,以及能源开采和加工场地植被恢复成效。本研究的能源开采和加工场地遥感探测技术方法在能源开采和加工场地数据集的获取上可以提供独特、客观的信息,并具有产生大尺度、同质性和重复性覆盖的优势。研究结果对于提升中国能源开采和加工场地时空分布特征的认识具有重要意义,可为场地污染治理和生态修复提供重要的数据基础和决策支持。

2 数据来源与研究方法

2.1 研究区与数据来源

本研究中能源开采场地是指以煤、煤层气、石煤、油页岩、石油、天然气等化石燃料资源为主的包括开采区、尾矿库、堆放场、排土场等及其附属设施在内的矿产区,能源加工场地是指以煤炭加工、原油加工等化石燃料加工业为主导的厂地集中连片区[20,21,22]。
为更好地体现中国能源开采和加工场地（以下简称“能源场地”）变化的区域特征及区域差异,本研究参考已有研究[23]将全国分为华北区、东北区、西北区、东南区、西南区和青藏高原区六大区域进行分析。其中,华北区包括北京市、天津市、河北省、河南省、山东省、山西省、内蒙古中部（呼和浩特市、乌兰察布市、锡林郭勒盟）,土地面积约为96.86万km2;东北区包括黑龙江省、吉林省、辽宁省、内蒙古东部（赤峰市、通辽市、兴安盟、呼伦贝尔市）,土地面积约为124.82万km2;西北区包括陕西省、宁夏回族自治区、甘肃省、新疆维吾尔自治区、内蒙古西部（包头市、鄂尔多斯市、乌海市、巴彦淖尔市、阿拉善盟）,土地面积约为281.03万km2;东南区包括江苏省、浙江省、上海市、安徽省、湖北省、湖南省、江西省、福建省、广东省、海南省、台湾省、澳门特别行政区、香港特别行政区,土地面积约为124.81万km2;西南区包括四川省、重庆市、云南省、贵州省、广西壮族自治区,土地面积约为137.41万km2;青藏高原区包括青海省、西藏自治区,土地面积约为195.07万km2（图1）。
图1 研究区范围

注:该图基于自然资源部标准地图服务网站下载的审图号为GS(2020)4624号的标准地图制作,底图无修改。由于数据获取困难,本次研究不包括台湾。

Fig. 1 Location of study area

数据源主要有6类,包括高分辨率遥感影像、土地利用/覆盖数据、网络爬虫数据、OSM地图数据、环境专题数据和基础地理数据等信息。其中,高分辨率遥感影像主要使用GF-2影像和Google Earth影像数据。其余数据主要为中国土地利用/覆盖数据[24,25]、基于网络爬虫技术[26]获取的网络爬虫数据、Open Street Map网站下载的OSM地图数据、实地调研获取的调研场地信息数据、Google Earth Engine平台获取的Landsat NDVI数据,以及行政区划等基础地理数据。详细数据源见表1。
表1 数据源列表

Tab. 1 List of the data sources

数据类型 数据源名称 时间/年份 分辨率 数据格式 数据来源
高分辨率遥感影像 GF-2影像数据 2016 1 m 栅格 中国科学院遥感与数字地球研究所（http://www.ceode.cas.cn/）
Google Earth影像
数据		 1990—2020 0.5 m/1 m/
2 m		 栅格 http://google-earth.en.softonic.com/
土地利用/覆盖数据 中国土地利用/覆盖数据集（CLUD） 1990—2020 - 矢量 中国科学院地理科学与资源研究所（http://www.igsnrr.ac.cn/）
网络爬虫数据 网络爬虫数据 1990—2020 - 表格 网络爬虫技术/全国排污许可证管理信息平台（公开端）（http://permit.mee.gov.cn/）/绿网环境数据中心（http://www.lvwang.org.cn/）/天眼查（https://www.tianyancha.com/）/企查查（https://www.qcc.com/）/百度电子地图（https://map.baidu.com/）
OSM地图数据 OSM地图数据 2020 - 矢量 Open Street Map（https://www.openstreetmap.org/#map=4/36.96/104.17）
环境专题数据 调研场地信息数据 2018—2020 - 表格 实地调研获取
Landsat NDVI数据 2010—2020 30 m 栅格 https://earthengine.google.com/
基础地理数据 行政区划数据 2018 1:100万 矢量 国家基础地理信息中心（http://www.ngcc.cn/）

2.2 中国能源场地综合制图方法

为实现能源场地空间上的科学量测,满足宏观监测空间分布与污染防治应用需求,需要掌握中国能源场地分布状况。因此,本研究首先开展中国能源场地遥感识别与制图,具体分为4个步骤,包括基于多源数据融合方法获取疑似能源场地边界信息、根据能源企业信息获取斑块类型、对照Google Earth和GF-2纠正后的影像结合专家知识订正边界信息以及对Landsat NDVI数据经趋势分析获取能源场地植被恢复信息。基于上述结果,形成中国能源场地综合信息数据库。具体技术流程详见图2。
图2 中国能源场地综合制图技术流程

Fig. 2 Technical flowchart for composite mapping of energy mining and producing sites in China

（1）多源数据融合处理,获取疑似能源场地边界信息。对土地利用/覆盖数据、OSM地图数据进行数据格式转换、投影转换工作,数据处理统一应用Shapefile矢量格式（图2第1步）,制图应用WGS84投影,空间运算和面积统计采用割圆锥等面积投影（Albers）。
利用土地利用/覆盖数据提取其分类中的其他建设用地（指厂矿、大型工业区、油田、盐场、采石场等用地以及交通道路、机场及特殊用地）,利用OSM地图数据中的道路、机场等交通数据擦除其他建设用地获取独立工矿用地,即为疑似能源开采场地边界信息（图2第1步）。按“工业”、“园区”、“开发区”等关键字提取OSM地图数据的土地利用矢量斑块作为疑似能源加工场地边界信息（图2第1步）。对2个边界信息数据融合后进行拓扑检查与处理,产生疑似能源场地边界信息（图2第1步）。
（2）划定能源场地斑块类型,基于专家知识修订能源场地边界信息。将产生的疑似能源场地边界矢量数据融合后做单部件要素分割处理,通过面积阈值分割,提取面积大于0.01 km2的斑块（图2第2步）,对照Google Earth和GF-2遥感影像,结合工业企业点状分布信息,遍历全部疑似能源场地空间信息,以斑块内工业企业数量最多的行业类型划定为场地斑块类型,识别能源场地斑块,应用ArcGIS界面,在专家知识参与下订正边界识别结果,产生能源场地边界信息（图2第2步）。
工业企业点状分布信息来源于网络爬虫技术获取的工业企业名录信息。该名录信息是通过爬取全国排污许可证管理信息平台（公开端）、绿网环境数据中心、天眼查和企查查网站将企业名称、许可证编号或登记编号、生产经营场所地址、行业类别、所在地区、成立日期、营业期限和主要污染物类别等信息下载至本地,形成表格数据。获取的企业信息中部分仅有地址信息,通过百度电子地图提供的API接口/坐标拾取器获取地理位置信息,经过数据清洗和预处理形成点状矢量数据（图2第3步）。
（3）获取能源场地植被恢复信息。利用Google Earth Engine平台获取2010—2020年Landsat NDVI每年最大值数据。考虑到传感器的差异,使用线性变换调整Landsat TM/ETM+的Landsat NDVI值以匹配Landsat 8 OLI,采用公式如式（1）[27,28]（图2第3步）。
采用式（2）[29]拟合2010—2020年Landsat NDVI的变化趋势,通过阈值分割,提取 Slope>0.002的植被恢复区域,将其转换为矢量格式,利用2010年能源场地斑块裁剪面积大于0.01 km2的植被恢复斑块作为初始植被恢复信息,经过专家知识修订后产生能源场地植被恢复信息（图2第3步）。
（4）集成中国能源场地综合信息数据库。将修订后的1990、2000、2010和2020年能源场地边界信息和2010—2020年能源场地植被恢复信息集成产生1990—2020年中国能源场地综合信息数据库,并作为最终制图成果（图2第4步）。
NDV I L OLI = 0.0235 + 0.9723 × NDV I L TM , ETM +
式中: NDV I L OLI为Landsat 8 OLI的Landsat NDVI值; NDV I L TM , ET M +为Landsat TM/ETM+的Landsat NDVI值。
Slope = n ∑ i = 1 n i × NDV I i - ∑ i = 1 n i ∑ i = 1 n NDV I i n ∑ i = 1 n i 2 - ∑ i = 1 n i 2
式中: Slope表示植被NDVI的年际变化趋势,即斜率; i为年变量的年份序号; n为累计年数; NDV I i为第 i年的植被NDVI参数值。一般而言, Slope > 0表示NDVI年际变化呈现增加的趋势,植被生长处于改善状态, Slo p e < 0表示NDVI年际变化呈现减少的趋势,植被生长处于退化状态, Slope = 0表示NDVI年际之间无变化,植被生长维持原状态。

2.3 精度评价方法

本研究采用随机抽样方法,应用高分辨率遥感影像,结合实际调研的场地信息等环境专题数据,经专家人工判读开展精度验证。全国1990、2000、2010和2020年能源场地信息和2010—2020年能源场地植被恢复信息精度验证分别随机选取（随机采样个数为数据总量的10%左右）869、1157、1173、1142和1379个采样点进行精度检验,通过正确率和转移矩阵的方式开展精度评价。
正确率指被正确识别的类型样本数与总样本数之比,公式如下[30]:
P = C N × 100 %
式中:P为能源场地识别的正确率;C和N分别为能源场地的正确样本数和样本总数。

2.4 分布特征分析方法

为了科学量测和绘制中国能源场地分布格局,比较不同尺度能源场地分布差异特征,从中国、各地理分区2个尺度开展分布特征分析。为展示中国尺度上的能源场地分布,采用10 km×10 km的网格进行制图,研究中涉及中国区域的能源场地图件均为此网格单元。本研究参考已有研究[31,32],利用能源场地变化速度、能源场地变化比例、能源场地分布强度和能源场地分布变化强度方法展开能源场地的时空变化特征分析和制图。
（1）能源场地变化速度
能源场地变化速度指特定时段内年均能源场地变化面积,公式如下:
DE S t 1 - t 2 = E S t 2 - E S t 1 t 2 - t 1
式中: DE S t 1 - t 2为 t 1到 t 2时段能源场地变化速度/（km2/a）; E S t 2和 E S t 1分别为 t 2和 t 1时间能源场地面积/km2。
（2）能源场地变化比例
能源场地比例指特定时段内能源场地变化面积占初始年份能源场地面积的比例,公式如下:
RE S t 1 - t 2 = E S t 2 - E S t 1 E S t 1 × 100 %
式中: RE S t 1 - t 2为 t 1到 t 2时段能源场地变化比例/%; E S t 2和 E S t 1分别为 t 2和 t 1时间能源场地面积/km2。
（3）能源场地分布强度
能源场地分布强度指10 km×10 km网格上能源场地面积比例,公式如下:
SE S p = E S t 1 100 k m 2 × 100 %
式中: SE S p为 t 1时间能源场地分布强度/%; E S t 1为 t 1时间能源场地面积/km2。
（4）能源场地分布变化强度
能源场地分布变化强度指特定时段内10 km×10 km网格上能源场地变化面积比例,公式如下:
CE S p = E S t 2 - E S t 1 100 k m 2 × 100 %
式中: CE S p为 t 1到 t 2时段能源场地分布变化强度/%; E S t 2和 E S t 1分别为 t 2和 t 1时间能源场地面积/km2。

3 结果与分析

3.1 数据精度评价

中国能源场地数据产品平均精度达91.75%（表2,图3）。根据1990、2000、2010和2020年4期中国能源场地数据产品和2010—2020年能源场地植被恢复信息数据产品,分别从中随机选取生成869、1157、1173、1142和1379个采样点开展数据质量检测与精度评价,以确保数据产品的质量和一致性。评价结果显示,其产品精度分别为90.45%、90.15%、91.82%、94.57%和90.43%。
表2 1990—2020年中国各地理分区能源场地及其植被恢复信息数据产品精度验证信息

Tab. 2 Accuracy assessment on energy mining and producing sites and their vegetation restoration information products in different geographical zones in China from 1990 to 2020

地理分区 指标 1990年 2000年 2010年 2020年 2010—2020年
植被恢复信息		 平均精度∗/%
华北区 总采样数/个 286 398 377 390 506 91.82
正确数/个 255 360 344 376 464
错误数/个 31 38 33 14 42
产品精度/% 89.16 90.45 91.25 96.41 91.70
东北区 总采样数/个 123 188 157 139 201 91.82
正确数/个 111 170 145 131 186
错误数/个 12 18 12 8 15
产品精度/% 90.24 90.43 92.36 94.24 92.54
西北区 总采样数/个 138 182 213 239 124 91.30
正确数/个 127 165 190 223 117
错误数/个 11 17 23 16 7
产品精度/% 92.03 90.66 89.20 93.31 94.35
东南区 总采样数/个 161 180 185 176 259 90.78
正确数/个 140 163 171 164 228
错误数/个 21 17 14 12 31
产品精度/% 86.96 90.56 92.43 93.18 88.03
西南区 总采样数/个 140 183 208 168 264 93.11
正确数/个 134 161 197 158 230
错误数/个 6 22 11 10 34
产品精度/% 95.71 87.98 94.71 94.05 87.12
青藏高原区 总采样数/个 21 26 33 30 25 91.76
正确数/个 19 24 30 28 22
错误数/个 2 2 3 2 3
产品精度/% 90.48 92.31 90.91 93.33 88.00
中国大陆 总采样数/个 869 1157 1173 1142 1379 91.75
正确数/个 786 1043 1077 1080 1247
错误数/个 83 114 96 62 132
产品精度/% 90.45 90.15 91.82 94.57 90.43

注:平均精度为1990、2000、2010和2020年能源场地数据产品精度的平均值。

图3 1990—2020年能源场地及其植被恢复信息数据产品精度验证采样点分布

注:该图基于自然资源部标准地图服务网站下载的审图号为GS(2020)4624号的标准地图制作,底图无修改。由于数据获取困难,本次研究不包括台湾。底图为2015年Landsat ETM+真彩色合成影像。

Fig. 3 Distribution map of sampling points for accuracy assessment on energy mining and producing sites and their vegetation restoration information products from 1990 to 2020

由于中国土地利用/覆盖变化数据中的其他建设用地包含除工矿用地以外的其他用地类型（如交通道路、机场等）以及受限于能源工业企业点位信息的准确性,虽然经过处理后剔除了绝大部分无关用地类型和错误能源工业企业点位信息,但对能源场地的识别结果也会造成一定影响。从各地理分区来看,华北区、东北区、西北区、东南区、西南区、青藏高原区4期数据产品的平均精度分别为91.82%、91.82%、91.30%、90.78%、93.11%和91.76%,其中,东南区和西北区平均精度相对较低（表2）。不同地理分区之间数据产品平均精度差异显著,主要有两类问题,一类问题是干旱半干旱气候区的工矿开采和加工场地下垫面与荒漠、裸土难以区分,容易导致错绘漏绘现象,因此西北区平均精度相对较低;另一方面,经济高速发展区的能源加工场地与城镇用地、农村居民点交错镶嵌难以精准勾绘,因此东南区平均精度相对较低。
能源场地植被恢复信息数据产品误差主要来源于Landsat NDVI数据和能源场地数据产品: ① 中国自然环境复杂多样,覆盖全境的清晰Landsat系列影像之间存在时间差异导致Landsat NDVI具有一定的异质性;② 能源场地的植被恢复信息提取存在由能源场地边界数据产生的误差传递。

3.2 中国能源场地时空分布特征

遥感监测表明,2020年中国能源场地斑块数量为7983个,总面积为2290.36 km2,其主要分布在西北区、华北区和东南区（图4和图5）。从能源场地斑块面积来看,2020年斑块面积小于0.10 km2的数量最多,为6048个,占2020年总斑块数量的75.76%,面积合计为210.77 km2,仅占2020年能源场地总面积的9.20%,其多数为煤矿开采场地;斑块面积大于10 km2的斑块数量最少,仅有35个,面积为967.35 km2,占总面积的42.24%,其主要类型为能源加工场地集中连片区和大型能源开采场地;另外,斑块面积介于0.10~10.00 km2之间的斑块数量为1900个,占总斑块数量的23.80%,面积为1112.24 km2,占总面积的48.56%（图4）。
图4 2020年中国能源场地面积分级

注:该图基于自然资源部标准地图服务网站下载的审图号为GS(2020)4624号的标准地图制作,底图无修改。由于数据获取困难,本次研究不包括台湾。底图为2015年Landsat ETM+真彩色合成影像。

Fig. 4 Classification map of energy mining and producing sites area in China in 2020

图5 1990—2020年中国及地理分区能源场地面积及分布

注:该图基于自然资源部标准地图服务网站下载的审图号为GS(2020)4624号的标准地图制作,底图无修改。由于数据获取困难,本次研究不包括台湾。

Fig. 5 Area and distribution of energy mining and producing sites in China and geographic zones from 1990 to 2020

20世纪90年代以来,中国能源场地面积显著增加,其开发建设存在明显的时间阶段特征,2000—2010年能源场地增长速度最快（图5）。1990—2020年,中国能源场地面积从1055.94 km2增长到2290.36 km2,面积增长了1234.42 km2,增长速度为41.15 km2/a。1990—2000年,中国能源场地面积从1055.94 km2增长到1608.13 km2,相较于1990年增长了52.29%。21世纪初期,国家“西部大开发”战略实施以来,能源场地面积增长速度进一步加快,其增长速度从1990—2000年的55.22 km2/a加快到2000—2010年的95.51 km2/a,提升了0.73倍。2010年之后,随着环境保护和污染防治理念的逐步深入,国家发布和实施了一系列政策与建议,能源场地的开发建设受到显著影响。2010—2020年,中国能源场地面积从2563.18 km2减少到2290.36 km2,减少了272.82 km2,平均每年减少27.28 km2。
中国能源场地在各地理分区之间空间分布差异显著。2020年,西北区、华北区和东南区能源场地面积排在前三位,面积分别为977.40 km2、541.15 km2和369.64 km2,三者之和占全国能源场地总面积的82.44%。另外,东北区、西南区和青藏高原区能源场地面分别为273.74 km2、81.15 km2和47.28 km2,合计占全国能源场地总面积的17.56%（图5）。从历史维度来看,华北区、东北区、东南区和西南区能源场地面积均为先增长后减少的发展特征,西北区呈现稳步增长的发展特征,青藏高原呈现匀速增长的发展特征。具体地,1990—2020年,西北区面积增长最多,为664.07 km2,占总增长面积的53.80%;其次是华北区,面积增长240.43 km2,占总增长面积的19.48%;西南区面积增长最少,为17.35 km2,占总增长面积的1.40%。另外,东南区、东北区和青藏高原区增长面积分别为198.06 km2、81.68 km2和32.83 km2,分别占总增长面积的16.04%、6.62%和2.66%（图5）。特别地,青藏高原区的增长均在青海省北部边缘区,青藏高原核心地区基本无能源场地分布。

3.3 中国能源场地植被恢复时空特征分析

2010—2020年,中国能源场地植被恢复成效显著,其中,华北区和东南区尤为明显（图6）。党的十八大以来,生态文明建设、生态环境保护和污染防治受到高度重视,能源场地作为能源产业行业开发建设的主体区域,其植被恢复状况明显改善。2010—2020年,中国能源场地植被恢复总面积为746.76 km2,占2010年能源场地总面积的29.13%。其中,华北区能源场地植被恢复面积最大,为221.61 km2,占总植被恢复面积的29.68%。其次是东南区,修复面积为162.28 km2,占总植被恢复面积的21.73%。青藏高原区植被恢复面积最小,为3.60 km2,仅占总植被恢复面积的0.48%。另外,东北区、西北区和西南区植被恢复面积分别为149.21、120.47和89.59 km2,分别占总增长面积的19.98%、16.13%和12.00%。
图6 2010—2020年中国能源场地植被恢复面积比例

注:该图基于自然资源部标准地图服务网站下载的审图号为GS(2020)4624号的标准地图制作,底图无修改。由于数据获取困难,本次研究不包括台湾。

Fig. 6 Proportion of vegetation restoration area of energy mining and producing sites in China from 2010 to 2020

4 讨论

在全国范围的能源场地时空变化综合制图过程中,识别及绘制场地边界并精准提取能源场地边界信息是研究的关键内容。场地边界信息提取通常使用分类方法绘制,例如非监督分类[33]、监督分类[11,20]、面向对象分类[34,35]、人机交互解译[13,36]和其他高级算法,如ANN[37]和SVM[14]等。在这些方法中,人机交互解译被广泛认为是对场地边界信息提取和动态变化分类的最准确方法,特别是在检测变化信息和提取矢量斑块作为整体地理特征方面具有独特优势和精准性[38,39]。然而,这种方法需要投入更多的时间和精力进行数字化解译。本研究团队具有良好的数据基础,CLUD通过数据融合可以提供能源场地解译基础数据,在其基础上进行修订可以大大降低工作难度和工作量。另外,网络爬虫数据、OSM地图数据和环境专题数据等多源信息融合也使CLUD矢量图斑录入能源场地信息成为可能。
当前场地类型精准识别与综合制图研究中,缺乏针对大范围长时间序列不同场地类型的精细刻画,由此也影响了场地分布、规模等基本规律判定及潜在污染风险模拟的可靠性[36]。通过分析比较本研究成果与国际上研发的同质数据集,发现分类系统、数据生产、数据来源、空间分辨率和场地类型定义的差异对数据产品结果产生较大影响,且通常具有高时间分辨率和高空间分辨率不能兼顾的特点。另外,多数产品因未融合能源生产和加工相关信息（如企业信息、环境信息等）,无法识别出能源场地类型,而是将能源场地归入城镇和建成区[40]、人造地表和相关区域[41]、人造地表[42]、不透水层[43]和采矿场地[36]等类型,受限于所用遥感影像,其数据主要集中于10~500 m,如MODIS Land Cover Type（500 m）、ESA GlobCover（300 m）、GlobeLand30（30 m）和FROM GLC10（10 m）等。本研究由于综合利用了数据融合和专家知识改进的优势,CLUD-Mining在反映能源场地特征方面表现出较好准确性和可靠性。
目前,已有研究分析了中国能源产业行业发展的时空变化特征,相关研究结果对本研究具有重要的参考价值[44,45,46]。本研究发现2000—2010年能源场地的开发建设速度最快,为95.51 km2/a,是1990—2000年发展阶段的0.73倍,Ma等[44]研究结果佐证了这一发现,其主要是利用中国各地区的能源及经济统计数据分析发现,自2000年以来,中国能源生产显著加速。同时,本研究还发现近30年来中国能源场地分布格局逐渐由东部地区向西部地区转移,这一发现与Ma等[44]和Li和Ren[45]在研究能源生产的结果相吻合。其中,Ma等[44]发现1949—2007年间中国能源发展呈现“向北方和中部集中,由直线型逐渐演变为T型”的特征,Li和Ren[45]发现1978—2008年中国能源生产重心逐步向西南方向,能源产业的开发空间从沿海向内陆大范围推进。此外,本研究的能源场地精细化综合制图对能源安全格局认知具有重要意义。20世纪90年代以来,中国能源安全形势一直处于一般安全,且呈现出能源使用安全指数持续降低的态势[46],中国能源安全与治理不容忽视。
中国能源场地分布新格局的加速成型受到气候变化应对措施、国家政策以及行业发展等多因素的影响。能源场地的开发建设深刻影响着全球气候变化,我国为应对气候变化并确保能源安全,积极参与全球能源治理[47],能源场地开发建设速度减缓。本研究结果表明,近10年来能源场地面积呈现出负增长态势,减少速度为27.28 km2/a。特别是相关政策与意见[5,6,7]的提出,如“土十条”中明确提出“严防矿产资源开发污染土壤”,尤其针对矿产资源开发活动集中的区域“全面整治历史遗留尾矿库,完善覆膜、压土、排洪、堤坝加固等隐患治理和闭库措施”等[7],加速了中国能源场地污染防治及生态修复工作进程,一方面推动了中国能源场地逐步向西部地区转移,另一方面也推动了近10年中国能源场地植被恢复。本研究表明,其植被恢复面积占2010年能源场地面积的29.13%。另外,光伏、风能等可再生能源强势突起,电力行业从以化石能源为主向以可再生能源为主转变,中国经济增长方式向着绿色低碳方向转变[48,49]。但在此背景下,如何实现可再生能源的健康发展,提升能源安全的保障能力成为新时代能源产业行业发展的机遇与挑战[49]。
尽管本研究基于多源数据融合和专家知识参与获取了能源场地信息,为探明中国能源场地时空分布特征提供了新视角。但仍存在以下不足:
（1）本研究主要基于人机交互技术获取能源场地精细化的边界信息,且由于采用的多源数据获取难度较大,所以仅选取了1990、2000、2010和2020年4个时间节点进行能源场地的空间制图。因此,在后续的研究中将考虑利用遥感大数据、机器学习和云计算等新技术、新方法实现能源场地信息自动化的长时间序列快速制图。
（2）本研究仅讨论了中国能源场地时空分布特征,并未对其时空变化的影响因素进行深入分析。在后续的研究中将考虑进一步解析能源场地时空变化的影响因素,并揭示能源场地时空变化的驱动机制,为能源场地科学管理、污染防治和生态修复提供翔实的数据基础及理论参考。

5 结论

为实现能源场地的科学量测与制图分析,掌握中国能源场地分布格局及其时空变化特征,本研究基于多源数据发展了能源场地遥感识别和精细化制图的技术方法,集成了1990—2020年中国能源场地综合信息数据库,并从全国和区域尺度开展能源场地综合制图与精度分析,进一步揭示了中国能源场地的时空分布特征。主要结论如下:
（1）基于高分辨率遥感影像、土地利用/覆盖数据、网络爬虫数据、OSM地图数据和环境专题数据等多源数据融合和专家知识参与获取的中国能源场地数据产品具有较高的质量和可靠性,可满足1:2.5万比例尺地图制图需求,平均精度为91.75%。
（2）在全球气候变化和国家“西部大开发”等一系列区域发展战略的驱动下,近30年中国能源场地开发建设面积呈现先增长后减少的趋势。“西部大开发”战略实施以来,能源场地面积增长速度加快,中国能源场地面积增长速度从1990—2000年的55.22 km2/a增快到2000—2010年的95.51 km2/a;随着国家对生态文明建设、生态环境保护和污染防治的高度重视,2010—2020年能源场地呈现负增长,平均每年减少27.28 km2。值得关注的是为维持区域稳定发展及满足承接东部沿海地区产业转移需求,西北区和青藏高原区能源场地面积持续增长。
（3）能源场地分布格局逐渐由东部地区向西部地区转移。1990—2020年来,我国东部沿海地区产业向中西部地区转移步伐加快,产业分布格局进一步优化,华北区、东北区和东南区能源场地合计面积占其总面积的比例从62.92%下降到51.72%,下降了11.20%;相应地,西北区、西南区和青藏高原区能源场地合计面积比例上升了11.20个百分点。
（4）近10年中国能源场地植被恢复成效显著。2010—2020年能源场地植被恢复面积达746.76 km2,占2010年能源场地总面积的29.13%,主要集中在华北区和西南区。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Zhang W Q, Zhao F, Wang Y T. An evaluation of the comprehensive development capacity: energy-based cities in China[J]. Energy Procedia, 2016, 104:509-514. DOI: 10.1016/j.egypro.2016.12.086

DOI

[2]
Peng J C, Xiao J Z, Zhang L, et al. The impact of China's Atmosphere Ten Articles' policy on total factor productivity of energy exploitation: empirical evidence using synthetic control methods[J]. Resources Policy, 2020, 65:101544. DOI: 10.1016/j.resourpol.2019.101544

DOI

[3]
Erickson P, Lazarus M, Piggot G. Limiting fossil fuel production as the next big step in climate policy[J]. Nature Climate Change, 2018, 8(12):1037-1043. DOI: 10.1038/s41558-018-0337-0

DOI

[4]
Rogelj J, Popp A, Calvin K V, et al. Scenarios towards limiting global mean temperature increase below 1.5℃[J]. Nature Climate Change, 2018, 8(4):325-332. DOI: 10.1038/s41558-018-0091-3

DOI

[5]
生态环境部环境规划院. 大气污染防治行动计划[R]. 北京: 人民出版社, 2013.

[ Chinese Academy of Environmental Planning. Action plan of prevention and control of air pollution[R]. Beijing: People Publishing House, 2013. ]

[6]
生态环境部环境规划院. 水污染防治行动计划[R]. 北京: 人民出版社, 2015.

[ Chinese Academy of Environmental Planning. Action plan of prevention and control of water pollution[R]. Beijing: People Publishing House, 2015. ]

[7]
生态环境部环境规划院. 水污染防治行动计划[R]. 北京: 人民出版社, 2016.

[ Chinese Academy of Environmental Planning. Action plan of prevention and control of soil pollution[R]. Beijing: People Publishing House, 2016. ]

[8]
Kuenzer C, Bachmann M, Mueller A, et al. Partial unmixing as a tool for single surface class detection and time series analysis[J]. International Journal of Remote Sensing, 2008, 29(11):3233-3255. DOI: 10.1080/01431160701469107

DOI

[9]
Demirel N, Emil M K, Duzgun H S. Surface coal mine area monitoring using multi-temporal high-resolution satellite imagery[J]. International Journal of Coal Geology, 2011, 86(1):3-11. DOI: 10.1016/j.coal.2010.11.010

DOI

[10]
卞正富, 张燕平. 徐州煤矿区土地利用格局演变分析[J]. 地理学报, 2006, 61(4):349-358.

[ Bian Z F, Zhang Y P. Land use changes in Xuzhou coal mining area[J]. Acta Geographica Sinica, 2006, 61(4):349-358. ] DOI: 10.3321/j.issn:0375-5444.2006.04.002

DOI

[11]
Ang M L E, Arts D, Crawford D, et al. Socio-environmental land cover time-series analysis of mining landscapes using Google Earth Engine and web-based mapping[J]. Remote Sensing Applications: Society and Environment, 2021, 21:100458. DOI: 10.1016/j.rsase.2020.100458

DOI

[12]
Nyamekye C, Ghansah B, Agyapong E, et al. Mapping changes in Artisanal and Small-scale Mining (ASM) landscape using machine and deep learning algorithms: A proxy evaluation of the 2017 ban on ASM in Ghana[J]. Environmental Challenges, 2021, 3:100053. DOI: 10.1016/j.envc.2021.100053

DOI

[13]
Zhang C, Kuang W H, Wu J G, et al. Industrial land expansion in rural China threatens environmental securities[J]. Frontiers of Environmental Science & Engineering, 2021, 15(2):1-13. DOI: 10.1007/s11783-020-1321-2

DOI

[14]
杜青松, 李国玉, 彭万林, 等. 基于遥感技术的高寒矿区土地利用变化研究[J]. 环境科学与技术, 2020, 43(12):185-194.

[ Du Q S, Li G Y, Peng W L, et al. Land use changes in high cold-altitude mining area based on remote sensing technology[J]. Environmental Science & Technology, 2020, 43(12):185-194. ] DOI: 10.19672/j.cnki.1003-6504.2020.12.025

DOI

[15]
侯飞, 胡召玲, 成晨. 全极化SAR图像的煤矿区土地覆盖信息分层提取方法研究[J]. 中国生态农业学报, 2013, 21(9):1142-1148.

[ Hou F, Hu Z L, Cheng C. Hierarchical extraction of land cover information from fully polarimetric SAR image of coal mining areas[J]. Chinese Journal of Eco-Agriculture, 2013, 21(9):1142-1148. ] DOI: 10.3724/SP.J.1011.2013.01142

DOI

[16]
宋亚婷, 江东, 黄耀欢, 等. 基于面向对象方法的露天煤矿用地类型提取优先级分析[J]. 遥感技术与应用, 2016, 31(3):572-579.

[ Song Y T, Jiang D, Huang Y H, et al. Research on the priority of the land use types extraction of opencast mine area based on object-oriented classification[J]. Remote Sensing Technology and Application, 2016, 31(3):572-579. ] DOI: 10.11873/j.issn.l004-0323.2016.3.0572

DOI

[17]
Xu J M, Zhu W B, Xu J L, et al. High-intensity longwall mining-induced ground subsidence in Shendong coalfield, China[J]. International Journal of Rock Mechanics and Mining Sciences, 2021, 141:104730. DOI: 10.1016/j.ijrmms.2021.104730

DOI

[18]
Madasa A, Orimoloye I R, Ololade O O. Application of geospatial indices for mapping land cover/use change detection in a mining area[J]. Journal of African Earth Sciences, 2021, 175:104108. DOI: 10.1016/j.jafrearsci.2021.104108

DOI

[19]
Li J, Liang J X, Wu Y, et al. Quantitative evaluation of ecological cumulative effect in mining area using a pixel-based time series model of ecosystem service value[J]. Ecological Indicators, 2021, 120:106873. DOI: 10.1016/j.ecolind.2020.106873

DOI

[20]
毕如田, 白中科, 李华, 等. 大型露天煤矿区土地扰动的时空变化[J]. 应用生态学报, 2007, 18(8):1908-1912.

[ Bi R T, Bai Z K, Li H, et al. Spatio temproal variation of land disturbance on large opencast coal mine area[J]. Chinese Journal of Applied Ecology, 2007, 18(8):1908-1912. ] DOI: 10.13287/j.1001-9332.2007.0296

DOI

[21]
王行风, 韩宝平, 汪云甲, 等. 基于遥感的煤矿区景观生态分类[J]. 辽宁工程技术大学学报, 2007, 26(5):776-779.

[ Wang X F, Han B P, Wang Y J, et al. Landscape eco-classification in mining area based on RS[J]. Journal of Liaoning Technical University, 2007, 26(5):776-779. ] DOI: 10.3969/j.issn.1008-0562.2007.05.041

DOI

[22]
杨庚, 张振佳, 曹银贵, 等. 晋北大型露天矿区景观生态风险时空异质性[J]. 生态学杂志, 2021, 40(1):187-198.

[ Yang G, Zhang Z J, Cao Y G, et al. Spatial-temporal heterogeneity of landscape ecological risk of large-scale open-pit mining area in north Shanxi[J]. Chinese Journal of Ecology, 2021, 40(1):187-198. ] DOI: 10.13292/j.1000-4890.202101.003

DOI

[23]
Kuang W H, Liu J Y, Tian H Q, et al. Cropland redistribution to marginal lands undermines environmental sustainability[J]. National Science Review, 2021, https://doi.org/10.1093/nsr/nwab091. DOI: 10.1093/nsr/nwab091

DOI

[24]
Kuang W H, Liu J Y, Dong J W, et al. The rapid and massive urban and industrial land expansions in China between 1990 and 2010: a CLUD-based analysis of their trajectories, patterns, and drivers[J]. Landscape and Urban Planning, 2016, 145:21-33. DOI: 10.1016/j.landurbplan.2015.10.001

DOI

[25]
Ning J, Liu J Y, Kuang W H, et al. Spatiotemporal patterns and characteristics of land-use change in China during 2010-2015[J]. Journal of Geographical Sciences, 2018, 28(5):547-562. DOI: 10.11821/dlxb201805001

DOI

[26]
谢克武. 大数据环境下基于python的网络爬虫技术[J]. 电子制作, 2017, 328(9):44-45.

[ Xie K W. Python-based web crawler technology in a big data environment[J]. Practical Electronics, 2017, 328(9):44-45. ] DOI: 10.16589/j.cnki.cn11-3571/tn.2017.09.017

DOI

[27]
Roy D P, Kovalskyy V, Zhang H K, et al. Characterization of Landsat-7 to Landsat-8 reflective wavelength and normalized difference vegetation index continuity[J]. Remote Sensing of Environment, 2016, 185:57-70. DOI: 10.1016/j.rse.2015.12.024

DOI

[28]
Robinson N P, Allred B W, Jones M O, et al. A dynamic Landsat derived normalized difference vegetation index (NDVI) product for the conterminous United States[J]. Remote Sensing, 2017, 9(8):863. DOI: 10.3390/rs9080863

DOI

[29]
金凯, 王飞, 韩剑桥, 等. 1982—2015年中国气候变化和人类活动对植被NDVI变化的影响[J]. 地理学报, 2020, 75(5):961-974.

DOI

[ Jin K, Wang F, Han J Q, et al. Contribution of climatic change and human activities to vegetation NDVI change over China during 1982-2015[J]. Acta Geographica Sinica, 2020, 75(5):961-974. ] DOI: 10.11821/dlxb202005006

DOI

[30]
骆剑承, 胡晓东, 吴田军, 等. 高分遥感驱动的精准土地利用与土地覆盖变化信息智能计算模型与方法研究[J]. 遥感学报, 2021, 25(7):1351-1373.

[ Luo J C, Hu X D, Wu T J, et al. Research on intelligent calculation model and method of precision land use/cover change information driven by high-resolution remote sensing[J]. National Remote Sensing Bulletin, 2021, 25(7):1351-1373. ] DOI: 1007-4619(2021)07-1351-23

DOI

[31]
Wu C Y, Huang X J, Chen B W. Telecoupling mechanism of urban land expansion based on transportation accessibility: a case study of transitional Yangtze River economic Belt, China[J]. Land Use Policy, 2020, 96:104687. DOI: 10.1016/j.landusepol.2020.104687

DOI

[32]
Kuang W H. National urban land-use/cover change since the beginning of the 21st century and its policy implications in China[J]. Land Use Policy, 2020, 97:104747. DOI: 10.1016/j.landusepol.2020.104747

DOI

[33]
刘福江, 吴信才, 郭艳, 等. 招远金矿区植被异常及遥感找矿意义[J]. 吉林大学学报(地球科学版), 2007, 37(3):444-449+456.

[ Liu F J, Wu X C, Guo Y, et al. Vegetation anomalies of the Zhaoyuan gold deposits, Shandong Province and its significance in remote sensing exploration[J]. Journal of Jilin University(Earth Science Edition), 2007, 37(3):444-449,456. ] DOI: 10.13278/j.cnki.jjuese.2007.03.005

DOI

[34]
Yu H Y, Cheng G, Ge X S, et al. Object oriented land cover classification using ALS and GeoEye imagery over mining area[J]. Transactions of Nonferrous Metals Society of China, 2011, 21(3):733-737. DOI: 10.1016/S1003-6326(12)61671-9

DOI

[35]
黄丹, 刘庆生, 刘高焕, 等. 面向对象的煤矸石堆场SPOT-5影像识别[J]. 地球信息科学学报, 2015, 17(3):369-377.

DOI

[ Huang D, Liu Q S, Liu G H, et al. Coal gangue yards information extraction using object-oriented method based on SPOT-5 remote sensing images[J]. Journal of Geo-information Science, 2015, 17(3):369-377. ] DOI: 10.3724/SP.J.1047.2015.00369

DOI

[36]
Tang L, Werner T T, Xie H P, et al. A global-scale spatial assessment and geodatabase of mine areas[J]. Global and Planetary Change, 2021, 204:103578. DOI: 10.1016/j.gloplacha.2021.103578

DOI

[37]
Abaidoo C A, Osei Jnr E M, Arko-Adjei A, et al. Monitoring the extent of reclamation of small scale mining areas using artificial neural networks[J]. Heliyon, 2019, 5(4):e01445. DOI: 10.1016/j.heliyon.2019.e01445

DOI

[38]
Kuang W H, Zhang S, Li X Y, et al. A 30 m resolution dataset of China's urban impervious surface area and green space, 2000-2018[J]. Earth System Science Data, 2021, 13(1):63-82. DOI: 10.5194/essd-13-63-2021

DOI

[39]
李晨毓, 井哲帆, 何晓波. 1986—2015年长江源各拉丹冬地区冰川变化遥感监测研究[J]. 冰川冻土, 2021, 43(2):405-416.

[ Li C Y, Jing Z F, He X B. Remote sensing monitoring of glacier variation in Geladandong, source regions of the Yangtze River from 1986 to 2015[J]. Journal of Glaciology and Geocryology, 2021, 43(2):405-416. ] DOI: 10.7522/j.issn.1000-0240.2021.0014

DOI

[40]
Friedl M A, Sulla-Menashe D, Tan B, et al. MODIS collection 5 global land cover: algorithm refinements and characterization of new datasets[J]. Remote Sensing of Environment, 2010, 114(1):168-182. DOI: 10.1016/j.rse.2009.08.016

DOI

[41]
Bontemps S, Defourny P, Van Bogaert E, et al. Globcover 2009 products description and validation report[R]. ESA: Paris, France, 2011-02-18.

[42]
Chen J, Chen J, Liao A P, et al. Global land cover mapping at 30 m resolution: A POK-based operational approach[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 103:7-27. DOI: 10.1016/j.isprsjprs.2014.09.002

DOI

[43]
Gong P, Liu H, Zhang M N, et al. Stable classification with limited sample: transferring a 30-m resolution sample set collected in 2015 to mapping 10-m resolution global land cover in 2017[J]. Science Bulletin, 2019, 64(6):370-373. DOI: 10.1016/j.scib.2019.03.002

DOI

[44]
Ma B, Lu C X, Zhang L, et al. The temporal and spatial patterns and potential evaluation of China's energy resources development[J]. Journal of Geographical Sciences, 2010, 20(3):347-356. DOI: 10.1007/s11442-010-0347-y

DOI

[45]
Li Q, Ren Z Y. Energy production and consumption prediction and their response to environment based on coupling model in China[J]. Journal of Geographical Sciences, 2012, 22(1):93-109. DOI: 10.1007/s11442-012-0914-5

DOI

[46]
Wang Q, Xu L L, Li N, et al. The evolution of the spatial-temporal patterns of global energy security since the 1990s[J]. Journal of Geographical Sciences, 2019, 29(8):1245-1260. DOI: 10.1007/s11442-019-1657-3

DOI

[47]
王文涛, 刘燕华, 于宏源. 全球气候变化与能源安全的地缘政治[J]. 地理学报, 2014, 69(9):1259-1267.

DOI

[ Wang W T, Liu Y H, Yu H Y. The geopolitical pattern of global climate change and energy security issues[J]. Acta Geographica Sinica, 2014, 69(9):1259-1267. ] DOI: 10.11821/dlxb201409002

DOI

[48]
陈明星, 先乐, 王朋岭, 等. 气候变化与多维度可持续城市化[J]. 地理学报, 2021, 76(8):1895-1909.

DOI

[ Chen M X, Xian L, Wang P L, et al. Climate change and multi-dimensional sustainable urbanization[J]. Acta Geographica Sinica, 2021, 76(8):1895-1909. ] DOI: 10.11821/dlxb202108006

DOI

[49]
Wang B, Wang Q, Wei Y M, et al. Role of renewable energy in China's energy security and climate change mitigation: an index decomposition analysis[J]. Renewable and Sustainable Energy Reviews, 2018, 90:187-194. DOI: 10.1016/j.rser.2018.03.012

DOI

Options
Outlines

/

〈 〉