EN中文

Economic geography >

2020 , Vol. 40 >Issue 12: 12 - 21

DOI: https://doi.org/10.15957/j.cnki.jjdl.2020.12.002

Multiscale Spatio-Temporal Characteristics of Carbon Emission of Energy Consumption in Yellow River Basin Based on the Nighttime Light Datasets

  • LYU Qian , 1 ,
  • LIU Haibin , 2, ※
Expand
  • 1. School of Information Management，Beijing Information Science & Technology University，Beijing 100192，China
  • 2. School of Management，China University Mining & Technology(Beijing)，Beijing 100083，China

Received date: 2020-01-12

  Revised date: 2020-09-02

  Online published: 2025-04-11

Fold

Abstract

This study applies the four-step method to integrate and correct the DMSP-OLS and NPP-VIIRS nighttime light datasets,so as to obtain the long time series of nighttime light datasets in the Yellow River Basin from 1995 to 2016. and constructs the multiscale carbon emissions estimation model for the Yellow River Basin based on the statistical data of provincial energy consumption. This paper analyzes the spatio-temporal characteristics of carbon emissions of energy consumption in the Yellow River Basin from the provincial,prefectural,county and grid scales by using the estimation model and the exploratory spatial analysis. The results show that: 1) The fitting precision using integrated model is 0.8354,which meets the accuracy requirement. And the fitting precision reaches 0.8482 based on multiscale carbon emissions estimation model,the average relative error of accuracy test is 17.25%,which indicates the estimation model is effective. 2) It shows a significant continuous expansion on the carbon emissions. Inner Mongolia Autonomous Region,Shanxi Province and Henan Province are at the highest level on carbon emissions. The cities which are located in Shandong Province,Shaanxi Province and Inner Mongolia Autonomous Region are mainly at the higher level of carbon emissions. The counties with higher level of carbon emissions are basically distributed in Guangyuan and Neijiang in Sichuan Province,Qingxu in Shanxi Province,Uxin Banner and Jungar Banner in Inner Mongolia Autonomous Region,and Zaozhuang,Jining and Jinan in Shandong Province. 3) It has significant positive spatial correlation on the carbon emissions,and the growth of the global correlation on provincial scale is the largest. Only Gansu Province shows low-low agglomeration pattern. The urban agglomeration trend is caused by the high carbon accumulation areas in Inner Mongolia Autonomous Region and Shandong Province,as well as by the low carbon accumulation areas in Gansu Province and Qinghai Province. The agglomeration trend at the county level is caused by high and low carbon accumulation areas.

Key words： Yellow River Basin; carbon emissions; nighttime light data; high quality development; green and low carbon development; Exploratory Spatial Data Analysis(ESDA)

Cite this article

LYU Qian , LIU Haibin . Multiscale Spatio-Temporal Characteristics of Carbon Emission of Energy Consumption in Yellow River Basin Based on the Nighttime Light Datasets[J]. Economic geography, 2020 , 40(12) : 12 -21 . DOI: 10.15957/j.cnki.jjdl.2020.12.002

为应对全球气候变化，我国政府在巴黎气候会议上承诺到2030年，单位GDP碳排放相比2005年下降60%~65%[1-2]，并提出碳排放尽早达峰的总体目标。我们依靠能源进行粗放式发展的地区面临着巨大的挑战，且不同区域面临着差异化的减排要求。而将生态保护和高质量发展作为我国重大国家战略的黄河流域，也承受了巨大的减排压力。黄河流域是我国重要的生态屏障、经济地带、能源化工基地、粮食生产基地[3-4]，对于我国总体实现生态保护、经济社会发展和生态文明建设具有重要意义。区域内省份经济发展方式差异巨大、能源资源禀赋各有不同、经济发展与环境保护矛盾十分突出，因此黄河流域如何实现绿色低碳发展、转变经济发展方式、改善能源消费结构应是实现全流域高质量发展的题中之义。对黄河流域碳排放进行时空演变特征的总体把握，从多尺度分析其碳排放空间结构的差异性，从而制定精准化减排政策对于实现全流域生态优先和绿色低碳发展具有重要的理论意义和示范应用价值。
对于碳排放时空演变特征的研究，越来越多的学者尝试使用夜间灯光数据进行碳排放多尺度估算研究[5]，并已取得良好的估算效果。Elvidge等首先确定DMSP-OLS数据可以用于与人口和能源有关的温室气体排放的空间分配[6]；Doll等结合统计数据，建立了全球首个1°×1°分辨率的碳排放网格[7]；苏泳娴等以DMSP-OLS数据为基础，从多尺度视角进行碳排放分析，表明中国碳排放总量持续增长[8]；Shi等构建面板模型证明中国DMSP-OLS数据与统计碳排放之间存在正向线性相关[9]；Meng等提出一种基于NPP-VIIRS夜间灯光数据表明山东半岛已成为一个新的碳减排热点区域[10]；Cui等采用2012—2016年NPP-VIIRS夜间灯光数据估算华北地区地级市集中供热碳排放，指出北京、天津、石家庄和青岛碳排量最多[11]。结合两类灯光数据的优势，近年来有学者将关注的重点放在了DMSP-OLS数据和NPP-VIIRS数据的比较分析上来。Zhang等表明DMSP-OLS数据在所有空间尺度相比NPP-VIIRS数据估算效果更好[12]；Zhao等则认为NPP-VIIRS数据在估算城市居民碳排放上效果更好[13]。很显然，两种夜间灯光数据在不同尺度、不同领域碳排放估算方面各有优势。鉴于此，Zhao等构建了DMSP-OLS数据和NPP-VIIRS数据校正融合后的灯光数据集，并证明了其应用于碳排放估算的有效性[14]。具体到黄河流域，目前关于黄河流域碳排放时空演变特征的研究多集中在黄河下游地区和黄河中下游地区[15]，晋陕蒙等能源富集区域[16-17]，以及按中部区划对山西和河南进行研究[18]，按东部区划对山东进行分析[19]。总体来看，将黄河流域作为一个整体进行全流域碳排放时空演变特征分析的相关研究较少，而考虑到市级和县级统计数据的难以获取性，从多尺度进行研究则更为稀缺，对全流域精准化制定碳减排目标的落实和保护生态实现绿色低碳发展具有很大的制约性。
总体来看，目前黄河流域全流域碳排放时空演变特征研究较少，特别是市级、县级乃至栅格级等精细化尺度研究更为缺乏，不能很好体现碳排放的空间特性，为精准减排区域的确定和政策的制定、落实带来较大的困难。而长时间序列夜间灯光数据集应用于大跨度、多尺度能源消费碳排放估算具有一定的创新性和可行性，对于精准化减排区域的确定具有巨大优势。由此本文结合黄河流域特点，对DMSP-OLS数据和NPP-VIIRS数据进行校正融合，构建长时间序列夜间灯光数据集，进而构建多尺度碳排放估算模型，系统分析1995—2016年黄河流域多尺度碳排放时空演变特征，为提供区域碳排放政策的针对性和可操作性奠定基础，为实现黄河流域生态优先、绿色低碳发展和高质量发展提供理论和应用基础。

1 数据来源与研究方法

1.1 研究区域

黄河是中华民族的母亲河，黄河流域是中国“一带一路”倡议的重要经济廊道，也是覆盖东、中和西部省区的重要经济纽带，在国家经济社会发展和生态保护方面具有重要地位。黄河流域包括青海、四川、甘肃、宁夏、内蒙古、山西、陕西、河南和山东等9省区，共包含115个地级市和963个县域。该区域矿产资源丰富，是我国重要的能源工业和基础工业基地，黄河流域生态保护和高质量发展事关中华民族伟大复兴，如何实现绿色低碳发展是实现高质量发展的重要基础。本文以黄河流域为视角，对DMSP-OLS和NPP-VIIRS夜间灯光数据进行校正融合，构建长时间序列夜间灯光数据集，并结合能源消费统计碳排放数据构建碳排放估算模型，最后进行碳排放时空演变特征分析。

1.2 夜间灯光数据来源

非辐射定标DMSP-OLS夜间稳定灯光数据和NPP-VIIRS夜间灯光数据均来源于美国国家海洋和大气管理局（National Oceanic and Atmospheric Administration，NOAA）的美国国家地理数据中心（National Geophysical Data Center，NGDC）官方网站。
①DMSP-OLS数据预处理。首先进行1992—2013年DMSP-OLS数据的影像重投影、重采样与裁剪，得出中国行政边界范围的灯光数据；其次进行影像间的相互校正，选取经济社会发展相对稳定的黑龙江省鸡西市作为不变目标区域，选取F162007年数据作为参考数据集，将其他年份与之构建二次回归模型；再次进行年内融合校正，旨在解决夜间灯光影像不同卫星之间不统一的问题；最后进行时间序列校正，基本假设为夜间灯光处于不断扩散和增强的状态，时间序列校正要保证较早影像DN值小于较后影像DN值，而对于在部分影像中存在缺失的不稳定像元，将其DN值替代为0。通过上述校正过程，得到中国1992—2013年校正后的DMSP-OLS夜间灯光数据。
②NPP-VIIRS数据预处理。首先进行2012—2016年NPP-VIIRS数据的影像年度合成、重投影、重采样与裁剪，实现与DMSP-OLS数据空间分辨率的匹配；其次对不变区域进行稳定性校正及异常值剔除，以2016年合成数据的稳定亮元区域为不变区域，对2012—2016年数据做稳定性校正；最后进行时间序列校正，要保证较早影像DN值小于较后影像DN值，而对于在部分影像中存在缺失的不稳定像元，将其DN值替代为0。通过上述一系列的数据校正过程，可以得到中国2012—2016年校正后的NPP-VIIRS夜间灯光数据集。
③DMSP-OLS数据和NPP-VIIRS数据融合校正。
第一步，对DMSP-OLS和NPP-VIIRS县域尺度2012和2013年数据分别进行统计，得到两类灯光数据集。
第二步，建立2012、2013年DMSP-OLS与NPP-VIIRS两种数据源县域尺度的回归关系。两种数据集回归的各项参数及拟合优度见表1。
表1 2012和2013年DMSP-OLS与NPP-VIIRS拟合参数值

Tab.1 Fitting parameters of DMSP-OLS and NPP-VIIRS in 2012 and 2013

模型 拟合函数 a b c d e R2
（1） f x = a x + b 5.2948 2 415.9 - - - 0.7701
（2） f x = a x 2 + b x + c 0.00003 2.6539 4 726.5 - - 0.8354
（3） f x = a e b x 4 067.3 0.00009 - - - 0.0336
（4） f x = a x b 62.695 0.6738 - - - 0.2847
可以发现，模型（2）的拟合优度为0.8354，高于其他模型，因此选择模型（2）作为两个数据集的拟合方程。因此校正公式如下所示：
f x = 0.00003 x 2 + 2.6539 x + 4726.5
式中： f x为DMSP-OLS夜间灯光数据2012—2013年度数据； x为NPP-VIIRS夜间灯光数据2012—2013年度数据。
第三步，利用所建立的回归方程对2014—2016年NPP-VIIRS数据进行DMSP-OLS尺度时间序列连续性校正，2014、2015和2016年NPP-VIIRS数据与2013年NPP-VIIRS数据的线性拟合精度见表2。
表2 2014—2016年NPP-VIIRS拟合参数

Tab.2 Fitting parameters of NPP-VIIRS in 2014-2016

年份 拟合函数 a R2
2014 f x = a x 1.0600 0.9993
2015 f x = a x 1.2636 0.9942
2016 f x = a x 1.3272 0.9881
可以发现，3个拟合方程的拟合优度分别为0.9993、0.9942、0.9881，模型估算精度良好。
第四步，依据公式（1）对2014—2016年DMSP-OLS尺度数据进行时间序列校正。最终得到DMSP-OLS尺度下的1992—2016年夜间灯光数据集。融合后的夜间灯光数据集DN总值如图1所示，1992—2016年校正后夜间灯光数据集整体精确度良好。
图1 1992—2016年校正后夜间灯光数据集DN总值

Fig.1 Total DN value of corrected nighttime light datasets from 1992 to 2016

最后裁剪得出黄河流域融合校正后DMSP-OLS尺度夜间灯光数据集。

1.3 统计数据来源

黄河流域各省的能源消费数据来源于《中国能源统计年鉴》（1996—2017年）中的终端能源消费平衡表；能源折算标准煤系数来自于《中国能源统计年鉴2017》；碳排放因子数据来自于《中国能源统计年鉴》及《2006年国家温室气体排放清单指南》。具体排放系数见表3。
表3 燃料消耗碳排放系数

Tab.3 Coefficients of carbon emissions of fuel consumption

能源种类 原煤 洗精煤 焦炭 原油 汽油 煤油 柴油 燃料油 液化石油气 天然气 焦炉煤气 炼厂干气
折算标准煤系数 0.7143 0.9000 0.9714 1.4286 1.4714 1.4714 1.4571 1.4286 1.7143 1.1~1.33 0.5714~0.6143 1.5714
碳排放系数 0.7559 0.7559 0.8550 0.5857 0.5538 0.5714 0.5921 0.6185 0.5042 0.4483 0.3548 0.4602

1.4 研究方法

①碳排放估算模型构建及精度检验。基于能源消耗法测算1995—2016年黄河流域碳排放量，计算公式如下：
A = 44 12 ∑ i = 1 12 K i E i
式中： A为碳排放量（万t）； E i为能源 i消费量，按标准煤计（万t）。进一步，碳排放估算模型假设条件为DN值与碳排放存在线性相关性，DN值越大，碳排放量越大，且省级、市级和县域尺度上存在与像元尺度上一致的相关关系。估算模型如下：
E i = a D N i + b
式中： E i为估算的 i像元碳排放量； D N i为 i像元的DN值； a、 b为回归参数。使用夜间灯光数据和碳排放统计数据构建碳排放估算模型，估算结果如图2。
图2 统计碳排放量与夜间灯光DN值线性拟合

Fig.2 Linear fitting of carbon emissions and DN value of nighttime light data

由图2可见，夜间灯光数据DN总值和能源消费碳排放统计值具有较好的线性相关性，拟合优度达到0.8482。拟合公式如下所示：
N C C = 0.0188 D C + 1257.4
式中： N C C表示 c省份的碳排放量； D C表示 c省份的DN值。
因此碳排放估算模型的假设前提是成立的，二者之间存在正向线性相关，可以使用校正后的夜间灯光数据集估算能源消费碳排放量。为确保碳排放估计值的可靠性，进一步进行估算结果的精度检验。将估算结果与统计碳排放量进行比较，可以发现平均相对误差为17.25%，选取1995、2000、2005、2010和2016年相对误差见表4。平均而言，50%以上的省份估算误差小于25%，满足估算精度要求，可以为黄河流域多尺度碳排放时空演变特征提供可靠数据基础。
表4 碳排放估算模型相对误差(%)

Tab.4 Relative error of carbon emission estimation model(%)

省市地区 1995 2000 2005 2010 2016
内蒙古自治区 5.38 7.18 -30.33 -25.03 -10.20
山东省 59.70 76.04 -12.77 -19.89 42.02
河南省 19.20 41.35 -6.00 -14.82 49.19
四川省 -64.94 -19.78 -13.88 -33.76 -1.85
陕西省 6.34 103.33 18.98 13.81 51.97
甘肃省 -23.39 -7.74 -4.38 8.72 41.28
青海省 110.06 109.49 143.80 52.09 26.84
宁夏回族自治区 152.87 28.40 13.27 10.28 -1.79
山西省 7.71 15.18 -4.19 -12.64 15.83
高精度占比 55.56 44.44 77.78 66.67 44.44
②全局空间自相关。全局空间自相关用于探究碳排放的整体空间关联程度及其显著性。选用Global Moran's I检验黄河流域碳排放整体空间属性。空间权重选取基于地理距离的权重矩阵，具体计算公式如下：
I = S ∑ k = 1 s ∑ p = 1 s W k p x k - x - x p - x - ∑ k = 1 s ∑ p = 1 s W k p ∑ k = 1 s x p - x - 2
x - = 1 S ∑ k = 1 s x k
W k p = 1 d k p , k ≠ p W k p = 0 , k = p
式中： x k表示 k地区碳排放量； x p表示 p地区碳排放量； S表示地区数量； W为空间权重矩阵； d k p表示通过经纬度计算的地区之间的地表距离。 I的取值范围为[-1，1]。 I越接近1，表明空间正相关显著，越接近-1，表明空间负相关显著。当Global Moran's I 接近期望值 E I = - 1 / n - 1时，观测值才是相互对立，且在空间上随机分布。采用如下公式对Global Moran's I 结果进行统计检验：
Z I = I - E I V a r I
式中： V a r I表示Global Moran's I 的方差，当 Z I大于正态分布函数在0.05水平下的临界值1.96，则认为Global Moran's I 结果是显著的。
③局部空间自相关。空间自相关水平存在空间异质性，即不同局部地区，其空间相关性的程度不同。因此局部空间自相关可以描述局部空间异质性，识别碳排放空间分布规律。局部Moran's Ic指数用以衡量研究区域观测值与周边区域的集聚程度。计算公式如下：
I c = ∑ w k p z k z p
式中： I c表示局部Moran's I c指数； z k和 z p为区域 k和 p标准化后的观测值； w k p为标准化后的空间权重，其中 ∑ w k p=1。进一步通过局部Moran's I c指数区分局部集聚模式，包括H-H集聚（若 I c显著为正且 z k大于0，高观测值地区被高观测值地区包围）；L-L集聚（若 I c显著为正且 z k小于0，低观测值地区被低观测值地区包围）；L-H集聚（若 I c显著为负且 z k小于0，低观测值地区被高观测值地区包围）和H-L集聚（若 I c显著为负且 z k大于0，高观测值地区被低观测值地区包围）。

2 结果与讨论

2.1 栅格尺度碳排放时空演变特征

1995—2016年黄河流域能源消费碳排放量时空演变规律显著。①1995—2016年，该区域碳排放总量持续增长，且高碳排放地区呈现出显著连片扩张趋势。②山东、山西、河南和四川碳排放扩张最为显著，呈现由点状分布扩张为线状布局，且呈现向外扩散态势。

2.2 行政区划尺度碳排放时空演变特征

2.2.1 省级尺度

1995年碳排放量最高省份包括山东和四川，较高省份为山西和河南，最低省份为宁夏和青海；2005年碳排放量最高省份调整为山东；2010年碳排放量最高省份仍然为山东，较高省份减少为河南，最低省份仍为宁夏和青海；2016年碳排放量较高省份调整为内蒙古、山西和河南，最低省份则减少为青海。由此可见黄河流域中煤炭资源大省和工业大省是节能减排的重点省份。而低碳区域一直为西部地区的宁夏和青海，这些区域资源禀赋较差，经济较为落后，能源消费相对较少，因此能源消费碳排放在黄河流域各省中处于低位，如图4。
图3 栅格尺度碳排放演变特征（1995、2005、2010、2016年）

Fig.3 Carbon emissions evolution characteristics at grid scale (1995,2005,2010,2016)

图4 省级尺度碳排放演变特征（1995、2005、2010、2016年）

Fig.4 Carbon emissions evolution characteristics at provincial scale (1995,2005,2010,2016)

2.2.2 市级尺度

1995年碳排放最高城市为成都，高碳地区主要分布在山东、四川和山西等地区；2005年高碳地区呈现迅猛扩张趋势，碳排放最高城市为临沂、济南、青岛、潍坊、烟台、郑州、成都、临汾；2010年则减少了济南市；2016年在原有基础上进一步呈扩张趋势，分别为鄂尔多斯、呼伦贝尔、临沂、青岛、潍坊、烟台、郑州、成都、延安、临汾、吕梁、榆林，主要分布在山东、陕西和内蒙古。可以发现黄河流域精准减排城市呈现总体北移趋势。相比省级尺度中高碳省份为内蒙古、山西和河南，高碳城市分布除与省级尺度具有一致性的同时，因不同城市能源消费特征也具有省级内部的差异性，如图5。
图5 市级尺度碳排放演变特征（1995、2005、2010、2016年）

Fig.5 Carbon emissions evolution characteristics at prefectural scale (1995,2005,2010,2016)

2.2.3 县级尺度

从县级尺度看，1995年高碳县域主要集中在四川广元、攀枝花和内江的市中区，山西太原市的清徐县，山东枣庄、济宁和济南的市中区。2005年高碳县域则呈现明显扩大趋势，主要表现为山东高碳区域的扩张，主要分布在四川广元和内江的市中区，山西太原的清徐县，山东枣庄、济宁和济南的市中区，山东即墨市、寿光市和东营区。2010年高碳地区分别增加了四川双流县，内蒙古的乌审旗和准格尔旗，山东平度市。2016年高碳县域基本维持在四川广元和内江的市中区，山西太原的清徐县，内蒙古的乌审旗和准格尔旗，山东枣庄、济宁和济南的市中区，呈现高碳区域稳定态势。因此精准减排县域主要集中在这些区域。总体来看高碳县域在省级和市级尺度宏观定位的基础上，存在一定程度的内部差异性，多尺度研究可以为精准减排定位提供有效参考，如图6。
图6 县级尺度碳排放演变特征（1995、2005、2010、2016年）

Fig.6 Carbon emissions evolution characteristics at county scale (1995,2005,2010,2016)

2.3 空间相关性分析

①全局空间相关性。计算黄河流域多尺度碳排放的Global Moran's I指数以及相应的Z值和P值，相关结果见表5。
表5 全局相关性分析结果

Tab.5 Global correlation analysis results

1995 2005 2010 2016
省级 Moran I 0.2509 0.4688 0.4848 0.5534
z 1.3107 2.4282 2.4006 2.4830
p 0.1899 0.0151 0.0163 0.0130
市级 Moran I 0.1246 0.4441 0.4064 0.3088
z 3.1212 9.7935 8.9792 6.8660
p 0.0018 0.0000 0.0000 0.0000
县级 Moran I 0.1554 0.3122 0.2896 0.2359
z 15.9173 31.6565 29.4000 24.0290
p 0.0000 0.0000 0.0000 0.0000
1995—2016年黄河流域不同尺度碳排放的Global Moran's I指数均为正值。省级尺度数值从0.2509增长为0.5534；市级尺度数值从0.1246增长为0.3088；县级尺度数值从0.1554增长为0.2359。省级尺度除1995年外Z值均大于1.96，P值均在5%水平上显著，通过了显著性检验。由此表明黄河流域多尺度碳排放具有显著的空间正相关性。
整体而言，三种尺度下全局Moran's I指数都呈现出不同程度的增长态势，整体而言省级尺度全局相关性增长幅度最大，其次为市级尺度，再次为县级尺度。省级和市级尺度的全局空间相关性最大，是模拟碳排放的有效行政单元；县级尺度同样具有显著空间相关性，可以为快速、有效测度碳排放演变规律、制定精准化减排政策提供有效参考。从变化趋势来看，三个尺度的全局Moran's I指数演变曲线形状不尽相同，表明不同尺度的区域碳排放具有差异现象，分析结果会因尺度的差异而出现较大的差别，因此在制定碳减排政策时需要考虑不同尺度下碳排放演变格局的差异性。
②局部空间相关性。计算2016年省级碳排放的局部Moran's Ic指数，显著性空间类型以正相关为主，仅有甘肃呈现出LL集聚格局，甘肃对其周边的宁夏、青海等省份具有溢出效应，表明该区域为低碳排放聚集区域。该区域位于我国西部地区，经济发展较为落后，城镇化水平低下，能源消费较少，因而该区域是黄河流域的低碳排放区。
从市级尺度来看，2016年共21.73%的城市呈现出显著性聚集态势（表6）。其中属于HH型和LL型的城市分别为11和12个，占显著性类型总数的92%；HL型和LH型的城市分别为1和1个，占显著性类型总数的8%。结果表明，市级尺度碳排放的显著性空间类型以正相关为主，聚集态势由内蒙古和山东的高碳聚集区以及甘肃和青海的低碳聚集区引起。而四川成都本身碳排放较高，处在低碳集聚区周边，对其具有正向溢出效应；山东莱芜本身碳排放较低，处于高碳聚集区周边，受到山东高碳城市的溢出影响。可以发现相比省级尺度，市级碳排放更强的空间异质性和区域聚集特征，可以确定内蒙古和山东的高碳聚集城市群为精准减排区域。
表6 市级局域LISA集聚格局

Tab.6 LISA cluster pattern at the municipal level

省份 HH HL LH LL
内蒙古 鄂尔多斯、呼和浩特
山东 临沂、青岛、潍坊、烟台、延安、临汾、晋中、吕梁、榆林 莱芜
四川 成都
甘肃 陇南、甘南藏族自治州、定西、临夏回族自治州、武威市、金昌市、张掖市
青海 果洛藏族自治州、黄南藏族自治州、海东地区、海南藏族自治州、海北藏族自治州
从县级尺度来看，2016年共24.92%的县域呈现出显著性聚集态势（图7）。其中属于HH型和LL型的县域分别为112和115个，占显著性类型总数的94.58%；HL型和LH型的县域分别为6和7个，占显著性类型总数的5.42%。结果表明，县级尺度碳排放的显著性空间类型以正相关为主，聚集态势由高碳聚集区以及低碳聚集区引起。其中HH型主要分布在内蒙古、山东、陕西、宁夏和山西大部分县域，呈现高碳县域三足鼎立聚集态势；LH型则主要分布在内蒙古的新巴尔虎左旗和乌达区、山东的嘉祥县、长岛县、陕西的佳县、山西的偏关县和大同市城区，呈现点状分散分布在HH型周边，其本身碳排放较低但受高碳地区正向溢出效应影响。LL型主要分布在四川、陕西、甘肃和青海大部分县域，以及宁夏的隆德县，整体分布在黄河流域的下部。HL型主要分布在四川的西昌市、陕西的长安区和新城区、青海的湟中县，点状分布在LL型周边，其本身碳排放较高，对低碳聚集具有一定溢出效应。总体来看，县级尺度相比市级尺度具有更强的空间异质性和区域聚集特征，可以确定内蒙古、山东、陕西、宁夏和山西的高碳聚集县域为精准减排区域。
图7 2016年县级尺度碳排放局部空间相关性

Fig.7 Local spatial correlation of carbon emissions at county scale in 2016

比较三种尺度下黄河流域碳排放局部自相关结果可知，三种尺度下地区碳排放均存在空间异质性特征。其中县级尺度具有更为显著的异质性，在省级和市级尺度的宏观定位下，可以更有针对性、更精准定位高碳聚集县域和县域整体时空格局。

2.4 讨论

结果分析表明，本文构建的长时间序列夜间灯光数据集满足精度要求，是黄河流域多尺度碳排放估算模型构建的有效数据来源，为解决因能源统计数据缺失而导致的精细化尺度碳排放估算困难提供了有效的新方法。估算结果表明二者具有显著的正向相关性，这与众多学者的研究结论相符[9,13,20-21]。但考虑到精细化尺度如大部分市级和县级数据的缺失，在市级和县级估算模型的精度有待进一步检验，这与Zhao等[14]研究结果一致。
从研究方法上来看，相比较施开放等[22]仅考察了应用DMSP-OLS数据模拟碳排放，本文结合DMSP-OLS数据引入了时效性更好的NPP-VIIRS数据来更好模拟碳排放时空演变特征；相比Zhao等[14]从单一县域尺度入手，本文从省、市、县等多尺度视角进行空间扩展性研究，为精准化减排提供依据；相比武娜等[16]从晋陕蒙区域为研究视角，本文的研究包含了晋陕蒙能源富集区域。从研究内容上来看，山东半岛碳排放处于高位，这与冯宗宪等[23]研究结论一致；西部的甘肃、青海和宁夏碳排放则为低碳聚集区域，这与黄光球等[17]研究结论较为一致。山西、陕西、河南、内蒙古则为资源大省，碳排放呈现逐年增长态势，这与武娜等[16]、刘华军等[24]研究具有一致的研究结论。由此可见，黄河流域多尺度碳排放存在区域差异性，这种差异性主要是由各地区的资源禀赋、经济发展水平和能源消费强度及结构等因素共同决定。总体来看，本文的研究方法和内容可以为黄河流域节能减排政策的精准制定提供借鉴和参考。

3 结论及政策建议

3.1 结论

①本文在对1992—2013年DMSP-OLS和2012—2016年NPP-VIIRS全球夜间灯光数据分别进行校正的基础上，采用四步法对其进行融合校正。融合校正模型拟合优度为0.8354，满足精度要求。最后得到了黄河流域1995—2016年长时间序列夜间灯光数据集。
②依据黄河流域统计的省级尺度能源消费碳排放量，构建了黄河流域多尺度碳排放估算模型。估算结果显示模型的拟合优度达到0.8482，估算模型有效。进一步精度检验可知平均相对误差为17.25%，平均而言，50%以上的省份估算误差小于25%，满足估算精度要求。
③栅格尺度来看，1995—2016年黄河流域能源消费碳排放量时空演变规律显著，呈现出显著连片扩张趋势，山东、山西、河南和四川碳排放扩张最为显著。省级尺度来看，2016年碳排放量较高省份为内蒙古、山西和河南，最低省份则为青海。由此可见黄河流域中煤炭资源大省和工业大省是节能减排的重点省份。市级尺度来看，2016年碳排放较高城市呈现扩张趋势，主要分布在山东、陕西和内蒙古，具有省级内部差异性。县级尺度来看，2016年高碳县域基本维持在四川广元和内江的市中区；山西太原的清徐县；内蒙古的乌审旗和准格尔旗；山东枣庄、济宁和济南的市中区，具有省级和市级的内部差异性。
④1995—2016年黄河流域多尺度碳排放具有显著的空间正相关性。省级尺度全局相关性增长幅度最大，其次为市级尺度，再次为县级尺度，不同尺度的区域碳排放具有差异现象。从省级尺度来看，省级碳排放仅有甘肃呈现出LL集聚格局；从市级尺度来看，2016年共21.73%的城市呈现出显著性聚集态势，其中HH型和LL型占显著性类型总数的92%，聚集态势由内蒙古和山东的高碳聚集区以及甘肃和青海的低碳聚集区引起；从县级尺度来看，2016年共24.92%的县域呈现出显著性聚集态势，其中HH型和LL型占显著性类型总数的94.58%，聚集态势由高碳聚集区和低碳聚集区引起。

3.2 政策建议

①随着全球遥感技术的不断发展和遥感数据的可获取性，以及本文构建模型的有效性，黄河流域政府部门应积极构建基于遥感数据和统计数据相结合的“省级—市级—县级—栅格级”多尺度碳排放估算模型，建立区域信息共享、工作联动机制，以便为从更为精细化尺度确定精准减排区域提供参考和借鉴。
②考虑到不同尺度下高碳区域呈现聚集态势，且县级尺度局域更为显著的异质性，应在内蒙古、山东、陕西、宁夏和山西的高碳聚集区建立联动机制，确定精准减排区域，对产业结构和能源消费结构进行同步调整，改变区域聚集态势。
③考虑到黄河流域9个省份能源消费碳排放的时空差异性，应分区域制定差异化的减排政策。山东位于我国东部地区，其碳排放量在全国均处于高位，重点减排地区中的枣庄为煤化工和能源基地，济宁和济南为我国重要的装备制造业基地，因此减排策略应侧重于产业结构调整，同时积极培育低碳绿色理念。山西、河南、四川、内蒙、陕西和宁夏则是我国中西部地区主要的能源资源大省，其中精准减排县域内蒙古的乌审旗是煤炭和天然气主产地，准格尔旗是我国煤炭开采及煤化工的重要基地；山西清徐县煤化工产业密集；四川广元和内江矿产资源储备丰富，由此能源结构调整和能源利用效率提升是降低该区域碳排放的重要途径。甘肃和青海则应主动承接东部优势产业，继续保持低碳优势。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
国务院. “十三五”控制温室气体排放工作方案[EB/OL]. http://www.gov.cn/zhengce/content/2016-11/04/content_5128619.htm, 2016-10-27.

[2]
OSAKI M. 2013 Supplement to the 2006 IPCC Guidelines for National Greenhouse Gas Inventories:Wetlands Methodological Guidance on Lands with Wet and Drained Soils,and Constructed Wetlands[R]. 2014.

[3]
新华社. 习近平在河南主持召开黄河流域生态保护和高质量发展座谈会[EB/OL]. http://www.gov.cn/xinwen/2019-09/19/content_5431299.htm, 2019-09-19.

[4]
陆大道, 孙东琪. 黄河流域的综合治理与可持续发展[J]. 地理学报, 2019, 74(12):2431-2436.

DOI

[5]
Liu X, Ou J, Wang S, et al. Estimating spatiotemporal variations of city-level energy-related CO2 emissions:an improved disaggregating model based on vegetation adjusted nighttime light data[J]. Journal of Cleaner Production Journal, 2018, 177:101-114.

[6]
Elvidge C D, Baugh K E, Kihn E A, et al. Mapping city lights with nighttime data from the DMSP operational linescan system[J]. American Society for Photogrammetry and Remote Sensing, 1997, 63(6):727-734.

[7]
Doll C H, Muller J, 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.

[8]
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.

[9]
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.

[10]
Meng X, Han J, Huang C. An improved vegetation adjusted nighttime light urban index and its application in quantifying spatiotemporal dynamics of carbon emissions in China[J]. Remote Sensing, 2017, 9(8):1-20.

[11]
Cui X, Lei Y, Zhang F, et al. Mapping spatiotemporal variations of CO2 (carbon dioxide) emissions using nighttime light data in Guangdong Province[J]. Physics and Chemistry of the Earth,Parts A/B/C, 2019, 110:89-98.

[12]
Zhang X, Wu J, Peng J, et al. The uncertainty of nighttime light data in estimating Carbon dioxide emissions in China:a comparison between DMSP-OLS and NPP-VIIRS[J]. Remote Sensing, 2017, 9(8):797.

[13]
Zhao J, Chen Y, Ji G, et al. Residential carbon dioxide emissions at the urban scale for county-level cities in China:A comparative study of nighttime light data[J]. Journal of Cleaner Production, 2018, 180:198-209.

[14]
Zhao J, Ji G, Yue Y, et al. Spatio-temporal dynamics of urban residential CO2 emissions and their driving forces in China using the integrated two nighttime light datasets[J]. Applied Energy, 2019, 235:612-624.

[15]
王喜, 秦耀辰, 鲁丰先, 等. 黄河中下游地区主要省份低碳经济发展水平的时空差异研究[J]. 地理科学进展, 2013, 32(4):505-513.

DOI

[16]
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

[17]
黄光球, 刘富垒. 陕西省能源消费结构对碳排放强度的作用机理研究[J]. 生态经济, 2019, 35(5):36-41.

[18]
刘玉珂, 金声甜. 中部六省能源消费碳排放时空演变特征及影响因素[J]. 经济地理, 2019, 39(1):182-191.

[19]
刘晓红, 江可申, 魏洁云. 我国经济增长、能源消费、贸易开放度、城镇化和碳排放之间关系——以东部地区为例[J]. 系统工程, 2016, 34(9):81-88.

[20]
Elvidge C D, Baugh K E, Kihn E A, et al. Relation between satellite observed visible-near infrared emissions,population,economic activity and electric power consumption[J]. International Journal of Remote Sensing, 1997, 18(6):1373-1379.

[21]
Lv Q, Liu H, Wang J, et al. Multiscale analysis on spatiotemporal dynamics of energy consumption CO2 emissions in China:Utilizing the integrated of DMSP-OLS and NPP-VIIRS nighttime light datasets[J]. Science of The Total Environment, 2020, 703:134394.

[22]
施开放. 多尺度视角下的中国碳排放时空格局动态及影响因素研究[D]. 上海: 华东师范大学, 2017.

[23]
冯宗宪, 高赢. 中国区域碳排放驱动因素、减排贡献及潜力探究[J]. 北京理工大学学报:社会科学版, 2019, 21(4):13-20.

[24]
刘华军, 石印, 雷名雨. 碳源视角下中国碳排放的地区差距及其结构分解[J]. 中国人口·资源与环境, 2019, 29(8):87-93.

Options
Outlines

/

〈 〉