基于夜间灯光数据的湖南省县域碳排放时空格局及影响因素研究

赵先超, 彭竞霄, 胡艺觉, 张子兮

基于夜间灯光数据的湖南省县域碳排放时空格局及影响因素研究

赵先超, 彭竞霄, 胡艺觉, 张子兮

湖南工业大学城市与环境学院, 株洲 412007

研究碳排放的时空格局演变及影响因素对指导制定差异化的碳减排政策具有重要意义。基于夜间灯光数据, 在估算湖南省各县区碳排放量的基础上, 结合空间统计、空间自相关、热点分析、地理加权回归、GIS等方法研究了湖南省县域碳排放的空间分异、时空格局特征与影响因素。研究结果表明: (1)2013—2017年, 湖南省能源消费碳排放总体上呈现东高西低的空间格局, 碳排放主要集中于区域的市辖区, 县域碳排放最高点在长沙市市辖区; (2)湖南省能源消费碳排放存在较为显著的空间正相关, 全省县域尺度能源消费碳排放全局Moran's I指数整体呈现出逐年上升的趋势, 各市的市辖区在中心相互辐射, 表现出显著的集聚现象, 并形成了碳排放“高-高型”分布特征; (3)湖南省能源消费碳排放量的冷热点格局表现出湘南地区冷点扩张, 湘中地区热点扩张的演变趋势, 从2013年到2017年, 热点区与次热点区由11个升至13个, 湘中地区与其他地区的冷热点差距在逐步拉大; (4)影响湖南省县域能源消费碳排放量的4个影响因素与碳排放均表现为正相关性, 其影响程度依次为人口、人均GDP、第二产业比重与单位GDP能耗。

县域尺度; 夜间灯光数据; 碳排放量; 时空格局; 湖南省

0 前言

全球气候变暖是当前世界各国所面临的巨大挑战之一。IPCC(Intergovernmental Panel on Climate Change)第四次评估报告显示, 化石能源消费产生的二氧化碳等温室气体是造成全球气候变暖的主要原因[1]。作为一个负责任的国家, 在哥本哈根世界气候大会期间, 中国政府承诺到2020年单位国内生产总值二氧化碳排放比2005年下降 40%至45%。对节能减排目标而言, 碳减排与碳排放分配需考虑不同地区的经济发展水平与能源消耗情况。从这个层面上讲, 科学估算某一地区碳排放并在此基础上进行时空格局及影响因素研究对于指导区域碳减排、低碳转型发展工作则显得尤为重要。

当前, 国内外诸多学者对能源碳排放驱动因素[2]、碳排放时空格局动态[3-6]以及空间相关性与差异性[7-9]等问题进行了大量研究。从总体上看, 现有研究成果多侧重于省域或市域尺度的碳排放估算与时空格局动态分析, 县域尺度的碳排放估算与分析较少。然而, 对区域碳排放时空格局动态研究来讲, 研究尺度较大会导致难以更加准确地反映出区域内部碳排放的时空格局特征, 而细化到县级尺度则可以进一步科学、准确地反映碳排放时空演变特征, 从而为区域具体的碳减排政策制定提供更有效的参考。正是在这一背景下, 国内已有部分成果开始涉及县域尺度的碳排放研究, 比较有代表性的成果主要有: 苏泳娴基于DMSP/OLS夜间灯光影像实现了以市级为基础单元的我国碳排放估算[10]; 孙秀锋基于空间分辨率为1km的碳排放栅格数据计算了重庆38个区县的碳排放数据, 并探讨了重庆县级尺度碳排放的区域差异和空间格局演变特征[11]; 汪浩运用人口占比分配法计算了京津冀都市圈县级区域的二氧化碳排放量数据, 并对其空间格局和空间依赖性进行研究[12]; 郭忻怡则综合DMSP/OLS夜间灯光影像和NDVI数据, 构建了碳排放的空间滞后回归模型并开展江苏省碳排放的空间分布模拟[13]。综合来看, 目前多数研究碳排放时空格局动态的成果主要针对国家、省级以及市级等中宏观尺度[11], 仅有少数研究县级尺度的碳排放时空格局动态, 且主要集中在东部地区, 对于中西部地区的案例研究却鲜见涉及。进一步来看, 现有县域碳排放的计算多是基于夜间灯光数据来进行, 这一方法可以很好的弥补县域尺度碳排放相关数据不易获取的缺点, 且已被国内外学者证明夜间灯光数据可用于进行碳排放量的估算, 但现有研究均是利用DMSP/OLS夜间灯光数据进行估算, 这一数据在2013年以后停止更新, 不适用于近期研究, 而NPP/VIIRS夜间灯光影像可以弥补2013年以后数据的空白[13-15]。

随着工业化水平的提高与城市化进程的加快, 作为我国中部地区“两型社会”建设综合配套改革试验区建设的重点依托省份之一, 湖南省对于能源的需求必然是急剧、大量增长的, 由此产生的碳排放也会显著提高, 而湖南省缺煤少油少气的现状, 迫使湖南省需要走低碳环保、集约高效的绿色发展之路, 这也给正在处于快速工业化进程中的湖南省带来了严峻挑战[16]。当前, 湖南各市域乃至县域的产业结构、经济发展和能源消费等差异较大, 所体现的碳排放格局也明显不同, 区域内部的关系与差异, 必然会对湖南省碳排放的时空格局动态产生深远的影响。本文即以此为切入点, 从县域尺度出发, 基于夜间灯光数据, 利用空间统计、空间自相关、热点分析、地理加权回归与GIS等方法探讨湖南省县域尺度碳排放的区域时空格局特征与影响因素, 有利于在理论层面充实县域尺度的碳排放研究成果, 在实践层面可以为湖南省两型社会建设与碳减排策略提供一定的科学依据, 从而有利于针对性的提出与湖南省各县市相适应的碳减排政策。

1 研究区概况

湖南省属于中部六省之一, 位于长江中游, 洞庭湖以南, 地跨东经108°47′—114°15′、北纬 24°38'—30°08′之间, 东邻江西, 西接重庆、贵州, 南靠广东、广西, 北连湖北。辖区东西宽667 km, 南北长774 km, 幅员面积21.18万km2。截止2017年, 下辖13个地级市和1个自治州(122个县、市、区)。需要特别说明的是, 考虑到地级市辖区面积普遍较小, 基于研究需要以及更好地进行地图形象化展示, 本文合并各市市辖区(即把市辖区视为一个研究区), 即在具体碳排放计算与分析时以湖南省100个县、县级市、市辖区(以下统称为县区)作为研究对象(图1)。

2 数据来源与研究方法

2.1 数据来源及处理

数据来源包括NPP/VIIRS夜间灯光影像以及湖南省100个县区的统计数据。

(1)NPP/VIIRS夜间灯光影像。采用的2013—2017年VIIRS/DNB年月平均灯光辐射数据, 来源于美国国家地球物理数据中心(NGDC)下属的地球观测小组(EOG)(https://www.ngdc.noaa.gov/eog/viirs/ download＿monthly.html)。该数据相比DMSP/OLS夜间灯光数据, 不存在像元值过度饱和问题, 其在轨检验校正程序上也大幅提高了影像的清晰度, 但NPP/VIIRS原数据并没有过滤背景噪声, 本文主要借鉴Ma的方法去除极小值以及背景噪声[17], 得到稳定的夜间灯光数据, 并将月数据利用栅格计算器计算组合为年合成影像。经过校正裁剪后的湖南省夜间灯光影像如图2所示。

(2)统计数据。湖南省能源消费碳排放时空格局与影响因素研究所涉及到的数据主要来源于《湖南省统计年鉴》, 包括2013—2017年的湖南省各县(市、区)的人口、GDP、人均GDP、综合能源消费量等数据。

图1 湖南省100个县区示意图

Figure 1 The location diagram of 100 hundred districts in Hunan Province

图2 湖南省2017年夜间灯光影像

Figure 2 Night light images in 2017 in Hunan Province

2.2 研究方法

2.2.1 碳排放量测算

采用联合国政府间气候变化专门委员会(Inter­governmental Panel on Climate Change, IPCC)《国家温室气体排放清单指南》[1]中提供的能源消耗碳排放计算公式1展开。

式中,为碳排放量;E为第类能源的消耗量;δ为第类能源的碳排放系数。

2.2.2 夜间灯光数值与碳排放量拟合

研究表明, 同一区域的碳排放总量与夜间灯光总量之间有较好的相关性[18-19]。基于此, 本文将校正后的夜间灯光数据裁剪后得到湖南省各县区夜间灯光数据, 统计出湖南省夜间灯光数据总值(TDN), 并与相应年份的碳排放总量进行拟合分析(式2), 拟合结果在0.01水平上显著相关,2为0.8545, 碳排放量与夜间灯光值的关系如式3:

=0.2268×+7022.8(式2)

C=0.0306×(式3)

式中,为碳排放总量;C为第个县区单元的碳排放量;为校正后的湖南省夜间灯光数据总值;为第个县区单元的夜间灯光数值。

2.2.3 空间自相关

为探讨湖南省县域碳排放之间潜在的空间依赖、空间关联和差异程度, 运用Moran's I 指数与热点分析(Getis-Ord Gi*)对湖南省县域碳排放空间自相关进行研究, 其中Moran's I 指数包括全局Moran's I 指数(Global Moran's I)和局部Moran's I指数(Anselin Local Moran's I)。

(1)全局 Moran's I 指数。

全局 Moran's I 指数可度量空间邻接县区碳排放量的相关集聚程度, 全局Moran's I指数介于-1至1之间, Moran's I指数大于0表示存在空间正相关, 其值趋向于1时, 表示碳排放总体空间相关性越明显, 即碳排放较高(或较低)的县区单元呈现空间集聚分布; Moran's I指数小于0表示县域碳排放与周围县区存在显著差异, 其值越趋近于-1, 即表示县域碳排放在空间上差异越大; 等于0则表示不存在空间关联性, 即县域碳排放空间模式呈随机性。

(2)局部Moran's I指数。

全局Moran's I指数仅能揭示湖南省县域碳排放在整体上的空间集聚程度, 不能反映各县区与相邻县区之间碳排放的空间相关性及集聚类型, 而局部Moran's I指数能弥补上述不足。根据所得的结果值可将县区划分成HH(高值聚类)、HL(高值被低值包围)、LH(低值被高值包围)与LL(低值聚类)四种情况, 如Moran's I指数为正,为正, 即县区位于HH(高值聚类)象限。

(3)热点分析。

热点分析可揭示全局Moran's I指数所掩盖的局部不稳定性, 并在全局空间自相关的基础上进一步测算碳排放在空间集聚的具体位置和区域相关程度[6], 且热点分析对权重的敏感度高于局部空间自相关分析的敏感度。通过其结果, 可以得出热点区或冷点区在空间上发生聚类的位置, 识别具有统计显著性的热点和冷点。

2.2.4 地理回归加权模型(Geographical Weighted Regression, GWR)

为探讨湖南省县域碳排放的区域差异及其背后的驱动因素, 考虑影响因素变量的空间位置与碳排放的空间回归关系, 运用地理加权回归模型进行模拟研究。其公式如下:

式中,Z表示因变量;0是回归常数;为县区单元数; (A,B)表示第个县区的地理位置坐标(作为地理加权);i(A,B)表示第个县区上的第个回归系数, 是地理位置函数;e是随机误差。其中, 加权时采用高斯函数(ADAPTIVE)构建加权函数, 带宽采用信息准则(AIC)法与核密度估计。

3 结果与分析

3.1 各县区碳排放的整体时空格局

2013—2017年, 湖南省碳排放呈现持续增长的趋势, 为更好地在横向上比较湖南省各县区碳排放的空间格局和在纵向上比较碳排放的时空转变, 将湖南省各县区碳排放量根据自然间断点分级法进行统一调整划分, 即将湖南省的各县区划分为四类不同的碳排放区(见图3): 1)重度碳排放型: 年碳排放量规模超过300万t; 2)中度碳排放型: 年碳排放量规模为100—300万t; 3)一般碳排放型: 年碳排放量规模为30—100万t; 4)轻度碳排放型: 年碳排放量规模为小于30万t。

基于上述划分标准, 湖南省县域能源消费碳排放存在显著的空间差异, 碳排放总体上呈中高四周低的格局, 具有较为明显的聚集现象, 重度碳排放区域和轻度碳排放区域都较为集中。

图3 2013—2017年湖南省县域能源消费碳排放量

Figure 3 The carbon emissions from energy consumption in Hunan Province from 2013 to 2017

从年度上看, 2013年, 湖南省各县区能源消费碳排放量中, 重度碳排放型有6个, 中度碳排放型有8个, 一般碳排放型有22个, 轻度碳排放型有64个, 分别占比为6%、8%、22%与64%。其中重度碳排放型中碳排放最高的是长沙市市辖区(1967.85万t), 其次为长沙县(559.88万t), 这些县区碳排放量较大与其人口、经济高度集聚有关; 碳排放最低的县区是古丈县(2.91万t), 其次为双牌县(3.00万t), 均低于3万t, 这些区域支柱产业多为农业或旅游服务业, 经济发展对耗能产业的依赖较小, 从而在较大程度上影响其成为湖南省能源消费碳排放的低值区。2017年, 湖南省各县区中重度碳排放型有7个, 依次长沙市市辖区(2462.95万t)、长沙县(901.96万t)与湘潭市市辖区(678.37万t)。多数县区碳排放较2013年均有不同程度的增加, 如重度碳排放的县区由2013年的6个上升到2017年的7个, 中度碳排放的县区由2013年的8个上升到2017年的12个, 而一般碳排放型由22个降到45个, 轻度碳排放的县区由2013年的64%下降到2017年的36%。其中, 常德市市辖区与衡阳市市辖区由中度碳排放型变为重度碳排放型, 浏阳市、张家界市市辖区、醴陵市、吉首市市辖区和湘潭县由一般碳排放型转为中度碳排放型, 其中, 郴州市市辖区由原来的重度碳排放型转变为中度碳排放型; 溆浦县、石门县、临湘市等33个县区由轻度碳排放型转为了一般碳排放型, 这与湖南省城镇化、经济、人口快速发展紧密相关。

从湖南省能源消费碳排放量变化趋势看, 湖南省县区能源消费碳排放年均增长率前十位与后十位的县区如图4所示。从图中可以看出, 湖南省100个县区的能源消费碳排放呈现出不同的变化趋势, 变化趋势分异明显, 其中年均变化速率为增加的县区有85个, 年均变化速率为下降的县区则有15个, 整体偏上升趋势, 平均变化速率为16.26 %。根据各县区能源消费碳排放的年均变化速率的差异可以分成三类: 1)增长趋势型(增长率大于5%), 即县区2013—2017年碳排放年均变化速率整体呈增长趋势, 共71个, 其中增长最为显著的是新田县(94.88%)、石门县(77.05%)、南县(70.73%)等。究其原因一方面可能是由于碳排放基数较小, 如古丈县2013年能源消费碳排放量仅为6.43万t, 能源消费增长导致碳排放的增加, 极易形成较高的年均增长率; 另一方面, 经济的快速发展使这些区域不可避免的经历着快速的城市化进程, 同时也承接着省会所属县区等部分城市高耗能工业企业的产业转移, 导致对能源、交通等需求增多, 碳排放也随之增长。2)稳定趋势型(增长率小于5%, 大于-5%), 即县区2013—2017年能源消费碳排放年均变化速率整体波动幅度不大, 年均变化速率呈稳定趋势, 共21个, 如娄底市市辖区(0. 19%)、嘉禾县(0.19%)、冷水江市(-1.20%)与临武县(1.46%)。3)下降趋势型(增长率小于-5%), 即县区2013—2017年能源消费碳排放年均变化速率整体呈下降趋势, 共8个, 其中韶山市(-13.56%)下降幅度最大, 其次为安仁县(-11.48%)、江永县(-10.79%)、永兴县(-8.22%)、汝城县(-8.09%)等。

3.2 碳排放空间自相关分析

基于Queen标准的一阶空间权重矩阵, 利用ArcGIS10.2软件的空间分析功能, 对湖南省2013—2017年100个县区的能源消费碳排放量进行全局空间自相关分析, 得出各年份的全局 Moran's I 指数(见表1)。

图4 2013—2017年湖南省县域能源消费碳排放年均增长率前十的县区(a)与后十的县区(b)

Figure 4 The front 10 districts (a) and behind 10 districts(b) of average annual growth rate for carbon emissions from energy consumption in Hunan Province from 2013 to 2017

由表1可知, 2013—2017年间, 湖南省县域碳排放之间存在着空间正相关关系, 各年全局Moran's I指数值均为正值, 且都通过了p值小于0.01, z值大于2.58的显著性水平检验。这表明湖南省内相邻县区的碳排放呈现极为显著的空间自相关, 即湖南省县域碳排放在空间上呈现极为显著的集聚现象, 碳排放量较高(或较低)的县区相互邻近。从时间上看, 湖南省县域能源消费碳排放量空间自相关Moran's I指数在整体上呈现上升的趋势, 空间相关性逐年增加, 其中2017年为峰值(0.2635), 从侧面说明了湖南省不同县区之间的碳排放量总体差异近几年在逐渐缩小。

检验全局Moran's I指数仅能从整体上判断和识别湖南省能源消费碳排放的空间分异, 无法揭示其内部碳排放的空间集聚特征。为进一步表达各县区碳排放量在内部空间位置上的相互关联关系, 依次选取2013、2015 和2017年3个时间截面对湖南省县域尺度能源消费碳排放进行局部空间自相关(Local Moran's I)分析。可知, 基于Queen标准空间权重矩阵的湖南省县域能源消费碳排放量差距并不显著, 仅出现高-高型(High-High Cluster), 显示仅长沙市市辖区、湘潭市市辖区、株洲市市辖区、长沙县、宁乡县满足5%的显著性水平。从整体上看, 这些区域能源消费量较大, 又属于经济相对发达区。从时间变化来看, 长沙市市辖区、株洲市市辖区、湘潭市市辖区与长沙县一直处于高-高型, 宁乡县则在2017年从局部相关性不显著转为高-高型。以上分析表明, 湖南省县域能源消费碳排放虽然全局空间自相关显著, 但在存在局部自相关区域体现并不明显, 说明湖南省内部县域能源消费碳排放量与其周边县区的碳排量差距不大, 同时也体现了局部空间自相关分析较全局分析的优势所在。

表1 湖南省县域能源消费碳排放量空间自相关 Moran's I 指数(2013—2017)

3.3 碳排放热点分析

利用ArcGIS10.2计算2013、2015和2017年3个时间截面的湖南省县域能源消费碳排放量空间相互关联系数Gi*, 并按照自然间断点分级法对Gi*统计值数值划分为热点区、次热点区、次冷点区和冷点区4个等级, 得到湖南省县域能源消费碳排放量的空间格局热点演化图(图5)。相比于局部空间自相关, 热点分析对于能源消费碳排放量的集聚状态反映的更加明显。

从整体上来看, 湖南省县域能源消费碳排放的冷热点格局在湘中地区转化体现较为明显。从2013年到2017年, 碳排放量热点略微扩张, 热点区由2013年的7个升至9个, 次热点区维持4个不变, 次冷点区由2013年的26个变为20个, 冷点区则增加了4个, 变化较为显著, 其中湘中地区的株洲市和浏阳市由次热点区转变为热点区, 醴陵县和桃江县由次冷点区变为次热点区, 衡阳县、娄底市市辖区和桃源县由冷点区转变为次冷点区, 而湘南地区由2013年的宜章县、临武县、郴州市市辖区、桂阳县、永兴县和资兴市6个县区以及双峰县共7个次冷点区转变为冷点区, 这应该与这些地区近年来能源消费碳排放量的增加或减小有关。从2013年到2017年碳排放量的冷热点格局变化来看, 整体表现出湘南地区冷点扩张, 湘中地区热点扩张的趋势, 这也表明了湖南省县域能源消费碳排放量在整体上差距在逐步扩大, 而在局部地区较为集聚, 且差距在局部缩小。

图5 2013—2017年湖南省县域能源消费碳排放量的空间格局热点演化

Figure 5 Hot spot evolution of spatial patterns for carbon emissions from energy consumption in Hunan Province from 2013 to 2017

3.4 碳排放主要影响因素分析

为进一步分析湖南省县域能源消费碳排放量空间差异背后的驱动因素, 继续利用ArcGIS10.2对湖南省100县区能源消费碳排放的影响因素进行地理加权回归分析。参考相关成果[16,20], 主要选取人口(用常住人口数量表征)、经济(用人均GDP表征)、技术水平(用单位GDP能耗表征)与工业结构(用第二产业结构所占比重表征)等四个因素来分别研究其对碳排放量空间差异的影响。为避免某一年份时间截面上数据的误差, 将2013—2017年(单位GDP能耗数据为2013-2016年)各年份的4个指标求取平均值进行GWR分析, 得到湖南省县域碳排放量各影响因素的GWR模型回归系数空间分布图(图6)。由图可知, 4个因素的回归系数均为正, 说明各因素与碳排放均呈正相关关系, 其中人口的影响最为显著, 其次依次是人均GDP、第二产业比重、单位GDP能耗。

图6 GWR模型四大影响因素的回归系数空间分布

Figure 6 Spatial distribution of regression coefficient for four influence factors of GWR model

从人口回归系数来看, 其影响程度整体呈现东北高西南低的格局, 高值区主要集中于湘中湘北长株潭岳阳益阳一带, 低值区则聚集在湘西邵阳怀化吉首一带, 碳排放量受人口影响最大、回归系数最高的是湘阴县, 碳排放量受人口影响最小、回归系数最低的是隆回县; 人均GDP对碳排放量的影响仅次于人均GDP, 说明人均GDP增长对碳排放量的增加也较为明显, 人均GDP对碳排放量的敏感区域主要也集中在湖南湘西北一带, 同时湘中湘北部分县区也较为集聚, 其中碳排放量受人均GDP影响最多、敏感度最高、回归系数最大的是石门县, 碳排放量受人均GDP影响最少、敏感度最低、回归系数最小的是桂东县。

第二产业比重对能源消费碳排放量的回归系数较人均GDP和人口的有所降低, 其回归系数在空间上呈现出由湘西北向湘东南递增的趋势, 说明在其他因素相等的情况下, 湘南地区碳排放量受第二产业比重的影响最大, 回归系数最高的县区为汝城县, 湘西地区碳排放量受第二产业比重的影响最小, 回归系数最低的县区为龙山县; 单位GDP能耗回归系数最低的是怀化邵阳地区的溆浦县、新邵县和邵东县, 回归系数自西北到东南一线向东北和西南逐渐增大, 呈现出中部向东北和西南递增的趋势, 其回归系数最高的县区为城步县。

4 讨论与结论

本文在基于夜间灯光数据并估算湖南省100个县区碳排放量的基础上, 结合空间自相关、热点分析方法、地理加权回归以及ArcGIS技术手段研究了湖南省县域碳排放量的空间自相关性、热点区及集聚特性与影响因素。结果表明:

(1)2013—2017年, 湖南省县域能源消费碳排放存在显著的空间差异, 总体上呈东高西低的格局, 且碳排区域具有明显的聚集现象, 其碳排放最高点在长沙市市辖区, 同时远郊县区碳排放增长率高于主城辖区。

(2)湖南省县域尺度能源消费碳排放各年全局Moran's I指数值均为正, 存在极为显著的空间正相关。2013—2017年, 湖南省全局Moran's I指数整体上呈现出逐年上升的趋势, 这说明不同县区碳排放的空间集聚程度逐渐升高。

(3)湖南省县域能源消费碳排放量之间差距并不显著, 仅出现高-高型, 显示仅5个县区满足5%的显著性水平, 表明湖南省内部县域碳排放量与其周边县区的碳排量差距不大。

(4)湖南省县域能源消费碳排放的冷热点格局由东高西低逐渐转向中高四周低的态势, 表现出湘南地区冷点扩张, 湘中地区热点扩张的趋势。从2013年到2017年, 热点区与次热点区由11个升至13个, 冷点区则增加了4个, 湘中地区与其他地区的冷热点差距在逐步拉大。

(5)影响湖南省县域能源消费碳排放量的4个影响因素与碳排放均呈正相关关系, 其影响程度的大小依次为人口>人均GDP >第二产业比重>单位GDP能耗。

值得注意的是, 碳排放量不仅只是由能源消费碳排放一种构成, 并且由于县域层面数据获取受限, 加之夜间灯光数据在不同区域的特色地理位置以及数据矫正方法上的局限性, 现研究只能以之示意整体, 这在以后需要深入进行研究补充。为了确保碳排放模拟值的准确性, 将湖南省夜间灯光数据总值与相应年份碳排放总量的拟合度(0.8545)与苏泳娴等[10](拟合度0.818)和武娜等[21](拟合度0.8650)的研究对比, 结果较为一致, 可见建立的拟合模型可靠性较高。此外, 对比国内其他以省域[22]、市域[10]、县域[11]尺度碳排放空间自相关的相关研究, 从总体上看, 不管是在省域尺度、市域尺度还是县域尺度, 我国碳排放的全局Moran's I指数均为正值, 这与湖南省县域尺度能源消费碳排放的全局Moran's I指数表现基本一致, 而湖南省碳排放局部自相关未呈现出明显的“HL”、“LH”和“LL”的空间集聚类型, 这可能与研究尺度与空间依赖对象不同有关, 从而呈现比较平衡且不显著的空间分布格局。

[1] IPCC. Climate Change 2007: The AR4 Synthesis Report[M]. Geneva: Intergovernmental Panel on Climate Change, 2007.

[2] LIU Yansui, YAN Bin, ZHOU Yang. Urbanization, economic growth, and carbon dioxide emissions in China: a panel cointegration and causality analysis. Journal of Geographical Sciences, 2016, 26(2): 131–152.

[3] MA Chun, JU Meiting, ZHANG Xiaochun, et al. Energy consumption and carbon emissions in a coastal city in China[J]. Procedia Environmental Sciences, 2011, 4: 1–9.

[4] HE Jiankun, DENG Jing, SU Mingshan, et al. CO2emission from China’s energy sector and strategy for its control[J]. Energy, 2010, 35(11): 4494–4498.

[5] ROUT U K, A Vo. Energy and emissions forecast of China over a long-time horizon[J]. Energy, 2011, 36(1): 1–11.

[6] 胡艳兴, 潘竟虎, 王怡睿. 基于ESDA-GWR的1997—2012年中国省域能源消费碳排放时空演变特征[J]. 环境科学学报, 2015, 35(6): 1896–1906.

[7] 王文秀, 匡耀求, 黄宁生. 广东省能源消费碳排放空间自相关分析[J]. 环境科学与技术, 2014, 37(3): 180– 187+193.

[8] 胡雪瑶, 焦文献, 陈兴鹏, 等. 河南省能源消费碳排放动态变化及空间分异[J]. 地域研究与开发, 2017, 36(4): 147–152.

[9] 马彩虹, 邹淑燕, 赵晶, 等. 西北地区能源消费碳排放时空差异分析及地域类型划分[J]. 经济地理, 2016, 36(12): 162–168.

[10] 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.

[11] 孙秀锋, 施开放, 吴健平. 县级尺度的重庆市碳排放时空格局动态[J]. 环境科学, 2018, 39(6): 2971–2981.

[12] 汪浩, 陈操操, 潘涛, 等. 县域尺度的京津冀都市圈CO2排放时空演变特征[J]. 环境科学, 2014, 35(1): 385–393.

[13] 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.

[14] ELVIDGE C D, IMHOF M L, BAUGH K E, et al. Night time lights of the world: 1994-1995[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2001, 56(2): 81–99.

[15] RAUPACH M, RAYNER P, PAGET M. Regional variations in spatial structure of night lights, population density and fossil fuel CO2emissions[J]. Energy Policy, 2009, 2: 61–65.

[16] 刘贤赵, 高长春, 宋炎, 等. 湖南市域化石能源消费碳排放时空格局及驱动因素[J]. 生态学报, 2017, 37(7): 2476–2487.

[17] MA Ting, ZHOU Chenghu, TAO Pei, et al. Responses of Suomi-NPP VIIRS-derived nighttime lights to socioe­conomic activity in China’s cities[J]. Remote Sensing Letters, 2014, 5 (2) : 165–174.

[18] 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.

[19] 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(广州地球化学研究所), 2015.

[20] 赵先超. 湖南省能源消费碳排放的系统分析与复合调控[D]. 长沙: 湖南师范大学, 2014.

[21] 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.

[22] 胡艳兴, 潘竟虎, 李真, 等. 中国省域能源消费碳排放时空异质性的EOF和GWR分析[J]. 环境科学学报, 2016, 36(5): 1866–1874.

Spatial-temporal pattern and influence factors of county carbon emissions in Hunan Province based on nightlight data

ZHAO Xianchao, PENG Jingxiao, HU Yijue, ZHANG Zixi

College of Urban and Environmental Sciences, Hunan University of Technology, Zhuzhou 412007, China

Studying the spatiotemporal pattern evolution and influence factors of carbon emissions is a great significance to guide the formulation of differentiate carbon emission reduction policies. Based on the nightlight data, we estimated the carbon emissions of each county in Hunan Province by combining with spatial statistics, spatial autocorrelation, hot spot analysis, geographic weighted regression, GIS and other methods to study the spatial differentiation, spatial and temporal pattern characteristics and influencing factors. The results show that: (1) From 2013 to 2017, the carbon emissions of energy consumption in Hunan Province generally showed a spatial pattern of high in the east and low in the west. Carbon emissions were mainly concentrated in the regional municipal jurisdictions, and the highest point of county carbon emissions was in the municipal jurisdiction of Changsha. (2) There was a significant spatial positive correlation between the energy consumption carbon emissions of Hunan Province. The overall Moran's I index of the county-level energy consumption carbon emissions of the province showed an upward trend year by year. The municipal districts of each city radiated each other in the center, showing a significant agglomeration phenomenon, and formed the "high-high" distribution characteristics of carbon emissions. (3) The cold-hot state of energy consumption carbon emissions in Hunan Province showed the expansion of cold spots in southern Hunan and the evolution of hot spots in central Hunan. From 2013 to 2017, the number of hot spots and sub-spots rose from 11 to 13. The difference between the cold-hot spots in the central region and other regions was gradually widening. (4) The four factors that affect the carbon emission of energy consumption in Hunan Province are positively correlated with the carbon emission, and their influence degrees are population, GDP per capita, the proportion of the secondary industry in turn and energy consumption per unit GDP.

county scale; nightlight data; carbon emissions; spatio-temporal pattern; Hunan Province

10.14108/j.cnki.1008-8873.2022.01.011

赵先超, 彭竞霄, 胡艺觉,等. 基于夜间灯光数据的湖南省县域碳排放时空格局及影响因素研究[J]. 生态科学, 2022, 41(1): 91–99.

ZHAO Xianchao, PENG Jingxiao, HU Yijue, et al. Spatial-temporal pattern and influence factors of county carbon emissions in Hunan Province based on nightlight data[J]. Ecological Science, 2022, 41(1): 91–99.

F127; F205

A

1008-8873(2022)01-091-09

2020-05-08;

2020-05-31

国家统计局科学研究重点项目(2019LZ27); 湖南省社科基金(20JD026); 湖南省研究生科研创新基金资助项目(CX2018B738); 湖南省大学生创新训练项目(S202011535032)

赵先超(1983—), 男, 山东郓城人, 博士, 教授, 主要从事低碳生态规划与低碳发展模拟等方面的研究, E-mail: zhaoxianchao1983@163.com