基于夜间灯光数据的东部七省市碳排放时空演变和监测评估

刘耀辉,刘文毅,仇培元,邢华桥,刘雨敏,王 琪,邢笑天

(山东建筑大学测绘地理信息学院,山东 济南 250101)

随着经济的快速发展,能源需求不断增加,气候变暖问题日益严重,减少碳排放已成为全球关注的重点和共识[1-2]。我国力争在2030年前实现“碳达峰”,在2060年前实现“碳中和”[3]。

目前,监测和评估碳排放主要依靠收集和分析统计数据及能源消耗数据,以计算出不同行业、地区和经济部门的碳排放量[4-5]。尽管此方法准确度和可信度具有一定优势,但为了实现全面的碳排放监测,还需要建立完善的数据采集和共享机制,确保数据的时效性和可比性。夜间灯光数据可以有效估算碳排放,这种方法具有更高的空间和时间分辨率,可以获取更精细的碳排放时空变化,从而克服了传统能源消费碳排放估算方法中滞后性和时态分布性的缺点[6-8]。国内外众多学者已经基于夜间灯光数据对碳排放进行监测和评估[9-12]。如文献[13]基于 DMSP-OLS夜间灯光数据构建了碳排放拟合模型,估算了中国的能源碳排放量;文献[14]将NPP-VIIRS夜间灯光数据转换为DMSP-OLS尺度的夜间灯光数据,证明夜间灯光数据与能源消费碳排放量之间具有较高的相关性;文献[15]基于夜间灯光数据构建面板模型,模拟中国的碳排放量;文献[16]利用夜间灯光数据主观反映能源消费碳排放的时态演变和空间化;文献[17]结合夜间灯光图像与人口网格,更准确地反映夜间灯光数据和碳排放之间的相关性;文献[18]基于夜间灯光数据和碳排放统计数据,提出了面板数据分析,以更高的分辨率模拟中国的二氧化碳时空排放动态。

东部七省市的发展差异较大,能源利用技术相对不完善,能源进口率不断上升。近年来,该地区能源碳排放量不断增长,作为我国碳排放的主要来源地区,准确监测评估和区域化研究碳排放具有重要意义[19-20]。本文利用东部七省市2012-2021年“类NPP-VIIRS”夜间灯光数据和能源消费统计数据,分析该地区2012-2021年的碳排放时空演变特征,揭示人均碳排放强度及单位GDP碳排放强度变化趋势;并建立夜间灯光指数和碳排放拟合模型,以期实现碳排放及时精准监测评估。

1 研究区与数据

1.1 研究区

研究区位于我国东部,包括上海市、江苏省、浙江省、安徽省、福建省、江西省、山东省,共七省市(如图1所示)。研究区总面积为79.83 万km2。截至2022年末,研究区总人口为4.25亿人,GDP高达43.76万亿元。

图1 研究区

1.2 数据源

2012-2021年全球500 m分辨率“类NPP-VIIRS”夜间灯光数据来源于AI Earth地球科学云平台,该数据集不仅具备与NPP-VIIRS夜间灯光数据类似的质量,还能清晰地反映出城市内部的细节信息及其时序上的变化[21-22]。

能源消费数据来源于2012-2021年《中国能源统计年鉴》及各省市统计年鉴;碳排放因子数据来源于《中国能源统计年鉴》及Intergovernmental Panel on Climate Change(IPCC)公布的《2006温室气体排放清单》;人口和GDP数据来源于各省市统计年鉴及政府工作报告。

2 研究方法

2.1 基于统计数据计算碳排放

采用IPCC 公布的《2006温室气体排放清单》计算能源产生的二氧化碳排放量[23-24],以CO2表示。计算公式为

(1)

式中,i为能源种类,本文选择的能源有原煤、焦炭、原油、汽油、煤油、柴油、燃料油、天然气、热力和电力;Ei为能源i的消费量,按标准煤计算;Ki为能源i的碳排放系数,来源于IPCC碳排放计算指南缺省值,原始数据单位为焦(J),为了与统计数据单位一致,将其转化为标准煤,转化关系为1×104t标准煤的排放能量为2.93×105GJ。

2.2 夜间灯光数据处理和指数计算

2.2.1 夜间灯光数据处理

利用行政区划数据对“类NPP-VIIRS”夜间灯光数据进行裁剪,以获取东部七省市的夜间灯光图像。首先,将夜间灯光影像中的负值赋为0,以消除负值对后续处理的不良影响;然后,对裁剪和修正后的夜间灯光数据进行投影转换,采用兰伯特投影,以适应中国地图的地形特征;最后,对数据进行归一化处理,以消除奇异样本数据可能引起的不良影响,获得2012-2021年各省市的夜间灯光数据。

2.2.2 夜间灯光数据计算

常用的灯光指数包括夜间灯光总强度指数(total nighttime light index, TNLI)、平均灯光强度指数(average nighttime light index, ANLI)和综合灯光指数(compounded nighttime light index, CNLI)。本文采用夜间灯光总强度指数,该指数表示行政单元内影像像元亮度值(digital number, DN)总和[25]。计算公式为

(2)

式中,n为栅格的数量;DNi为每个栅格单元的像元辐射值。

2.3 人均碳排放强度和单位GDP碳排放强度

为全面了解碳排放的格局和机理,进一步结合各省市的人口和经济统计数据,研究各省市人均碳排放强度和单位GDP碳排放强度的时空分布特征和影响机理。这将有助于制定和实施相关政策和措施,以减少碳排放并实现可持续发展目标。计算公式为

人均碳排放强度=CO2/p

(3)

单位GDP碳排放强度=CO2/GDP

(4)

式中,CO2为碳排放总量(万t);p为年末常住人口(万人);GDP为地区生产总值(万元)。

2.4 构建拟合模型

采用线性回归模型评估碳排放量,模型截距设置为0。基于数据特征,将其分为5个时间段进行拟合分析。这种拟合分析可以提供关于能源消费与碳排放的情况,为制定碳减排政策和可持续发展战略提供数据支持。计算公式为

CO2=a×TNLI

(5)

式中,CO2为碳排放总量(万t);a为拟合系数。

3 结果和讨论

3.1 东部七省市碳排放时间变化

2012-2021年东部七省市碳排放总体呈上升趋势(如图2所示)。各省市的碳排放总量占比基本保持稳定。具体而言,江西省碳排放增速最快,年均增长率为3.32%。相比之下,上海市碳排放增速最慢,年均增长率为-0.69%。此外,上海市的碳排放总量也最低,仅占东部七省市碳排放总量的5.77%。浙江省的碳排放年均增长率为0.53%,安徽省和福建省碳排放量分别以2.42%和2.65%年均增长率上升。由于江苏省和山东省是东部七省市的社会经济发展大省,因此东部七省市的碳排放量主要来自山东省和江苏省,两省的碳排放总量占东部七省市碳排放总量的50%以上。

图2 2012-2021年东部七省市碳排放时间变化

3.2 东部七省市碳排放空间变化

采用分位数法将2012-2021年东部七省市碳排放量分为5个等级(如图3所示)。由于不同省份的政策导向和产业结构存在差异,因此东部七省市碳排放空间格局也有所变化。由图3可知,山东省始终处于高度碳排放状态。这是由于山东省产业规模的扩大和产业结构的调整对碳排放产生了不减反增的影响。“十二五”以来,随着产业结构调整步伐的不断加快,工业碳排放量实现了快速下降,带动了上海市碳排放总量的下降,因此上海市一直稳居低度碳排放状态。浙江省和安徽省在2018年由中度碳排放上升为中高度碳排放;2020年浙江省降至中度碳排放,但随后又升至中高度碳排放。这是由于两省处于加速崛起和快速发展的阶段,能源消费量持续增加。由于人口、经济产出及能源结构效应等因素,江西省在2016年由低度碳排放升为中低度碳排放,福建省在2020年由中低度碳排放升为中度碳排放。不同省份的碳排放状态受多个因素的综合影响,包括政策导向、产业结构、人口规模和经济发展水平等。进一步研究这些因素之间的关系将有助于制定更有效的碳减排策略和可持续发展措施。

图3 2012-2021年东部七省市碳排放空间变化

3.3 人均碳排放强度和单位GDP碳排放强度

人均碳排放强度是衡量碳排放水平的关键指标之一,也是气候谈判的核心焦点。它在制定有效的碳减排战略和可持续发展方面起着至关重要的作用。2012-2021年东部七省市人均碳排放强度为3.76～9.21 t(如图4所示)。由于江苏省和山东省的经济发展程度较高,能源消费总量大,因此这两个省份的人均碳排放强度最高,并且在一定范围内上下浮动。此外,江西省的碳排放强度较低且人口较少,导致其人均碳排放强度较高。从增长趋势来看,由于江西省、福建省及安徽省人口年均增长速率较低,而碳排放年均增长速率较高,导致人均碳排放强度总体呈上升趋势,分别以3.21%、1.67%、2.16%的速率增长。相反,上海市和浙江省人均碳排放强度总体呈下降趋势。

图4 2012-2021年东部七省市人均碳排放强度变化

研究分析单位GDP碳排放强度有助于引导能源低碳高效利用和促进产业绿色转型。与人均碳排放强度不同,2012-2021年东部七省市单位GDP碳排放强度总体呈稳步下降的趋势(如图5所示)。

这一趋势与国家“十二五”和“十三五”期间大力倡导节能减排、聚焦绿色低碳发展目标及实现绿色低碳转型行动密切相关。山东省的单位GDP碳排放强度最高,主要原因在于该省工业占比较大。相反,上海市的单位GDP碳排放强度最低,这主要得益于产业部门能源强度的下降。此外,由于上海市工业正在逐步完成结构升级与节能增效的过程,因此上海市的单位GDP碳排放强度年均下降率最大,达8.22%。江西省的单位GDP碳排放强度年均下降率最小,为5.87%,主要原因是该省主要依赖高碳排放的煤炭能源,转向低碳排放能源的转化速度较慢。安徽省、浙江省和江苏省的单位GDP碳排放强度在2012-2021年保持稳定下降的趋势。福建省的单位GDP碳排放强度在2013-2016年变化幅度较大,这表明福建省正在逐步调整碳减排政策导向。

3.4 拟合模型构建

东部七省市夜间灯光影像如图6所示。研究发现,该地区碳排放量与夜间灯光指数呈明显的正相关关系。为了进一步探究这种关系,对2012-2021年的数据进行拟合分析,每两年为一个时间段。拟合结果见表1。通过对5个时间段的拟合模型进行评估,发现相关系数R2均高于0.8,平均相关系数达0.841。这表明,利用夜间灯光数据可以更加准确地监测东部七省市的碳排放情况。

表1 2012-2021年东部七省市碳排放拟合回归参数和相关系数

图6 2012-2021年东部七省市夜间灯光强度

3.5 拟合模型精度评定

为进一步检验模型的精度,对基于拟合模型计算得到的碳排放量与真实碳排放量之间的误差进行评估,并计算了5个时间段的平均相对误差,结果见表2。2012-2017年平均相对误差高于30%,而从2018年开始,平均相对误差下降至低于30%。这表明,基于夜间灯光数据进行碳排放的监测评估具有较高的准确性。此外,平均相对误差呈递减趋势,从2012-2013年的36.52%降至2020-2021年的26.02%。这表明基于夜间灯光数据监测碳排放的准确性逐年增强,未来基于夜间灯光数据监测碳排放将具有更高的准确性。

表2 2012-2021年东部七省市碳排放拟合模型平均相对误差

3.6 碳排放政策建议

基于东部七省市碳排放时空演变特征和拟合模型相关系数的变化趋势,本文针对东部七省市的碳减排政策建议为:

(1)山东省、江苏省、浙江省、福建省和上海市等沿海地区应采取积极措施保护和修复蓝碳系统,如红树林、海草床、藻类和海水贝类等。这些措施有助于增加大气中二氧化碳的吸收能力,推动海洋牧场的建设,以提升海洋生态系统和渔业系统的碳汇功能。

(2)安徽省和江西省等内陆省份长期以钢铁、汽车航空等制造产业为支柱。在碳减排策略上,应注重提升节能管理水平,加强能耗和碳排放的控制。可采取措施落实能耗强度刚性约束,将外部能源消耗以电力、热力、蒸汽等介质注入到生产过程中,以实现相关的间接排放控制。

(3)东部七省市应加快推动传统产业向绿色低碳方向转型。积极发展新一代信息技术、新材料、新能源等战略性新兴产业,大力推动绿色低碳制造体系的建设。鼓励工业产品的绿色设计,建设绿色工厂和绿色园区,开展绿色供应链管理。同时,利用先进的减排技术将碳排放的改良成本降至最低,提高生产效率。

4 结 语

本文基于东部七省市2012-2021年的“类NPP-VIIRS”夜间灯光数据和能源消费统计数据,对东部七省市的碳排放时空演变特征进行了分析。通过建立碳排放和夜间灯光的拟合模型,克服了传统方法中统计数据不全及统计口径不一的缺点。研究结果表明,东部七省市的碳排放总量呈持续上升趋势,山东省和江苏省是东部七省市碳排放量的主要来源,而江西省的碳排放量上升速度最快。此外,东部七省市碳排放量和人均碳排放强度呈现北高南低的空间分布格局,而单位GDP碳排放强度则呈现西大东小的格局。拟合模型平均相关系数为0.841 2,且平均相对误差呈递减趋势,这表明基于夜间灯光数据可以更加及时精确地监测和评估碳排放情况。本文为东部七省市制定实施整体化、区域化碳减排政策和可持续发展提供了数据参考和决策支撑。