基于衛星夜間燈光數據的中國分省碳排放時空模擬

馬忠玉+肖宏偉

摘要 中國能源統計數據“橫向不可比，縱向不可加”現象依然突出，尤其是分省能源消費統計千差萬別，給分省碳排放評估帶來了較大困難，如何利用衛星遙感數據科學合理地估算中國分省碳排放是當前亟須研究的問題。本文運用DMSP/OLS全球穩定夜間燈光數據，在通過相互校正、年內融合和年際間校正等系列處理得到中國分省穩定夜間燈光數據的基礎上，首先分別構建中國分省穩定夜間燈光亮度DN值與人均碳排放和單位面積碳排放之間的時空地理加權回歸模型，兩個模型整體效果均較好，擬合優度分別高達96.74%和99.24%；其次運用穩定夜間燈光亮度DN值對分省人均碳排放和單位面積碳排放進行時空模擬；最后運用人口規模和土地面積對分省碳排放進行估算。估算結果顯示：①整體來看，2000—2013年年均碳排放模擬值與實際值6.3349×109 t較為接近，兩個模型的相對誤差均在0.5%以內。②分年度來看，所有年份的相對誤差均在5%以內，2006年分省加總碳排放模擬值與實際碳排放6.2036×109 t最為接近，絕對誤差和相對誤差均較小，兩個模型模擬值的相對誤差均為0.04%。③分省域來看，2000—2013年年均碳排放模擬值與實際碳排放均非常接近，除海南和寧夏外，其余28個省區市的相對誤差均在1%以內。④分年度分省域來看，以2013年為例，40%省份的相對誤差在2%以內，70%省份的相對誤差在5%以內。從整體、分年度、分省域、分年度分省域的估算結果來看，基于穩定夜間燈光數據的中國分省碳排放時空模擬效果良好。因此，運用衛星夜間燈光數據可以較為準確地對中國分省碳排放進行估算和預測，為衛星遙感影像數據服務分省碳排放監測和評估提供一種補充性參考。

關鍵詞 DMSP/OLS夜間燈光數據；碳排放；時空地理加權回歸；模擬

中圖分類號 F205文獻標識碼 A文章編號 1002-2104（2017）09-0143-08DOI：10.12062/cpre.20170502

中國政府高度重視應對氣候變化問題，向全世界負責任地承諾到2030年單位GDP碳排放比2005年下降60%—65%，2030年左右碳排放達峰，同時北京、廣州、鎮江等部分省市承諾2020年左右達峰，四川、海南、延安等多個省市承諾2030年左右達峰，這既是中國積極應對氣候變化，承擔合理國際責任的決心，也是中國彰顯引領全球走綠色低碳發展道路的信心。目前中國能源統計數據之間“橫向不可比，縱向不可加”現象依然突出，尤其是分省能源消費總量與結構的統計千差萬別，給分省碳排放評估帶來了較大困難。隨著中國衛星遙感技術的飛速發展，2016年12月22日中國首顆碳衛星成功發射，衛星影像數據將不斷豐富，如何利用衛星遙感數據科學合理地估算中國分省碳排放，進而根據分省碳排放時空變化特征有針對性地制定省域碳減排政策，成為衛星遙感大數據時代下亟須研究的重大課題。美國軍事氣象衛星DMSP搭載的OLS傳感器獲取的全球夜間燈光數據，是監測人類活動強度的理想數據源，而碳排放與人類生產生活密切相關，因此可以運用DMSP/OLS全球夜間燈光數據對碳排放進行有效估算。本文綜合運用全球夜間燈光數據和CO2排放、人口規模、土地面積等統計數據，在考慮區域空間異質性的基礎上，建立基于DMSP/OLS夜間燈光數據的分省碳排放時空地理加權回歸模型，開展分省碳排放估算，為利用衛星遙感影像數據開展分省碳排放監測和評估提供一種補充性參考。

1 文獻綜述

從20世紀80年代以來，隨著DMSP/OLS全球夜間燈光影像數據的逐步完善，國內外學者圍繞夜間燈光數據在城鎮化監測、經濟增長評估、電力消費模擬等方面的應用研究越來越多，但在碳排放估算方面的應用研究相對較少。

全球和國家層面的研究主要首先探尋全球主要經濟體夜間燈光亮度與碳排放之間的相關性，在確定兩者存在相關關系的基礎上，建立回歸分析模型對碳排放進行估算。如Elvidge[1]等人基于DMSP/OLS全球夜間燈光影像數據，對全球21個國家夜間燈光亮度與GDP、電力消耗、碳排放等指標進行相關性分析，最先發現夜間燈光亮度與碳排放之間存在相關性。Doll[2]等人運用1994年10月至1995年3月期間全球不同發展水平的46個國家的DMSP/OLS夜間燈光亮度值與碳排放進行統計分析，發現夜間燈光亮度值與碳排放在統計上顯著高度相關，表明運用全球夜間燈光數據來描繪碳排放空間分布是有效的。Oda[3]等人利用1980—2007年全球各國夜間燈光數據與能源消費碳排放總量之間的相關關系，構建了基于夜間燈光數據的全球碳排放空間分布反演模型，通過反演得到全球國家尺度的化石燃料碳排放清單。Raupach[4]等人選取中國、美國、日本、印度、歐洲、前蘇聯作為研究區域，對化石燃料碳排放與夜間燈光亮度值進行了相關性探尋，發現兩者存在顯著的線性關系，表明可以運用全球夜間燈光數據進行化石燃料碳排放的估算。Ghosh[5]等人通過中國、日本、加拿大、俄羅斯、印度及美國等國家夜間燈光亮度與化石燃料碳排放之間的相關性分析，發現兩者之間線性相關，相關系數達0.76，表明可以借助衛星夜間燈光圖像較為準確地將主要國家的碳排放分解到全球網絡。

省級和城市層面的研究與全球和國家層面的研究類似，亦主要是基于全球夜間燈光影像和能源消費碳排放數據，建立反演模型對省級和城市層面的碳排放進行估算。如Meng[6]等人基于全球夜間燈光圖像和能源統計數據，提出了一種自上而下的中國城市碳排放估算方法，研究發現夜間燈光數據適合中國城市碳排放估算。蘇泳嫻[7-9]基于DMSP/OLS夜間燈光影像數據，開發了一套中國城市級能源消費碳排放遙感評估方法，能夠一定程度解決中國城市級能源消費統計數據缺失以及國家—省域—城市數據之間不一致等問題，并對1992—2010年30個省市區和66個地級市的碳排放進行了模擬，模擬值與統計數據計算值最大相差26 998.25萬t，最小相差6萬t，均方誤差為943.8萬t，相對誤差為7.7%。Shi[10]等人通過整合全球夜間穩定燈光數據與碳排放統計數據，提出了面向中國更高分辨率的時空碳排放動態模型，模型評價結果顯示，中國在1997—2012年間夜間穩定燈光數據與碳排放統計數據之間存在顯著的正相關關系，該模型可能適合于估算1 km分辨率以下的碳排放。郭忻怡[11]等人綜合利用DMSP/OLS和NDVI數據，結合經濟社會發展相關指標數據，構建了碳排放空間滯后回歸模型，并對江蘇省碳排放的空間分布網格進行了模擬。endprint

上述研究在全球-國家-省級-城市等多尺度證明了全球夜間燈光數據與碳排放之間存在線性相關關系，表明運用夜間燈光數據對碳排放進行估算具有一定的可行性。但是，目前運用全球夜間燈光數據模擬中國碳排放的研究較少，還處在初步研究階段，大部分是建立夜間燈光數據亮度值與碳排放之間的線性回歸模型，未考慮夜間燈光數據亮度與碳排放之間模型參數在不同時間不同區域的時空差異，模型的擬合優度和模擬效果還有待提高。

2 衛星夜間燈光數據來源及處理

2.1 數據來源

本文使用的DMSP/OLS夜間燈光數據來源于美國國家海洋和大氣管理局NOAA（National Oceanic and Atmospheric Administration）下屬的國家地球物理數據中心NGDC（National Geophysical Data Center）網站，該網站目前發布的最新數據為1992—2013年共22年全球夜間燈光影像數據，分別由F10、F12、F14、F15、F16、F18六代衛星傳感器探測獲取，其中第10號DMSP衛星F10負責探測1992—1994年全球夜間燈光影像數據，第12號DMSP衛星F12負責探測1994—1999年全球夜間燈光影像數據，第14號DMSP衛星F14負責探測1997—2003年全球夜間燈光影像數據，第15號DMSP衛星F15負責探測2000—2007年全球夜間燈光影像數據，第16號DMSP衛星F16負責探測2004—2009年全球夜間燈光影像數據，第18號DMSP衛星F18負責探測2010—2013年全球夜間燈光影像數據。提供下載的DMSP/OLS夜間燈光數據產品主要包括無云觀測頻次、平均燈光、穩定燈光、平均可見燈光4種影像，其中無云觀測頻次影像數據質量與觀測次數的多少有著密切的關系，當觀測次數較少時，數據質量會相對較低，當觀測次數較多時，數據質量則會相對較高；平均燈光影像數據未進行過多的偶然噪聲降噪處理，燈光影像中依然含有短暫光源等噪聲；穩定燈光影像數據對火光和偶然噪聲進行了一系列的去除處理，處理后的燈光影像數據質量較高，其DN值的范圍為0—63；平均可見燈光影像數據將燈光觀測周期內偶然噪聲所占頻率的百分比納入考慮范圍，能夠在一定程度上減少火光和偶然噪聲帶來的影響，但當探測次數較多時，依然無法將火光和偶然噪聲大部分去除。縱觀4種DMSP/OLS夜間燈光數據產品對火光和偶然噪聲的去除程度，本文選擇穩定燈光影像數據作為夜間燈光強度變量用于分省碳排放的時空模擬研究。

2.2 數據處理

1992—2013年DMSP/OLS夜間燈光數據部分年份由新舊兩代衛星傳感器同時探測獲取，如第10號DMSP衛星F10和第12號DMSP衛星F12同時負責探測1994年全球夜間燈光影像數據，第12號DMSP衛星F12和第14號DMSP衛星F14同時負責探測1997—1999年全球夜間燈光影像數據，第14號DMSP衛星F14和第15號DMSP衛星F15同時負責探測2000—2003年全球夜間燈光影像數據，第15號DMSP衛星F15和第16號DMSP衛星F16同時負責探測2004—2007年全球夜間燈光影像數據，通過比較1994年、1997—2007年新舊兩代衛星傳感器探測獲取的夜間燈光影像數據發現，同一年份新舊兩代衛星傳感器探測獲取的影像數據存在較大差異。為了提高衛星夜間燈光影像數據對中國分省碳排放的刻畫程度，本文采用Liu[12]等人的處理方法，對1992—2013年DMSP/OLS穩定夜間燈光影像數據進行相互校正、年內融合和年際間校正等預處理。對于相互校正，一是選取1992—2013年間經濟社會發展相對穩定的黑龍江省雞西市市轄區作為待校正的影像像元參考區；二是選取第16號DMSP衛星F16探測的2007年夜間燈光影像作為校正穩定燈光影像的參考影像；三是選取二次多項式回歸模型

DNcorrect=α×DN2+β×DN+γ來構建校正方程，不同年份不同衛星校正方程參數α、β、γ通過當年衛星探測的雞西市穩定夜間燈光亮度DN值與第16號DMSP衛星F16探測的2007年雞西市穩定夜間燈光亮度DN值進行比較經驗得出；四是運用二次多項式回歸模型和相應的校正方程經驗參數α、β、γ對每年穩定夜間燈光亮度DN值進行相互校正。對于年內融合，對比1994年和1997—2007年新舊兩代衛星傳感器探測獲取的夜間燈光影像像元，如果該影像像元僅在其中一代衛星影像中有亮度，則將該影像像元標示為不穩定像元，相應地將其DN值年內融合為0；如果該影像像元在新舊兩代衛星影像中均有亮度，則將該影像像元標示為穩定像元，相應地將其DN值年內融合為新舊兩代衛星影像像元DN值的平均。對于年際間校正，對比年際間同一個影像像元，如果該影像像元僅在較早年份有亮度，則將該影像像元標示為不穩定像元，相應地將其DN值年際間校正為0；如果該影像像元在探測周期內均有亮度，則將該影像像元標示為穩定像元，相應地需要確保早期影像像元DN值不超過后期影像像元DN值。

3 分省碳排放模擬模型構建

中國是一個幅員遼闊的國家，受資源稟賦、人口規模、經濟發展、產業結構、技術水平等多種因素影響，各省能源消費總量和結構存在較大差異，從而引致分省碳排放亦存在較大時空差異。為了更為科學準確地模擬中國分省碳排放，本文在消除規模因素對碳排放總量影響的基礎上，選取人均碳排放和單位面積碳排放作為研究對象，首先分別構建人均碳排放和單位面積碳排放與穩定夜間燈光亮度DN值（DN總值/柵格數）之間的時空地理加權回歸模型，記為模型1和模型2，其次運用穩定夜間燈光亮度DN值對分省人均碳排放和單位面積碳排放進行時空模擬，最后運用人口規模和土地面積對分省碳排放進行估算。

為了全面考察穩定夜間燈光亮度DN值及其空間外溢效應在不同省級區域的異質性，本文構建包含穩定夜間燈光亮度DN值空間滯后項W*lnDNit的時空地理加權回歸模型如下：endprint

式（1）中，PCEit為省級區域i在年度t的人均碳排放，SCEit為省級區域i在年度t的單位面積碳排放，DNit為省級區域i在年度t的穩定夜間燈光亮度DN值，W為空間權重矩陣，本文采用肖宏偉[13]等人提出的地理和經濟信息相結合的空間權重矩陣，（ui，vi）為省級區域的經度、緯度，

α0（ui，vi，ti）、β0（ui，vi，ti）分別為省級區域i在年度t人均碳排放和單位面積碳排放與穩定夜間燈光亮度DN值之間時空地理加權回歸模型的截距項，α1（ui，vi，ti）、 β1（ui，vi，ti）為省級區域i在年度t穩定夜間燈光亮度DN值對人均碳排放和單位面積碳排放的回歸系數，α2（ui，vi，ti）、 β2（ui，vi，ti）為省級區域i在年度t穩定夜間燈光亮度DN值的空間外溢效應對人均碳排放和單位面積碳排放的回歸系數，εit、φit為省級區域i在年度t模型1和模型2的殘差項。時空地理加權回歸模型的核心是時空權重矩陣，通常選取不同的時空權函數來刻畫時空關系，本文采用高斯函數法和時空距離相結合的時空權函數。時空權函數形式如下：

2[KF）]為時空距離，bST為時空權函數的帶寬，通常通過交叉驗證來選擇最優帶寬。

基于穩定夜間燈光數據的中國分省碳排放測算模型如下：

式（3）中，CE1it、CE2it分別為通過人均碳排放和單位面積碳排放測算的省級區域i在年度t的碳排放，Pit、Sit分別為省級區域i在時間t的人口規模和土地面積。

4 分省碳排放模擬效果檢驗

4.1 模型變量數據選取

國家統計局根據第三次全國經濟普查結果，對2000年以來能源消費總量和結構數據進行了修正，以2013年為例，修正后的能源消費總量上調4.2億t標準煤，煤炭消費占能源消費總量的比重上調1.4個百分點，石油和天然氣消費占能源消費總量的比重分別下調1.3和0.5個百分點，一次電力及其他能源占能源消費總量的比重上調0.4個百分點，能源消費總量上調和煤炭消費占能源消費總量比重上升給碳排放基礎數據帶來了較大影響，為了與修正后的能源統計數據口徑保持一致，本文選取2000年以來的分省碳排放數據作為研究對象。最新的DMSP/OLS數據為1992—2013年共22年全球夜間燈光影像數據，因此，本文基于衛星夜間燈光數據的中國分省碳排放時空模擬研究時間跨度區間為2000—2013年。夜間穩定燈光數據來源于美國國家海洋和大氣管理局下屬的國家地球物理數據中心網站，碳排放數據來源于中國碳排放數據庫（China emission accounts and datasets），該數據庫由英美中歐等多國研究機構的科研人員共同開發，包含全國、30個省區市（因西藏能源統計數據缺失，暫不包含西藏）和100余個地級以上城市的多尺度碳排放數據，分省人口規模、土地面積等數據來源于《中國統計年鑒》。

4.2 模型模擬整體效果

在通過相互校正、年內融合和年際間校正等系列處理獲得2000—2013年30個省區市DMSP/OLS穩定夜間燈光亮度DN值的基礎上，運用時空地理加權回歸模型估計穩定夜間燈光亮度DN值及其空間滯后項W·lnDNit在不同年份對分省人均碳排放和單位面積碳排放的影響系數，通過交叉驗證確定模型1與模型2的最優帶寬分別為0.242 9和0.244 8，兩個模型整體效果均較好，擬合優度分別高達96.74%和99.24%。從表1和表2的模型參數

估計描述統計結果來看，無論是人均碳排放還是單位面積碳排放，穩定夜間燈光亮度DN值及其空間滯后項W·lnDNit對其的影響系數變異較大，進一步表明基于衛星穩定夜間燈光數據對中國分省碳排放進行時空模擬時，需要將衛星夜間燈光數據的時空異質性納入考慮范圍，亦進一步證明選擇時空地理加權回歸模型來捕捉分省碳排放的時空動態特征更為科學。

在運用衛星穩定夜間燈光數據模擬中國分省人均碳排放和單位面積碳排放的基礎上，根據各個省級區域的人口規模和人均碳排放、土地面積和單位面積碳排放對分省碳排放進行間接模擬（見表3—表5）。模擬結果顯示，2000—2013年年均碳排放模擬值與實際值較為接近，兩個模型相對誤差均在0.5%以內，其中模型1模擬的2000—2013年年均碳排放為6.318 5×109 t，與實際年均碳排放6.334 9×109 t較為接近，絕對誤差為-16.5×106 t，相對誤差為0.3%；模型2模擬的2000—2013年年均碳排放為6.321 9×109 t，與實際年均碳排放6.334 9×109 t亦較為接近，絕對誤差為-13.0×106 t，相對誤差為0.2%。

4.3 模型模擬分年度分省域效果

分年度、分省域、分年度分省域的模型模擬結果（見表3—表5）顯示，基于衛星夜間燈光數據的中國分省碳排放時空模擬效果良好。

分年度來看，所有年份的相對誤差均在5%以內，其中2006年分省加總碳排放模擬值與實際碳排放最為接近，絕對誤差和相對誤差均較小，模型1與模型2的碳排放模擬值分別為6.200 9×109 t和6.206 2×109 t，與2006年實際碳排放6.203 6×109 t均非常接近，相對誤差僅為0.04%（見表3）。

分省域來看，2000—2013年年均碳排放模擬結果與實際碳排放均非常接近，除海南和寧夏外，其余28個省區市的相對誤差均在1%以內。其中模型1碳排放模擬相對誤差在0.2%以內的省區市有天津、河北、山西、內蒙古、遼寧、上海、浙江、江西、廣東、廣西、重慶、甘肅、青海、新疆等地，模型2碳排放模擬相對誤差在0.2%以內的省區市有北京、天津、河北、山西、內蒙古、遼寧、安徽、江西、廣東、重慶、四川、貴州、甘肅、青海、新疆等地（見表4）。

分年度分省域來看，以2013年為例，除內蒙古、江蘇、江西、河南、湖北、海南、重慶、青海、新疆等地外，其余省份的相對誤差均在5%以內。其中模型1碳排放模擬相對誤差在2%以內的省區市有河北、山西、遼寧、黑龍江、上海、浙江、廣西、四川、貴州、云南、陜西、寧夏等地，絕對誤差和相對誤差最小的省份為四川，模型模擬值與實際碳排放幾乎相等；模型2碳排放模擬相對誤差在2%以內的省區市有天津、山西、遼寧、黑龍江、上海、浙江、廣西、四川、貴州、云南、陜西、甘肅、寧夏等地，絕對誤差和相對誤差最小的 省份為甘肅，模型模擬值與實際碳排放非常接近，其相對誤差只有0.1%（見表5）。endprint

4.4 模型模擬應用方向

從整體、分年度、分省域、分年度分省域的碳排放估算結果來看，基于穩定夜間燈光數據的中國分省碳排放時空模擬效果良好，表明運用衛星夜間燈光數據進行中國分省碳排放快速估算總體可行。《中國能源統計年鑒》是開展分省碳排放核算的重要數據基礎，亦是開展分省降碳目標考核的重要依據，目前《中國能源統計年鑒》數據更新通常滯后一年，給分省碳排放核算和降碳目標考核帶來較為嚴重的滯后性，難以滿足對分省碳排放進行快速監測評估的要求。隨著我國高分衛星數據應用面不斷擴大，衛星遙感在應對氣候變化領域亦發揮了全天候、立體、連續觀測的獨特優勢，通過構建衛星遙感數據與碳排放之間的時空地理加權回歸模型對分省碳排放進行反演，為分省碳排放監測和評估提供較為準確的數據參考，不失為衛星遙感大數據時代快速開展分省碳排放監測和評估的有效補充。

5 結論與討論

本文綜合運用DMSP/OLS全球夜間燈光影像數據及分省碳排放、人口規模、土地面積等統計數據，在經過相互校正、年內融合和年際間校正等系列處理獲得中國分省穩定夜間燈光亮度DN值的基礎上，構建了中國分省衛星穩定夜間燈光數據與人均碳排放和單位面積碳排放之間的時空地理加權回歸模型，在對分省人均碳排放和單位面積碳排放模擬的基礎上，基于人口規模和土地面積對中國分省碳排放進行了估算。估算結果顯示，模型模擬值與實際碳排放較為接近，模型的擬合優度高達95%以上。從2000—2013年年均碳排放來看，兩個模型全國年均碳排放的相對誤差均在0.5%以內，大部分省份的相對誤差在1%以內；從分年度分省域來看，大部分省份的相對誤差在5%以內。

模型估算結果表明基于穩定夜間燈光影像數據的中國分省碳排放時空模擬效果良好，可以運用衛星夜間燈光數據對中國分省碳排放進行估算和預測，為衛星遙感影像數據服務分省碳排放監測和評估提供了一種補充性參考。隨著全球和中國衛星遙感技術和應用水平的提高，開發應用衛星影像數據服務全球-國家-區域碳排放監測是未來的應用方向。重點是發揮遙感衛星影像數據全天候、廣覆蓋、客觀準確的天然優勢，充分利用中國自主遙感衛星影像數據和國外遙感衛星資源，將衛星影像數據與人口規模、土地面積等其他統計數據庫進行對接并關聯應用，形成衛星影像數據與統計數據耦合算法，對中國分省碳排放進行模擬，為區域碳排放監測和評估提供數據支撐。

參考文獻（References）

[1]ELVIDGE C D， BAUGH K E， KIHN E A， et al. Relation between satellite observed visiblenear infrared emissions， population， economic activity and electric power consumption [J]. International journal of remote sensing， 1997， 18（6）：1373-1379.

[2]DOLL C N H， MULLER J P， ELVIDGE C D. Nighttime imagery as a tool for global mapping of socioeconomic parameters and greenhouse gas emissions [J]. Ambio， 2000， 29（3）：157-162.

[3]ODA T， MAKSYUTOV S. A very highresolution （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 & physics， 2010， 10（7）：16307-16344.

[4]RAUPACH M R， RAYNER P J， PAGET M. Regional variations in spatial structure of nightlights， population density and fossilfuel CO2 emissions[J]. 2010， 38（9）：4756-4764.

[5]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（12）：1895-1913.

[6]MENG L， GRAUS W， WORRELL E， et al. Estimating CO2， （carbon dioxide） emissions at urban scales by DMSP/OLS （defense meteorological satellite programs operational linescan system） nighttime light imagery： methodological challenges and a case study for China [J]. Energy， 2014， 71（7）：468-478.

[7]SU Y， ChEN X， LI Y， et al. Chinas 19year citylevel carbon emissions of energy consumptions， driving forces and regionalized mitigation guidelines [J]. Renewable & sustainable energy reviews， 2014， 35（C）：231-243.endprint

[8]蘇泳嫻.基于DMSP/OLS夜間燈光數據的中國能源消費碳排放研究[D].北京：中國科學院大學， 2015：97-102.[SU Yongxian. Study on the carbon emissions from energy consumption in China using DMSP/OLS night light imageries [D]. Beijing： University of Chinese Academy of Sciences， 2015：97-102.]

[9]蘇泳嫻，陳修治，葉玉瑤，等.基于夜間燈光數據的中國能源消費碳排放特征及機理[J]. 地理學報， 2013， 68（11）：1513-1526.[ SU Yongxian， CHEN Xiuzhi， YE Yuyao， 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.]

[10]SHI K， CHEN Y， YU B， et al. Modeling spatiotemporal CO2， （carbon dioxide） emission dynamics in China from DMSPOLS nighttime stable light data using panel data analysis[J]. Applied energy， 2016， 168（4）：523-533.

[11]郭忻怡，閆慶武，譚曉悅，等.基于 DMSP/OLS 與 NDVI 的江蘇省碳排放空間分布模擬[J]. 世界地理研究， 2016， 25（4）： 102-110.[ GUO Xinyi， YAN Qingwu， TAN Xiaoyue， et al. Spatial distribution of carbon emissions based on DMSP/OLS nighttime light data and NDVI in Jiangsu Province [J]. World regional studies， 2016， 25（4）：102-110.]

[12]LIU Z， HE C， ZHANG Q， et al. Extracting the dynamics of urban expansion in China using DMSPOLS nighttime light data from 1992 to 2008[J]. Landscape & urban planning， 2012， 106（1）：62-72.

[13]肖宏偉，易丹輝.中國區域工業碳排放空間計量研究[J].山西財經大學學報，2013， 235（8）：53-62.[ XIAO Hongwei， YI Danhui. Spatial econometric study of Chinas regional industrial carbon emissions [J]. Journal of Shanxi Finance and Economics University， 2013， 235（8）：53-62.]endprint