基于夜間燈光數據的東部七省市碳排放時空演變和監測評估

劉耀輝,劉文毅,仇培元,邢華橋,劉雨敏,王 琪,邢笑天

(山東建筑大學測繪地理信息學院,山東 濟南 250101)

隨著經濟的快速發展,能源需求不斷增加,氣候變暖問題日益嚴重,減少碳排放已成為全球關注的重點和共識[1-2]。我國力爭在2030年前實現“碳達峰”,在2060年前實現“碳中和”[3]。

目前,監測和評估碳排放主要依靠收集和分析統計數據及能源消耗數據,以計算出不同行業、地區和經濟部門的碳排放量[4-5]。盡管此方法準確度和可信度具有一定優勢,但為了實現全面的碳排放監測,還需要建立完善的數據采集和共享機制,確保數據的時效性和可比性。夜間燈光數據可以有效估算碳排放,這種方法具有更高的空間和時間分辨率,可以獲取更精細的碳排放時空變化,從而克服了傳統能源消費碳排放估算方法中滯后性和時態分布性的缺點[6-8]。國內外眾多學者已經基于夜間燈光數據對碳排放進行監測和評估[9-12]。如文獻[13]基于 DMSP-OLS夜間燈光數據構建了碳排放擬合模型,估算了中國的能源碳排放量;文獻[14]將NPP-VIIRS夜間燈光數據轉換為DMSP-OLS尺度的夜間燈光數據,證明夜間燈光數據與能源消費碳排放量之間具有較高的相關性;文獻[15]基于夜間燈光數據構建面板模型,模擬中國的碳排放量;文獻[16]利用夜間燈光數據主觀反映能源消費碳排放的時態演變和空間化;文獻[17]結合夜間燈光圖像與人口網格,更準確地反映夜間燈光數據和碳排放之間的相關性;文獻[18]基于夜間燈光數據和碳排放統計數據,提出了面板數據分析,以更高的分辨率模擬中國的二氧化碳時空排放動態。

東部七省市的發展差異較大,能源利用技術相對不完善,能源進口率不斷上升。近年來,該地區能源碳排放量不斷增長,作為我國碳排放的主要來源地區,準確監測評估和區域化研究碳排放具有重要意義[19-20]。本文利用東部七省市2012-2021年“類NPP-VIIRS”夜間燈光數據和能源消費統計數據,分析該地區2012-2021年的碳排放時空演變特征,揭示人均碳排放強度及單位GDP碳排放強度變化趨勢;并建立夜間燈光指數和碳排放擬合模型,以期實現碳排放及時精準監測評估。

1 研究區與數據

1.1 研究區

研究區位于我國東部,包括上海市、江蘇省、浙江省、安徽省、福建省、江西省、山東省,共七省市(如圖1所示)。研究區總面積為79.83 萬km2。截至2022年末,研究區總人口為4.25億人,GDP高達43.76萬億元。

圖1 研究區

1.2 數據源

2012-2021年全球500 m分辨率“類NPP-VIIRS”夜間燈光數據來源于AI Earth地球科學云平臺,該數據集不僅具備與NPP-VIIRS夜間燈光數據類似的質量,還能清晰地反映出城市內部的細節信息及其時序上的變化[21-22]。

能源消費數據來源于2012-2021年《中國能源統計年鑒》及各省市統計年鑒;碳排放因子數據來源于《中國能源統計年鑒》及Intergovernmental Panel on Climate Change(IPCC)公布的《2006溫室氣體排放清單》;人口和GDP數據來源于各省市統計年鑒及政府工作報告。

2 研究方法

2.1 基于統計數據計算碳排放

采用IPCC 公布的《2006溫室氣體排放清單》計算能源產生的二氧化碳排放量[23-24],以CO2表示。計算公式為

(1)

式中,i為能源種類,本文選擇的能源有原煤、焦炭、原油、汽油、煤油、柴油、燃料油、天然氣、熱力和電力;Ei為能源i的消費量,按標準煤計算;Ki為能源i的碳排放系數,來源于IPCC碳排放計算指南缺省值,原始數據單位為焦(J),為了與統計數據單位一致,將其轉化為標準煤,轉化關系為1×104t標準煤的排放能量為2.93×105GJ。

2.2 夜間燈光數據處理和指數計算

2.2.1 夜間燈光數據處理

利用行政區劃數據對“類NPP-VIIRS”夜間燈光數據進行裁剪,以獲取東部七省市的夜間燈光圖像。首先,將夜間燈光影像中的負值賦為0,以消除負值對后續處理的不良影響;然后,對裁剪和修正后的夜間燈光數據進行投影轉換,采用蘭伯特投影,以適應中國地圖的地形特征;最后,對數據進行歸一化處理,以消除奇異樣本數據可能引起的不良影響,獲得2012-2021年各省市的夜間燈光數據。

2.2.2 夜間燈光數據計算

常用的燈光指數包括夜間燈光總強度指數(total nighttime light index, TNLI)、平均燈光強度指數(average nighttime light index, ANLI)和綜合燈光指數(compounded nighttime light index, CNLI)。本文采用夜間燈光總強度指數,該指數表示行政單元內影像像元亮度值(digital number, DN)總和[25]。計算公式為

(2)

式中,n為柵格的數量;DNi為每個柵格單元的像元輻射值。

2.3 人均碳排放強度和單位GDP碳排放強度

為全面了解碳排放的格局和機理,進一步結合各省市的人口和經濟統計數據,研究各省市人均碳排放強度和單位GDP碳排放強度的時空分布特征和影響機理。這將有助于制定和實施相關政策和措施,以減少碳排放并實現可持續發展目標。計算公式為

人均碳排放強度=CO2/p

(3)

單位GDP碳排放強度=CO2/GDP

(4)

式中,CO2為碳排放總量(萬t);p為年末常住人口(萬人);GDP為地區生產總值(萬元)。

2.4 構建擬合模型

采用線性回歸模型評估碳排放量,模型截距設置為0。基于數據特征,將其分為5個時間段進行擬合分析。這種擬合分析可以提供關于能源消費與碳排放的情況,為制定碳減排政策和可持續發展戰略提供數據支持。計算公式為

CO2=a×TNLI

(5)

式中,CO2為碳排放總量(萬t);a為擬合系數。

3 結果和討論

3.1 東部七省市碳排放時間變化

2012-2021年東部七省市碳排放總體呈上升趨勢(如圖2所示)。各省市的碳排放總量占比基本保持穩定。具體而言,江西省碳排放增速最快,年均增長率為3.32%。相比之下,上海市碳排放增速最慢,年均增長率為-0.69%。此外,上海市的碳排放總量也最低,僅占東部七省市碳排放總量的5.77%。浙江省的碳排放年均增長率為0.53%,安徽省和福建省碳排放量分別以2.42%和2.65%年均增長率上升。由于江蘇省和山東省是東部七省市的社會經濟發展大省,因此東部七省市的碳排放量主要來自山東省和江蘇省,兩省的碳排放總量占東部七省市碳排放總量的50%以上。

圖2 2012-2021年東部七省市碳排放時間變化

3.2 東部七省市碳排放空間變化

采用分位數法將2012-2021年東部七省市碳排放量分為5個等級(如圖3所示)。由于不同省份的政策導向和產業結構存在差異,因此東部七省市碳排放空間格局也有所變化。由圖3可知,山東省始終處于高度碳排放狀態。這是由于山東省產業規模的擴大和產業結構的調整對碳排放產生了不減反增的影響。“十二五”以來,隨著產業結構調整步伐的不斷加快,工業碳排放量實現了快速下降,帶動了上海市碳排放總量的下降,因此上海市一直穩居低度碳排放狀態。浙江省和安徽省在2018年由中度碳排放上升為中高度碳排放;2020年浙江省降至中度碳排放,但隨后又升至中高度碳排放。這是由于兩省處于加速崛起和快速發展的階段,能源消費量持續增加。由于人口、經濟產出及能源結構效應等因素,江西省在2016年由低度碳排放升為中低度碳排放,福建省在2020年由中低度碳排放升為中度碳排放。不同省份的碳排放狀態受多個因素的綜合影響,包括政策導向、產業結構、人口規模和經濟發展水平等。進一步研究這些因素之間的關系將有助于制定更有效的碳減排策略和可持續發展措施。

圖3 2012-2021年東部七省市碳排放空間變化

3.3 人均碳排放強度和單位GDP碳排放強度

人均碳排放強度是衡量碳排放水平的關鍵指標之一,也是氣候談判的核心焦點。它在制定有效的碳減排戰略和可持續發展方面起著至關重要的作用。2012-2021年東部七省市人均碳排放強度為3.76～9.21 t(如圖4所示)。由于江蘇省和山東省的經濟發展程度較高,能源消費總量大,因此這兩個省份的人均碳排放強度最高,并且在一定范圍內上下浮動。此外,江西省的碳排放強度較低且人口較少,導致其人均碳排放強度較高。從增長趨勢來看,由于江西省、福建省及安徽省人口年均增長速率較低,而碳排放年均增長速率較高,導致人均碳排放強度總體呈上升趨勢,分別以3.21%、1.67%、2.16%的速率增長。相反,上海市和浙江省人均碳排放強度總體呈下降趨勢。

圖4 2012-2021年東部七省市人均碳排放強度變化

研究分析單位GDP碳排放強度有助于引導能源低碳高效利用和促進產業綠色轉型。與人均碳排放強度不同,2012-2021年東部七省市單位GDP碳排放強度總體呈穩步下降的趨勢(如圖5所示)。

這一趨勢與國家“十二五”和“十三五”期間大力倡導節能減排、聚焦綠色低碳發展目標及實現綠色低碳轉型行動密切相關。山東省的單位GDP碳排放強度最高,主要原因在于該省工業占比較大。相反,上海市的單位GDP碳排放強度最低,這主要得益于產業部門能源強度的下降。此外,由于上海市工業正在逐步完成結構升級與節能增效的過程,因此上海市的單位GDP碳排放強度年均下降率最大,達8.22%。江西省的單位GDP碳排放強度年均下降率最小,為5.87%,主要原因是該省主要依賴高碳排放的煤炭能源,轉向低碳排放能源的轉化速度較慢。安徽省、浙江省和江蘇省的單位GDP碳排放強度在2012-2021年保持穩定下降的趨勢。福建省的單位GDP碳排放強度在2013-2016年變化幅度較大,這表明福建省正在逐步調整碳減排政策導向。

3.4 擬合模型構建

東部七省市夜間燈光影像如圖6所示。研究發現,該地區碳排放量與夜間燈光指數呈明顯的正相關關系。為了進一步探究這種關系,對2012-2021年的數據進行擬合分析,每兩年為一個時間段。擬合結果見表1。通過對5個時間段的擬合模型進行評估,發現相關系數R2均高于0.8,平均相關系數達0.841。這表明,利用夜間燈光數據可以更加準確地監測東部七省市的碳排放情況。

表1 2012-2021年東部七省市碳排放擬合回歸參數和相關系數

圖6 2012-2021年東部七省市夜間燈光強度

3.5 擬合模型精度評定

為進一步檢驗模型的精度,對基于擬合模型計算得到的碳排放量與真實碳排放量之間的誤差進行評估,并計算了5個時間段的平均相對誤差,結果見表2。2012-2017年平均相對誤差高于30%,而從2018年開始,平均相對誤差下降至低于30%。這表明,基于夜間燈光數據進行碳排放的監測評估具有較高的準確性。此外,平均相對誤差呈遞減趨勢,從2012-2013年的36.52%降至2020-2021年的26.02%。這表明基于夜間燈光數據監測碳排放的準確性逐年增強,未來基于夜間燈光數據監測碳排放將具有更高的準確性。

表2 2012-2021年東部七省市碳排放擬合模型平均相對誤差

3.6 碳排放政策建議

基于東部七省市碳排放時空演變特征和擬合模型相關系數的變化趨勢,本文針對東部七省市的碳減排政策建議為:

(1)山東省、江蘇省、浙江省、福建省和上海市等沿海地區應采取積極措施保護和修復藍碳系統,如紅樹林、海草床、藻類和海水貝類等。這些措施有助于增加大氣中二氧化碳的吸收能力,推動海洋牧場的建設,以提升海洋生態系統和漁業系統的碳匯功能。

(2)安徽省和江西省等內陸省份長期以鋼鐵、汽車航空等制造產業為支柱。在碳減排策略上,應注重提升節能管理水平,加強能耗和碳排放的控制。可采取措施落實能耗強度剛性約束,將外部能源消耗以電力、熱力、蒸汽等介質注入到生產過程中,以實現相關的間接排放控制。

(3)東部七省市應加快推動傳統產業向綠色低碳方向轉型。積極發展新一代信息技術、新材料、新能源等戰略性新興產業,大力推動綠色低碳制造體系的建設。鼓勵工業產品的綠色設計,建設綠色工廠和綠色園區,開展綠色供應鏈管理。同時,利用先進的減排技術將碳排放的改良成本降至最低,提高生產效率。

4 結 語

本文基于東部七省市2012-2021年的“類NPP-VIIRS”夜間燈光數據和能源消費統計數據,對東部七省市的碳排放時空演變特征進行了分析。通過建立碳排放和夜間燈光的擬合模型,克服了傳統方法中統計數據不全及統計口徑不一的缺點。研究結果表明,東部七省市的碳排放總量呈持續上升趨勢,山東省和江蘇省是東部七省市碳排放量的主要來源,而江西省的碳排放量上升速度最快。此外,東部七省市碳排放量和人均碳排放強度呈現北高南低的空間分布格局,而單位GDP碳排放強度則呈現西大東小的格局。擬合模型平均相關系數為0.841 2,且平均相對誤差呈遞減趨勢,這表明基于夜間燈光數據可以更加及時精確地監測和評估碳排放情況。本文為東部七省市制定實施整體化、區域化碳減排政策和可持續發展提供了數據參考和決策支撐。