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(xué)測(cè)繪地理信息學(xué)院,山東 濟(jì)南 250101)

隨著經(jīng)濟(jì)的快速發(fā)展,能源需求不斷增加,氣候變暖問題日益嚴(yán)重,減少碳排放已成為全球關(guān)注的重點(diǎn)和共識(shí)[1-2]。我國力爭在2030年前實(shí)現(xiàn)“碳達(dá)峰”,在2060年前實(shí)現(xiàn)“碳中和”[3]。

目前,監(jiān)測(cè)和評(píng)估碳排放主要依靠收集和分析統(tǒng)計(jì)數(shù)據(jù)及能源消耗數(shù)據(jù),以計(jì)算出不同行業(yè)、地區(qū)和經(jīng)濟(jì)部門的碳排放量[4-5]。盡管此方法準(zhǔn)確度和可信度具有一定優(yōu)勢(shì),但為了實(shí)現(xiàn)全面的碳排放監(jiān)測(cè),還需要建立完善的數(shù)據(jù)采集和共享機(jī)制,確保數(shù)據(jù)的時(shí)效性和可比性。夜間燈光數(shù)據(jù)可以有效估算碳排放,這種方法具有更高的空間和時(shí)間分辨率,可以獲取更精細(xì)的碳排放時(shí)空變化,從而克服了傳統(tǒng)能源消費(fèi)碳排放估算方法中滯后性和時(shí)態(tài)分布性的缺點(diǎn)[6-8]。國內(nèi)外眾多學(xué)者已經(jīng)基于夜間燈光數(shù)據(jù)對(duì)碳排放進(jìn)行監(jiān)測(cè)和評(píng)估[9-12]。如文獻(xiàn)[13]基于 DMSP-OLS夜間燈光數(shù)據(jù)構(gòu)建了碳排放擬合模型,估算了中國的能源碳排放量;文獻(xiàn)[14]將NPP-VIIRS夜間燈光數(shù)據(jù)轉(zhuǎn)換為DMSP-OLS尺度的夜間燈光數(shù)據(jù),證明夜間燈光數(shù)據(jù)與能源消費(fèi)碳排放量之間具有較高的相關(guān)性;文獻(xiàn)[15]基于夜間燈光數(shù)據(jù)構(gòu)建面板模型,模擬中國的碳排放量;文獻(xiàn)[16]利用夜間燈光數(shù)據(jù)主觀反映能源消費(fèi)碳排放的時(shí)態(tài)演變和空間化;文獻(xiàn)[17]結(jié)合夜間燈光圖像與人口網(wǎng)格,更準(zhǔn)確地反映夜間燈光數(shù)據(jù)和碳排放之間的相關(guān)性;文獻(xiàn)[18]基于夜間燈光數(shù)據(jù)和碳排放統(tǒng)計(jì)數(shù)據(jù),提出了面板數(shù)據(jù)分析,以更高的分辨率模擬中國的二氧化碳時(shí)空排放動(dòng)態(tài)。

東部七省市的發(fā)展差異較大,能源利用技術(shù)相對(duì)不完善,能源進(jìn)口率不斷上升。近年來,該地區(qū)能源碳排放量不斷增長,作為我國碳排放的主要來源地區(qū),準(zhǔn)確監(jiān)測(cè)評(píng)估和區(qū)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(shù)據(jù)和能源消費(fèi)統(tǒng)計(jì)數(shù)據(jù),分析該地區(qū)2012-2021年的碳排放時(shí)空演變特征,揭示人均碳排放強(qiáng)度及單位GDP碳排放強(qiáng)度變化趨勢(shì);并建立夜間燈光指數(shù)和碳排放擬合模型,以期實(shí)現(xiàn)碳排放及時(shí)精準(zhǔn)監(jiān)測(cè)評(píng)估。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)

研究區(qū)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(qū)總面積為79.83 萬km2。截至2022年末,研究區(qū)總?cè)丝跒?.25億人,GDP高達(dá)43.76萬億元。

圖1 研究區(qū)

1.2 數(shù)據(jù)源

2012-2021年全球500 m分辨率“類NPP-VIIRS”夜間燈光數(shù)據(jù)來源于AI Earth地球科學(xué)云平臺(tái),該數(shù)據(jù)集不僅具備與NPP-VIIRS夜間燈光數(shù)據(jù)類似的質(zhì)量,還能清晰地反映出城市內(nèi)部的細(xì)節(jié)信息及其時(shí)序上的變化[21-22]。

能源消費(fèi)數(shù)據(jù)來源于2012-2021年《中國能源統(tǒng)計(jì)年鑒》及各省市統(tǒng)計(jì)年鑒;碳排放因子數(shù)據(jù)來源于《中國能源統(tǒng)計(jì)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(shù)據(jù)來源于各省市統(tǒng)計(jì)年鑒及政府工作報(bào)告。

2 研究方法

2.1 基于統(tǒng)計(jì)數(shù)據(jù)計(jì)算碳排放

采用IPCC 公布的《2006溫室氣體排放清單》計(jì)算能源產(chǎn)生的二氧化碳排放量[23-24],以CO2表示。計(jì)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(fèi)量,按標(biāo)準(zhǔn)煤計(jì)算;Ki為能源i的碳排放系數(shù),來源于IPCC碳排放計(jì)算指南缺省值,原始數(shù)據(jù)單位為焦(J),為了與統(tǒng)計(jì)數(shù)據(jù)單位一致,將其轉(zhuǎn)化為標(biāo)準(zhǔn)煤,轉(zhuǎn)化關(guān)系為1×104t標(biāo)準(zhǔn)煤的排放能量為2.93×105GJ。

2.2 夜間燈光數(shù)據(jù)處理和指數(shù)計(jì)算

2.2.1 夜間燈光數(shù)據(jù)處理

利用行政區(qū)劃數(shù)據(jù)對(duì)“類NPP-VIIRS”夜間燈光數(shù)據(jù)進(jìn)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(fù)值賦為0,以消除負(fù)值對(duì)后續(xù)處理的不良影響;然后,對(duì)裁剪和修正后的夜間燈光數(shù)據(jù)進(jìn)行投影轉(zhuǎn)換,采用蘭伯特投影,以適應(yīng)中國地圖的地形特征;最后,對(duì)數(shù)據(jù)進(jìn)行歸一化處理,以消除奇異樣本數(shù)據(jù)可能引起的不良影響,獲得2012-2021年各省市的夜間燈光數(shù)據(jù)。

2.2.2 夜間燈光數(shù)據(jù)計(jì)算

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

(2)

式中,n為柵格的數(shù)量;DNi為每個(gè)柵格單元的像元輻射值。

2.3 人均碳排放強(qiáng)度和單位GDP碳排放強(qiáng)度

為全面了解碳排放的格局和機(jī)理,進(jìn)一步結(jié)合各省市的人口和經(jīng)濟(jì)統(tǒng)計(jì)數(shù)據(jù),研究各省市人均碳排放強(qiáng)度和單位GDP碳排放強(qiáng)度的時(shí)空分布特征和影響機(jī)理。這將有助于制定和實(shí)施相關(guān)政策和措施,以減少碳排放并實(shí)現(xiàn)可持續(xù)發(fā)展目標(biāo)。計(jì)算公式為

人均碳排放強(qiáng)度=CO2/p

(3)

單位GDP碳排放強(qiáng)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(qū)生產(chǎn)總值(萬元)。

2.4 構(gòu)建擬合模型

采用線性回歸模型評(píng)估碳排放量,模型截距設(shè)置為0。基于數(shù)據(jù)特征,將其分為5個(gè)時(shí)間段進(jìn)行擬合分析。這種擬合分析可以提供關(guān)于能源消費(fèi)與碳排放的情況,為制定碳減排政策和可持續(xù)發(fā)展戰(zhàn)略提供數(shù)據(jù)支持。計(jì)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(shù)。

3 結(jié)果和討論

3.1 東部七省市碳排放時(shí)間變化

2012-2021年東部七省市碳排放總體呈上升趨勢(shì)(如圖2所示)。各省市的碳排放總量占比基本保持穩(wěn)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(huì)經(jīng)濟(jì)發(fā)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(shí)間變化

3.2 東部七省市碳排放空間變化

采用分位數(shù)法將2012-2021年東部七省市碳排放量分為5個(gè)等級(jí)(如圖3所示)。由于不同省份的政策導(dǎo)向和產(chǎn)業(yè)結(jié)構(gòu)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(tài)。這是由于山東省產(chǎn)業(yè)規(guī)模的擴(kuò)大和產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整對(duì)碳排放產(chǎn)生了不減反增的影響?！笆濉币詠?隨著產(chǎn)業(yè)結(jié)構(gòu)調(diào)整步伐的不斷加快,工業(yè)碳排放量實(shí)現(xiàn)了快速下降,帶動(dòng)了上海市碳排放總量的下降,因此上海市一直穩(wěn)居低度碳排放狀態(tài)。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(fā)展的階段,能源消費(fèi)量持續(xù)增加。由于人口、經(jīng)濟(jì)產(chǎn)出及能源結(jié)構(gòu)效應(yīng)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(tài)受多個(gè)因素的綜合影響,包括政策導(dǎo)向、產(chǎn)業(yè)結(jié)構(gòu)、人口規(guī)模和經(jīng)濟(jì)發(fā)展水平等。進(jìn)一步研究這些因素之間的關(guān)系將有助于制定更有效的碳減排策略和可持續(xù)發(fā)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(qiáng)度和單位GDP碳排放強(qiáng)度

人均碳排放強(qiáng)度是衡量碳排放水平的關(guān)鍵指標(biāo)之一,也是氣候談判的核心焦點(diǎn)。它在制定有效的碳減排戰(zhàn)略和可持續(xù)發(fā)展方面起著至關(guān)重要的作用。2012-2021年東部七省市人均碳排放強(qiáng)度為3.76～9.21 t(如圖4所示)。由于江蘇省和山東省的經(jīng)濟(jì)發(fā)展程度較高,能源消費(fèi)總量大,因此這兩個(gè)省份的人均碳排放強(qiáng)度最高,并且在一定范圍內(nèi)上下浮動(dòng)。此外,江西省的碳排放強(qiáng)度較低且人口較少,導(dǎo)致其人均碳排放強(qiáng)度較高。從增長趨勢(shì)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(dǎo)致人均碳排放強(qiáng)度總體呈上升趨勢(shì),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(qiáng)度總體呈下降趨勢(shì)。

圖4 2012-2021年東部七省市人均碳排放強(qiáng)度變化

研究分析單位GDP碳排放強(qiáng)度有助于引導(dǎo)能源低碳高效利用和促進(jìn)產(chǎn)業(yè)綠色轉(zhuǎn)型。與人均碳排放強(qiáng)度不同,2012-2021年東部七省市單位GDP碳排放強(qiáng)度總體呈穩(wěn)步下降的趨勢(shì)(如圖5所示)。

這一趨勢(shì)與國家“十二五”和“十三五”期間大力倡導(dǎo)節(jié)能減排、聚焦綠色低碳發(fā)展目標(biāo)及實(shí)現(xiàn)綠色低碳轉(zhuǎn)型行動(dòng)密切相關(guān)。山東省的單位GDP碳排放強(qiáng)度最高,主要原因在于該省工業(yè)占比較大。相反,上海市的單位GDP碳排放強(qiáng)度最低,這主要得益于產(chǎn)業(yè)部門能源強(qiáng)度的下降。此外,由于上海市工業(yè)正在逐步完成結(jié)構(gòu)升級(jí)與節(jié)能增效的過程,因此上海市的單位GDP碳排放強(qiáng)度年均下降率最大,達(dá)8.22%。江西省的單位GDP碳排放強(qiáng)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(zhuǎn)向低碳排放能源的轉(zhuǎn)化速度較慢。安徽省、浙江省和江蘇省的單位GDP碳排放強(qiáng)度在2012-2021年保持穩(wěn)定下降的趨勢(shì)。福建省的單位GDP碳排放強(qiáng)度在2013-2016年變化幅度較大,這表明福建省正在逐步調(diào)整碳減排政策導(dǎo)向。

3.4 擬合模型構(gòu)建

東部七省市夜間燈光影像如圖6所示。研究發(fā)現(xiàn),該地區(qū)碳排放量與夜間燈光指數(shù)呈明顯的正相關(guān)關(guān)系。為了進(jìn)一步探究這種關(guān)系,對(duì)2012-2021年的數(shù)據(jù)進(jìn)行擬合分析,每兩年為一個(gè)時(shí)間段。擬合結(jié)果見表1。通過對(duì)5個(gè)時(shí)間段的擬合模型進(jìn)行評(píng)估,發(fā)現(xiàn)相關(guān)系數(shù)R2均高于0.8,平均相關(guān)系數(shù)達(dá)0.841。這表明,利用夜間燈光數(shù)據(jù)可以更加準(zhǔn)確地監(jiān)測(cè)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(shù)和相關(guān)系數(shù)

圖6 2012-2021年東部七省市夜間燈光強(qiáng)度

3.5 擬合模型精度評(píng)定

為進(jìn)一步檢驗(yàn)?zāi)Ｐ偷木?對(duì)基于擬合模型計(jì)算得到的碳排放量與真實(shí)碳排放量之間的誤差進(jìn)行評(píng)估,并計(jì)算了5個(gè)時(shí)間段的平均相對(duì)誤差,結(jié)果見表2。2012-2017年平均相對(duì)誤差高于30%,而從2018年開始,平均相對(duì)誤差下降至低于30%。這表明,基于夜間燈光數(shù)據(jù)進(jìn)行碳排放的監(jiān)測(cè)評(píng)估具有較高的準(zhǔn)確性。此外,平均相對(duì)誤差呈遞減趨勢(shì),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(shù)據(jù)監(jiān)測(cè)碳排放的準(zhǔn)確性逐年增強(qiáng),未來基于夜間燈光數(shù)據(jù)監(jiān)測(cè)碳排放將具有更高的準(zhǔn)確性。

表2 2012-2021年東部七省市碳排放擬合模型平均相對(duì)誤差

3.6 碳排放政策建議

基于東部七省市碳排放時(shí)空演變特征和擬合模型相關(guān)系數(shù)的變化趨勢(shì),本文針對(duì)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(qū)應(yīng)采取積極措施保護(hù)和修復(fù)藍(lán)碳系統(tǒng),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(dòng)海洋牧場的建設(shè),以提升海洋生態(tài)系統(tǒng)和漁業(yè)系統(tǒng)的碳匯功能。

(2)安徽省和江西省等內(nèi)陸省份長期以鋼鐵、汽車航空等制造產(chǎn)業(yè)為支柱。在碳減排策略上,應(yīng)注重提升節(jié)能管理水平,加強(qiáng)能耗和碳排放的控制?？刹扇〈胧┞鋵?shí)能耗強(qiáng)度剛性約束,將外部能源消耗以電力、熱力、蒸汽等介質(zhì)注入到生產(chǎn)過程中,以實(shí)現(xiàn)相關(guān)的間接排放控制。

(3)東部七省市應(yīng)加快推動(dòng)傳統(tǒng)產(chǎn)業(yè)向綠色低碳方向轉(zhuǎn)型。積極發(fā)展新一代信息技術(shù)、新材料、新能源等戰(zhàn)略性新興產(chǎn)業(yè),大力推動(dòng)綠色低碳制造體系的建設(shè)。鼓勵(lì)工業(yè)產(chǎn)品的綠色設(shè)計(jì),建設(shè)綠色工廠和綠色園區(qū),開展綠色供應(yīng)鏈管理。同時(shí),利用先進(jìn)的減排技術(shù)將碳排放的改良成本降至最低,提高生產(chǎn)效率。

4 結(jié) 語

本文基于東部七省市2012-2021年的“類NPP-VIIRS”夜間燈光數(shù)據(jù)和能源消費(fèi)統(tǒng)計(jì)數(shù)據(jù),對(duì)東部七省市的碳排放時(shí)空演變特征進(jìn)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(tǒng)方法中統(tǒng)計(jì)數(shù)據(jù)不全及統(tǒng)計(jì)口徑不一的缺點(diǎn)。研究結(jié)果表明,東部七省市的碳排放總量呈持續(xù)上升趨勢(shì),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(qiáng)度呈現(xiàn)北高南低的空間分布格局,而單位GDP碳排放強(qiáng)度則呈現(xiàn)西大東小的格局。擬合模型平均相關(guān)系數(shù)為0.841 2,且平均相對(duì)誤差呈遞減趨勢(shì),這表明基于夜間燈光數(shù)據(jù)可以更加及時(shí)精確地監(jiān)測(cè)和評(píng)估碳排放情況。本文為東部七省市制定實(shí)施整體化、區(qū)域化碳減排政策和可持續(xù)發(fā)展提供了數(shù)據(jù)參考和決策支撐。