夜间灯光数据估算中国省域碳排放与国际碳数据库分配的碳排放比较
The Accuracy of Nighttime Light Data to Estimate China's Provincial Carbon Emissions: A Comparison with Carbon Emissions Allocated by International Carbon Database
收稿日期: 2020-12-25 修回日期: 2021-11-19
基金资助: |
|
Received: 2020-12-25 Revised: 2021-11-19
作者简介 About authors
刘贤赵(1970-),男,湖南隆回人,教授,主要从事空间数据处理及环境管理研究E⁃mail:
关键词:
Keywords:
本文引用格式
刘贤赵, 杨旭.
Liu Xianzhao, Yang Xu.
1 引 言
21世纪人类面临的最大挑战之一是以气候变暖为主要特征的全球气候环境变化,而人类活动产生的CO2排放(简称碳排放)是导致这一变化的主要原因[1]。在碳排放持续增长和全球气候变化治理的双重压力下,如何采取有效措施削减碳排放成为世界各国的共同目标。作为负责任的大国,中国政府早在2015年巴黎举行的世界气候大会上,就庄严承诺到2030年单位GDP的碳排放量将比2005年下降60%~65%。这一目标的实现不仅取决于国家层面应对气候变化的减排行动,更有赖于中国各省碳减排措施的有效制定和低碳发展政策的落实。当前,中国正处在工业化和新型城镇化加速发展阶段,碳排放刚性增长暂时不可逆转。由于中国缺乏实时省域尺度的碳排放数据,因此,作为减缓气候变化的核心主体,如何快速准确获取省域尺度的碳排放数据就显得尤为重要。目前,关于中国省域尺度碳排放量的估算大多是基于能源消费数据进行,采用的方法主要是投入产出模型法,能源平衡表法和碳排放系数法等[2-3]。但由于能源统计数据的滞后性和不透明性,使得利用能源消费数据估算的碳排放无法实时反映中国省域碳排放量的变化;加上能源统计数据口径不一,省域间工业部门设定不同,以及估算方法使用的排放因子参数各异,极有可能导致不同省域间的碳排放清单无法对比[4],进而影响碳排放衍生的其他指标(如碳排放强度)的测度。尽管也有研究以能源平衡表和部门能源消费量为基础,提出了一套适合于中国碳排放的核算方法[5],但在把握碳排放最新动态变化方面仍难以实时估算出各省域的碳排放量,从而在一定程度上限制了各省根据碳排放数据实时制定差异化的减排政策。
目前,关于碳排放估算的研究国内外学者主要集中在两个方面,即不同空间尺度的碳排放估算和不同土地利用类型的碳排放估算[6-10]。就土地利用的碳排放估算来说,耕地的碳排放一般是采用耕地面积直接乘以耕地的碳排放系数;建设用地则是间接利用能源消耗量与其碳排放系数进行估算。尽管上述方法计算简单,但受限于基础数据源的不确定性和难获取性,其估算结果的有效性仍有待于证实。对于空间尺度的碳排放估算而言,现有的研究主要集中在统计数据相对较为丰富的国家、地区、省或地级市等。如国际能源署(International Energy Agency, IEA)、全球大气研究排放数据库(Emissions Database for Global Atmospheric Research, EDGAR)和美国能源信息管理局(U.S. Energy Information Administration, EIA)以及中国碳排放数据库(China Emission Accounts & Datasets, CEADs)等均对世界各国碳排放估算进行了深入研究,并且有学者对部分国际数据库核算中国碳排放的结果与官方公布值进行了对比分析[11-12]。尽管也有不少学者从不同角度对省、市或县级水平的碳排放估算进行过探索[9],但由于能源消费数据的统计问题(如各省统计口径存在差异,同一项指标可能在统计报告中有着不同的数据采集渠道)和数据获取的滞后性,导致不同尺度的碳排放获取仍然没有形成一套实时、有效的估算方法。
从碳排放的估算方法来说,目前常用的方法主要有IPCC提出的排放因子法、部门法、投入—产出模型法、能源平衡表法和空间数据法等。排放因子法就是利用能源消费“活动水平数据”乘以“排放因子”核算能源消费碳排放。该方法简单实用,但在活动水平数据和排放因子系数的选择上碳排放编制人员有着较大的“自由裁量权”,从而有可能使不同核算者估算的碳排放出现明显偏差[13];部门法则是通过广泛的实地调研和收集相关数据估算碳排放[14-15],但需要消耗大量的人力、物力和时间;投入—产出模型法和能源平衡表法分别是基于编制的投入—产出表和能源平衡表,结合相关数据对较大尺度地区的碳排放进行计算[16-17]。由于省域间能源、产品等交流的复杂性和数据统计的不一致性,这两种方法均存在一定的研究难点和不确定性[18];空间数据法是利用建立的大气观测站点和监测设备分析碳排放的变化及其空间分布,具有能实时反映碳排放变化的特性[19]。尽管目前已有近170个碳排放监测站点,覆盖近60个国家,但监测结果都是单点的局地观测,缺乏对全球范围或区域大尺度统一的探测方法和能力。
近年来,随着遥感技术的飞速发展,遥感数据不断丰富,通过卫星遥感定量反演大范围乃至全球的碳排放已成为一种重要的研究方法和技术手段[20]。其中,搭载传感器获取的DMSP/OLS和NPP-VIIRS数据因其具有稳定的夜间灯光影像和在夜间不受光线阴影影响的特性,而成为实时记录与碳排放有关的人类活动信息(如城市扩张、GDP、人口密度变化和能源消耗等)的重要手段[21-25]。由于以人类活动为主体的生产、生活是碳排放产生的主要来源,因此一些学者利用夜间灯光数据对不同空间尺度的碳排放估算进行了大量的研究。如Elvidge等[26]采用1994~1995年的DMSP/OLS夜间灯光数据对21个国家进行了研究,发现灯光面积与GDP、能源消耗以及碳排放量之间存在较强的线性关系。同样地,Doll等[27]得出了国家的总照明面积与GDP和碳排放量具有显著的正相关关系,并且灯光数据可用来模拟碳排放的时空特征。Meng等[28]利用夜间灯光影像和能源统计数据采用自上而下的方法估算了城市尺度的碳排放量。郭忻怡等[29]综合DMSP/OLS夜间灯光影像、NDVI数据和统计数据,构建了碳排放的空间滞后回归模型,并用于江苏省碳排放的空间分布模拟。Chen等[30]基于夜间灯光数据系统测算了1997~2017年中国县级尺度的CO2排放量和陆地植被的固碳量,从而弥补了当前中国官方公布碳排放数据的不足。尽管上述工作将会极大推动中国国家层面有关碳排放的研究以及微观层面碳减排政策的制定,但在碳排放数据精度检验和有效性方面仍存在一些不足。首先,现有的文献大多是基于夜间灯光数据针对不同空间尺度的碳排放进行估算,而将估算结果与国际权威数据库分配得到的碳排放量进行对比分析的研究较少;其次,在利用遥感夜间灯光影像反演中国省域碳排放时,通常是基于所有省域的夜间灯光值与能源消费核算的碳排放量建立一个整体回归模型[31],并未考虑省域之间在经济发展水平、产业结构、资源禀赋和能源利用效率等方面存在的差异,因而利用整体回归模型去反演各省域的碳排放量未免有失偏颇;三是一些学者利用夜间灯光数据提取建成区面积与碳排放建立回归关系时,多是采用经验阈值法[32-33],从而有可能导致碳排放的估算存在不确定性。
研究借助了夜间灯光数据,通过提取建成区灯光值与核算的碳排放量分别建立各省域碳排放估算模型,将模型估算结果与国际权威碳数据库分配得到的省域碳排放量进行比较,验证利用夜间灯光数据估算省域碳排放量的精度及其有效性,为政府部门因地制宜地实施减排政策提供科学依据,也为了解更细致单元的碳排放特征提供参考。
2 数据来源与研究方法
2.1 数据来源与处理
基于数据的可获得性,选取中国大陆中的30个省、市、自治区进行研究,使用的数据主要有夜间灯光数据、统计数据及中国省级行政区划矢量数据。
2.1.1 夜间灯光数据
夜间灯光数据来自美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration, NOAA)下属的国家地球物理数据中心(https:∥ngdc.noaa.gov/eog/download.html)。考虑国际碳数据库公布的碳排放时间跨度(表1),截取1997~2017年中国大陆30个省的两种夜间灯光数据(DMSP-OLS数据和NPP-VIIRS数据)用于反演中国省域的碳排放。DMSP/OLS稳定夜间灯光数据是由多个DMSP卫星传感器得到的1992~2013年共34期影像(研究使用的是1997~2013年共25期影像),该影像去除了云层和偶然灯光噪声的影响,包括居民地和永久性光源区域,像元灰度值范围为0~63,空间分辨率为30弧秒(约900 m)。由于DMSP-OLS数据是由不同传感器获得的,因而造成长时间序列的影像之间缺乏连续性和可比性,且单幅影像的DN值存在过饱和问题。NPP-VIIRS数据是合成的月平均灯光辐射数据,产品包括自2012年4月至今每月一期的影像(本研究截取2012~2017年的影像用于校正拟合和反演碳排放)。该数据继承了DMSP-OLS数据的微光探测能力,不仅具有DMSP-OLS数据的全部特性和更高的空间分辨率(15弧秒,约500 m),而且在一定程度上减少了DMSP-OLS数据像元过饱和的问题。但由于两者来自不同的卫星传感器,使得NPP-VIIRS数据与DMSP-OLS数据存在两个方面的不同:一是NPP-VIIRS数据没有完全过滤火光、气体燃烧、火山或极光等背景噪声,且受非相干光辐射的影响使其存在灯光溢出现象;二是NPP-VIIRS数据多为月度夜间灯光数据,需要合成年度灯光数据。同时,NPP-VIIRS数据少数像元值存在诸如负值、极高值和光源不稳定等问题。因此,为获得用于估算碳排放的长时间序列稳定的夜间灯光数据,需要对上述两种夜间灯光数据进行校正与拟合。处理过程如下:①为避免影像网格随纬度变化而导致变形,将下载的DMSP-OLS和NPP-VIIRS数据(地理坐标系均为GSC_WGS_84)重投影为Albers等面积投影坐标系,并进行重采样使两种数据的像元分辨率均为1 km,然后利用中国省级行政区划矢量数据裁剪得到夜间灯光影像的中国区域;②运用不变目标区域法对中国区域所选的每一期DMSP-OLS影像进行校正,以解决灯光影像饱和、影像间不连续性和不可比的问题;③参考Shi等[34]和周翼等[35]的方法将NPP-VIIRS月度数据合成年度数据,并消除灯光数据中的负值和极高值,即把小于0的值设定为0.001,背景值设为0,把大于235的值设为235(经统计,NPP-VIIRS合成年度数据在2012~2017年最大灯光亮度值分别为234.32、233.75、234.05、233.10、234.47和234.59,故将灯光亮度值大于235的视为极高值);④以校正后的DMSP-OLS夜间灯光影像为参考,对NPP-VIIRS数据进行重分类(即假定2012、2013年校正后的DMSP/OLS影像与同年份的NPP/VIIRS影像具有相同亮值区域,据此以同年份DMSP/OLS影像亮值区域为掩膜提取NPP-VIIRS影像中的有效区域),利用两者在时间和空间上的重叠数据对每一期的NPP-VIIRS数据进行拟合校正,最后得到时间跨度较长的稳定夜间灯光数据。图1仅列出了1997、2005、2010和2017年4个年份的夜间灯光影像空间分布。
表1 国际权威碳排放数据库基本信息
Table 1
数据库名称 | 起止时间 | 碳排放空间边界 | 碳排放核算边界 | 数据库网址 |
---|---|---|---|---|
IEA | 1960~2017年 | 中国大陆、香港 | 化石燃料 | https:∥webstore.iea.org |
EDGAR | 1970~2018年 | 中国大陆、港澳台 | 化石燃料和工业过程 | https:∥data.jrc.ec.europa.eu/collection/EDGAR |
EIA | 1979~2017年 | 中国大陆 | 化石燃料 | https:∥eia.gov/international/data/world |
CEADs | 1997~2017年 | 中国大陆及各省区 | 化石燃料和水泥生产 | http:∥www.ceads.net |
图1
图1
中国夜间灯光影像空间分布 审图号:GS(2020)4619
Fig. 1
spatial distribution of night light images in China
2.1.2 国际碳排放数据
为与基于夜间灯光数据估算的省域碳排放量进行比较,考虑数据的全面性、权威性和有效性,本文选取IEA、EDGAR、EIA和CEADs四大典型碳数据库中的碳排放数据用于省域分配(具体分配方法见下文)。为便于数据对比,文中用来分配的国家尺度的碳排放数据均为上述数据库中中国大陆的碳排放量。四大权威数据库的基本信息如表1所示。
2.1.3 能源消耗和社会经济数据
核算中国省域碳排放8种主要化石能源(原煤、焦炭、原油、汽油、煤油、柴油、燃料油、天然气)的消费数据和不同能源种类的排放因子系数分别来自1998~2018年中国能源统计年鉴和IPCC国家温室气体清单编制指南。社会经济数据(如人口、经济发展水平、产业结构和建成区面积)均来自1998~2018年中国统计年鉴和中国城市统计年鉴;为消除价格波动的影响,使用的经济数据折算为2000年不变价。行政边界矢量数据来自国家基础地理信息中心。
2.2 研究方法
基于1997~2014年中国省域建成区提取的夜间灯光值与同期省域核算的碳排放量建立回归模型,在此基础上利用2015~2017年夜间灯光影像提取的灯光值估算中国各省域的碳排放量;然后采用熵值法将国际典型碳数据库中国家层面的碳排放量分配至中国各省,最后对比分析基于灯光值估算的省域碳排放量与国际数据库分配至各省的碳排放量之间的差异,研究框架如图2所示。
图2
2.2.1 省域历史碳排放量核算
省域能源消费碳排放核算采用IPCC方法中“活动水平数据乘以排放因子”进行,具体公式如下:
其中:C为某省化石燃料消耗产生的碳排放;Qi 为第i种化石能源的终端消费量,利用折标准煤系数转换为标准煤单位消费量表示;EFi 表示第i种化石能源对应的排放因子。
2.2.2 建成区TDN值提取
目前,提取建成区夜间灯光阈值的方法主要有经验阈值法、突变检测法和统计数据比较法。其中,统计数据比较法就是利用统计年鉴中公布的统计数据(如建成区面积)与基于夜间灯光影像提取的建成区面积进行比较,然后来确定合理的阈值。鉴于统计数据比较法在提取建成区灯光阈值方面具有的科学性以及使用的广泛性[36],本研究拟采用该种方法,即利用ArcGIS10.2软件中的“Extract by Attributes”工具不断调整夜间灯光栅格数据的属性阈值,计算每个动态阈值下的建成区面积。当基于阈值计算的建成区面积与中国城市统计年鉴公布的建成区面积绝对差值最小时,提取结束,进而确定中国各省域的夜间灯光总值(即影像像元亮度总值,用TDN表示)。附录1为基于夜间灯光数据计算的建成区面积与统计年鉴记载的建成区面积二者绝对差值小于4.0%时提取的中国各省域建成区的TDN值。
2.2.3 碳排放估算模型构建
其中:i、t分别代表省域和年份;CO 2it 为本文核算的省域碳排放量;TDN it 为省域建成区的夜间灯光总值;a和b为拟合参数。
2.2.4 国家层面国际碳排放数据的省域分配方法
为了验证利用夜间灯光数据估算中国省域碳排放的可靠性,拟选取CEADs、IEA、EDGAR和EIA四大权威数据库(表1)发布的2015~2017年的碳排放数据与回归模型估算的同期碳排放量进行比较。考虑到IEA、EDGAR和EIA三大数据库提供的是国家层面的碳排放数据(CEADs数据库提供了国家和省域两种尺度的碳排放数据,不用进行分配),因此需要先将这三大数据库的碳排放量分配至各省。本研究从规模效应、技术效应和结构效应的视角筛选影响碳排放的因素[32],并兼顾公平性、效率性和可行性的原则[37],选取人口规模、经济增长、历史碳排放量(3个指标代表规模效应和公平性原则)、碳排放强度(代表技术效应和效率性原则)和产业结构(代表结构效应和可行性原则)作为国家层面碳排放的省域分配指标(表2)。
表2 国家层面碳排放量省域分配的指标体系
Table 2
选取原则 | 指标 | 指标度量 | 影响方向 | 数据来源 |
---|---|---|---|---|
公平性原则 | 人口规模 | 人口数量 | 正向 | 中国统计年鉴 |
经济增长 | GDP数值 | 正向 | 中国统计年鉴 | |
历史碳排放量 | 化石能源消费产生的碳排放 | 正向 | 中国能源统计年鉴 | |
效率性原则 | 碳排放强度 | 碳排放量/GDP | 正向 | 中国能源统计年鉴/中国统计年鉴 |
可行性原则 | 产业结构 | 第三产业比重 | 负向 | 中国统计年鉴 |
为了客观科学地确定各指标在分配中的权重,本研究采用适合多指标综合确权的熵值法,根据各个指标传递的信息量确定各指标的权重。具体步骤如下:首先对各指标原始数据进行标准化处理,以消除量纲不同产生的影响。即针对正向指标和负向指标,分别采用公式
计算的各省域指标权重平均结果显示,GDP的权重最大,为28.76%,历史碳排放量与人口规模的权重分别为26.02%和16.37%,三项指标权重合计为71.16%,意味着公平性原则是省域碳排放分配最重要的原则。此外,表征效率性原则的碳排放强度占比18.69%,而代表可行性原则的第三产业比重占比最低,仅为10.15%。
基于熵值法确定的上述5个指标权重,结合马海良等[38]提出的碳排放总量测算模型,本研究构建省域碳排放分配模型如下:
其中:Qj 为j省分配的碳排放量;Qg 为中国总的碳排放量;Pj 为第j省的人口规模;Gj 为j省的GDP;Cj 为j省的历史碳排放量;Ij 为j省的碳排放强度;Tj 为j省第三产业比重;a、b、c、d和e分别为上述5个指标(人口、GDP、历史碳排放量、碳排放强度和第三产业比重)进行碳排放分配时的权重,且满足
3 结果与讨论
3.1 中国省域碳排放预测模型
表3 基于1997~2014年中国省域建成区提取的TDN值与历史碳排放量建立的碳排放预测模型
Table 3
省份 | 回归结果 | 省份 | 回归结果 | ||||||
---|---|---|---|---|---|---|---|---|---|
回归方程 | R2 | F值 | P值 | 回归方程 | R2 | F值 | P值 | ||
北京 | y=0.0003x+36.67 | 0.855 | 87.03 | 0.000 | 河南 | y=0.0048x-275.57 | 0.894 | 134.36 | 0.000 |
天津 | y=0.0022x-55.20 | 0.887 | 125.57 | 0.000 | 湖北 | y=0.0037x-135.60 | 0.925 | 196.84 | 0.000 |
河北 | y=0.0066x-312.23 | 0.954 | 321.23 | 0.000 | 湖南 | y=0.0041x-115.36 | 0.918 | 178.43 | 0.000 |
山西 | y=0.0217x-927.17 | 0.874 | 111.41 | 0.000 | 广东 | y=0.0011x-65.86 | 0.916 | 173.85 | 0.000 |
内蒙古 | y=0.0134x-525.89 | 0.903 | 136.72 | 0.000 | 广西 | y=0.0033x-117.72 | 0.884 | 100.08 | 0.000 |
辽宁 | y=0.0043x-367.74 | 0.964 | 423.64 | 0.000 | 海南 | y=0.0053x-40.70 | 0.832 | 79.10 | 0.000 |
吉林 | y=0.0038x-107.77 | 0.847 | 85.38 | 0.000 | 重庆 | y=0.0019x+10.57 | 0.865 | 103.00 | 0.000 |
黑龙江 | y=0.0052x-423.72 | 0.869 | 105.95 | 0.000 | 四川 | y=0.0027x-41.93 | 0.847 | 87.94 | 0.000 |
上海 | y=0.0012x+11.38 | 0.827 | 78.18 | 0.000 | 贵州 | y=0.0131x-118.83 | 0.864 | 94.49 | 0.000 |
江苏 | y=0.0024x-56.56 | 0.960 | 371.73 | 0.000 | 云南 | y=0.0038x-28.45 | 0.933 | 221.26 | 0.000 |
浙江 | y=0.0030x-76.64 | 0.943 | 266.60 | 0.000 | 陕西 | y=0.0083x-327.95 | 0.929 | 210.54 | 0.000 |
安徽 | y=0.0035x-128.89 | 0.882 | 120.06 | 0.000 | 甘肃 | y=0.0046x-86.37 | 0.895 | 136.98 | 0.000 |
福建 | y=0.0028x-57.68 | 0.986 | 1140.46 | 0.000 | 青海 | y=0.0150x-75.01 | 0.931 | 216.08 | 0.000 |
江西 | y=0.0024x-7.81 | 0.952 | 307.82 | 0.000 | 宁夏 | y=0.0084x-86.28 | 0.898 | 141.05 | 0.000 |
山东 | y=0.0040x-206.05 | 0.936 | 233.76 | 0.000 | 新疆 | y=0.0086x-124.03 | 0.927 | 193.88 | 0.000 |
3.2 省域估算的碳排放量与权威数据库分配的碳排放量比较
基于上述熵值法确定的指标权重,利用
其中:
附录2显示,在2015~2017年期间,各年份估算的省域碳排放量与四大国际典型碳数据库分配的省域碳排放量大体一致,总体差异并不大。各数据库中中国30个省域的平均MAPE值变化在6.45%~9.12%之间,这说明在此期间估算的省域碳排放量较国际碳数据库分配的碳排放结果平均仅偏离了6.45~9.12个百分点,意味着利用夜间灯光遥感影像提取建成区TDN值作为自变量来测算碳排放量具有较高的精度和一定的可行性。进一步分析发现,在这四大国际碳数据库中,30个省域估算的碳排放量与分配的碳排放量的平均MAPE值较大的出现在EDGAR和CEADs,平均MAPE值较小的分别是IEA和EIA,这表明基于夜间灯光数据估算得到的省域碳排放总体上与IEA和EIA数据库分配的碳排放值更接近。造成这种差异的一个很重要的原因可能是上述四大国际数据库对中国碳排放的核算边界不尽相同所致(表1)。例如,IEA和EIA核算中国碳排放的边界是化石燃料燃烧所产生的CO2排放量[40-41];CEADs核算的范围除了化石燃料燃烧直接产生的碳排放外,还涉及了水泥生产所导致的CO2排放量[5];EDGAR核算中国碳排放的范围则更广[13],不仅包括了化石燃料消耗和水泥生产所形成的碳排放,而且还包括了其他工业过程所产生的碳排放(如石灰石的碳酸化,燃料的非能源利用,化学溶剂和金属制造工艺过程,农用石灰和尿素,废物和矿物燃料燃烧等)。由于IEA和EIA核算中国碳排放的边界与本文估算历史碳排放量的边界基本一致,即都是采用化石能源消耗量核算碳排放,从而导致IEA和EIA的MAPE值较CEADs和EDGAR的要小(附录2)。此外,用于核算碳排放的燃料类别、活动水平数据来源及碳排放因子来源等的差异[13],也可能是造成四大国际碳数据库的MAPE值各不相同的另一个原因。据报道,不同类别化石燃料(煤炭、石油和天然气)因排放因子的非本地化可导致约3%的总量估算差距[5]。由于中国能源消费基数较大,采用不同来源的活动数据和排放因子,在测算中国碳排放量时可能会带来14%左右(约0.35GTC)的估算差距[4]。
从单个省域2015~2017年估算的碳排放量与国际碳数据库分配的碳排放量的MAPE值来看,四大国际数据库中所有省域的MAPE值均在0.68%~14.85%之间变化;即使同一个省域,不同国际碳数据库的MAPE值也存在差异(表4)。以IEA和EDGAR两个碳数据库为例,在调查的中国大陆30个省域中,有20个省域的MAPE值是EDGAR的要大于IEA的,二者的差值范围变化在0.1%(河北省)~11.70%(云南省)之间,平均差值为4.42%,差距并不明显,表明基于夜间灯光数据通过提取建成区TDN值来估算省域碳排放量的方法具有较好的适用性和参考价值。至于碳数据库EDGAR的MAPE值大于IEA的原因可能与EDGAR核算中国碳排放的边界较IEA的宽泛有关。此外,由于中国各省域在经济发展水平、科技进步和资源禀赋上存在较严重的不平衡现象[42],同一国际碳数据库不同省域的MAPE值也表现出一定的差异,但多数省域的MAPE值均控制在10.0%以内(表4)。这一结果也说明基于夜间灯光数据估算中国省域的碳排放量具有一定的可靠性。仍以IEA数据库为例,其MAPE值小于10.0%的省域有23个,约占整个调查省域的76.67%,剩余的7个省域,如天津(14.85%)、山东(14.65%)、河北(13.22%)、上海(12.58%)、江苏(11.60%)、广东(11.41%)和陕西(10.35%)的MAPE值超过10.0%,但它们仍在一个可接受的范围内(MAPE值<15.0%)。至于上述省域MAPE值较大的原因可能是因为大部分省域都位于经济较发达、人口较密集的东部沿海地区,参与省域碳排放分配的指标(如经济、人口规模)所占权重较大,再加上这些省域的历史碳排放量相对较高,因而基于前述的省域碳排放分配方法有可能分配到较多的碳排放量,进而使基于夜间灯光影像估算的碳排放量与IEA数据库分配的碳排放量差异加大[43]。其余三大国际碳数据库亦显示出类似的结果(表4),在此不再赘述。
表4 2015~2017年主要省域估算的碳排放量与国际数据库分配的碳排放量的平均绝对百分比误差(MAPE, %)
Table 4
省份 | IEA | EDGAR | EIA | CEADs | 省份 | IEA | EDGAR | EIA | CEADs |
---|---|---|---|---|---|---|---|---|---|
北京 | 5.17 | 3.74 | 5.14 | 7.15 | 河南 | 5.77 | 11.20 | 9.98 | 4.78 |
天津 | 14.85 | 7.95 | 7.17 | 14.19 | 湖北 | 4.87 | 7.81 | 10.34 | 3.39 |
河北 | 13.22 | 13.32 | 12.12 | 6.82 | 湖南 | 7.13 | 7.59 | 7.88 | 9.04 |
山西 | 3.71 | 3.61 | 3.29 | 9.74 | 广东 | 11.41 | 2.39 | 0.69 | 3.74 |
内蒙古 | 5.69 | 9.70 | 11.29 | 6.38 | 广西 | 3.65 | 12.45 | 8.94 | 11.73 |
辽宁 | 6.05 | 9.79 | 5.70 | 7.63 | 海南 | 2.47 | 9.90 | 6.32 | 5.99 |
吉林 | 5.16 | 5.87 | 5.84 | 4.45 | 重庆 | 6.16 | 12.57 | 11.36 | 13.70 |
黑龙江 | 5.79 | 5.27 | 4.39 | 6.82 | 四川 | 5.02 | 5.24 | 7.29 | 5.71 |
上海 | 12.58 | 8.70 | 11.81 | 3.61 | 贵州 | 5.37 | 9.66 | 12.43 | 5.89 |
江苏 | 11.60 | 10.18 | 12.94 | 11.67 | 云南 | 2.85 | 14.55 | 8.58 | 14.29 |
浙江 | 2.41 | 4.77 | 7.39 | 6.55 | 陕西 | 10.35 | 2.58 | 2.37 | 9.44 |
安徽 | 0.68 | 4.13 | 6.74 | 6.44 | 甘肃 | 6.36 | 8.70 | 6.02 | 9.04 |
福建 | 4.59 | 11.92 | 5.40 | 10.19 | 青海 | 8.96 | 14.13 | 10.85 | 2.85 |
江西 | 9.55 | 6.77 | 3.66 | 4.40 | 宁夏 | 5.67 | 11.85 | 9.65 | 5.50 |
山东 | 14.65 | 11.88 | 7.16 | 9.30 | 新疆 | 5.60 | 10.98 | 6.07 | 10.11 |
此外,为了更直观地揭示基于夜间灯光数据估算省域碳排放量的有效性,将2015~2017年中国30个省域估算的碳排放量与四大权威数据库分配的碳排放量进行对比。由图3可知,基于夜间灯光数据估算的省域碳排放量与四大典型数据库分配的碳排放量均落在1∶1线附近,二者回归方程的R2系数分别为0.956(CEADs)、0.979(IEA)、0.947(EDGAR)和0.983(EIA),MAPE值分别为8.10(CEADs)、7.25(IEA)、9.04(EDGAR)和7.55(EIA),且均在0.0001水平下通过极显著性检验。这些结果进一步表明,利用夜间灯光数据估算的省域碳排放量与国际权威数据库分配得到的省域碳排放量相差很小,说明该方法是可行的,估算结果是可靠的;特别是基于夜间灯光数据估算的中国30个省域的碳排放量与IEA和EIA两个数据库分配的省域碳排放量更为接近,再次表明基于夜间灯光数据通过提取TDN值估算省域碳排放量不管是在理论上还是在方法实践上都是可行的。
图3
图3
2015~2017年国际数据库分配至省的碳排放与估算的省域碳排放比较
Fig.3
Comparison of carbon emissions allocated to provinces from the international databases and estimated provincial carbon emissions in 2015~2017
4 结 论
为解决当前中国省域碳排放数据缺失或不实时的问题,基于DMSP/OLS和NPP-VIIRS夜间灯光数据以及省域能源平衡表和相关社会经济数据,采用统计数据比较法提取建成区TDN值与核算的历史碳排放量分别建立了中国各省域的碳排放估算模型。在此基础上,利用提取的TDN值对2015~2017年中国大陆30个省域(不包括西藏)的碳排放量进行了估算,将结果与四大国际权威碳数据库分配的省域碳排放值进行比较,发现估算的省域碳排放量与四大国际碳数据库分配的碳排放量大体一致,平均差距仅为6.45%~9.12%,并且基于夜间灯光数据估算的省域碳排放量与IEA和EIA数据库分配的碳排放值更为接近;单个省域估算的碳排放量与国际数据库分配的碳排放量差距较小,各省域的MAPE值变化在0.68%~14.85%,且多数省域的MAPE值均小于10.0%;此外,各省域估算的碳排放量与分配的碳排放量均落在1∶1线附近,二者回归方程的R2系数均在0.94以上,MAPE值分别为8.10(CEADs)、7.25(IEA)、9.04(EDGAR)和7.55(EIA)。
这些结果表明利用夜间灯光数据估算中国省域碳排放量具有较高的精度,不仅避免了传统方法在核算碳排放过程中由于省域间社会经济状况和能源类别的差异以及排放因子系数选取导致的不确定性问题,而且也弥补了前人研究对能源消费数据统计口径不一致和统计时间滞后的缺陷,最终实现对省域碳排放的实时准确估算,可以说,该方法在理论上和实践上是可行的。值得指出的是,由于在预测模型构建过程中忽略了省域碳排放因子的本地化,从而有可能导致模型误差;其次是在省域碳排放分配时,采用的指标体系不一定能够全面反映各省域的碳排放特征。因此,基于夜间灯光影像,如何将排放因子本地化和构建包含更多指标的分配体系对中国省域碳排放进行准确估算有待进一步研究。
附录1 1997~2014年中国主要省域建成区提取的TDN值
省份 | 1997年 | 1998年 | 1999年 | 2000年 | 2001年 | 2002年 | 2003年 | 2004年 | 2005年 | 2006年 | 2007年 | 2008年 | 2009年 | 2010年 | 2011年 | 2012年 | 2013年 | 2014年 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
北京 | 72 748 | 72 750 | 72 763 | 72 858 | 109 060 | 135 214 | 153 397 | 153 690 | 154 897 | 158 207 | 164 833 | 165 123 | 168 991 | 163 397 | 168 207 | 169 843 | 170 833 | 172 931 |
天津 | 47 894 | 49 221 | 50 681 | 51 761 | 56 130 | 58 556 | 62 758 | 65 098 | 67 944 | 69 348 | 72 745 | 80 303 | 80 354 | 85 704 | 85 903 | 86 225 | 89 863 | 89 983 |
河北 | 79 332 | 81 548 | 83 438 | 85 770 | 87 660 | 94 249 | 104 046 | 106 638 | 111 893 | 117 606 | 121 333 | 124 973 | 127 673 | 130 165 | 135 684 | 198 647 | 139 957 | 147 247 |
山西 | 43 933 | 46 446 | 48 399 | 57 440 | 60 205 | 62 417 | 65 280 | 66 638 | 68 654 | 69 336 | 72 925 | 74 878 | 78 814 | 82 305 | 87 701 | 91 087 | 92 086 | 94 398 |
内蒙古 | 39 448 | 42 064 | 42 644 | 43 036 | 51 307 | 51 667 | 55 301 | 58 977 | 63 768 | 67 491 | 74 775 | 77 167 | 79 988 | 79 988 | 81 963 | 88 618 | 96 048 | 97 821 |
辽宁 | 140 263 | 144 545 | 147 679 | 148 755 | 152 907 | 160 283 | 161 662 | 165 844 | 168 506 | 172 324 | 178 674 | 183 946 | 186 666 | 201 998 | 206 673 | 209 561 | 209 871 | 212 737 |
吉林 | 54 031 | 54 308 | 52 684 | 54 518 | 57 122 | 58 753 | 61 653 | 63 569 | 67 208 | 80 236 | 82 616 | 88 995 | 80 376 | 83 527 | 85 715 | 87 080 | 88 668 | 97 537 |
黑龙江 | 108 519 | 109 865 | 107 806 | 116 262 | 116 456 | 116 536 | 117 191 | 126 745 | 129 139 | 131 434 | 132 534 | 134 969 | 137 687 | 141 730 | 146 815 | 149 185 | 151 681 | 152 218 |
上海 | 58 143 | 73 839 | 76 075 | 76 083 | 76 095 | 76 175 | 76 275 | 103 315 | 106 474 | 114 246 | 117 121 | 117 129 | 117 221 | 1 174 246 | 117 521 | 117 531 | 120 769 | 123 835 |
江苏 | 93 886 | 96 862 | 102 699 | 105 861 | 122 340 | 151 009 | 158 977 | 166 997 | 178 722 | 188 515 | 199 275 | 213 502 | 223 542 | 244 214 | 253 479 | 276 107 | 286 767 | 297 166 |
浙江 | 52 479 | 59 948 | 65 782 | 72 159 | 82 427 | 86 645 | 96 977 | 101 602 | 112 703 | 120 185 | 122 580 | 133 715 | 133 715 | 144 719 | 144 719 | 153 600 | 160 816 | 169 537 |
安徽 | 52 450 | 58 687 | 66 241 | 75 608 | 76 181 | 80 359 | 85 425 | 91 897 | 99 857 | 103 275 | 105 073 | 111 047 | 116 864 | 121 986 | 129 266 | 129 266 | 133 896 | 137 161 |
福建 | 31 194 | 33 740 | 35 833 | 38 360 | 41 071 | 43 440 | 53 037 | 55 210 | 57 896 | 62 033 | 67 186 | 71 493 | 74 564 | 84 930 | 92 163 | 94 163 | 95 513 | 99 519 |
江西 | 18 231 | 19 354 | 20 800 | 26 964 | 28 532 | 31 493 | 37 480 | 41 674 | 42 619 | 45 755 | 47 287 | 49 238 | 54 451 | 58 220 | 60 439 | 62 146 | 66 933 | 69 473 |
山东 | 109 654 | 114 468 | 122 926 | 129 673 | 144 029 | 156 950 | 176 031 | 186 841 | 200 688 | 218 280 | 223 811 | 244 417 | 253 996 | 263 472 | 273 482 | 298 132 | 321 071 | 334 859 |
河南 | 73 874 | 78 604 | 81 739 | 91 117 | 97 284 | 105 353 | 111 150 | 115 754 | 128 476 | 136 117 | 142 841 | 148 633 | 151 593 | 157 473 | 166 056 | 174 882 | 178 148 | 180 318 |
湖北 | 59 699 | 60 406 | 65 887 | 70 296 | 72 244 | 77 014 | 81 078 | 82 039 | 83 193 | 97 267 | 101 826 | 109 932 | 103 800 | 109 932 | 115 860 | 117 568 | 124 101 | 124 638 |
湖南 | 41 084 | 43 063 | 48 442 | 50 043 | 53 417 | 55 844 | 62 183 | 62 683 | 64 187 | 66 429 | 71 407 | 77 728 | 80 716 | 82 174 | 89 065 | 90 697 | 92 154 | 94 546 |
广东 | 151 524 | 164 755 | 177 684 | 196 348 | 218 782 | 258 966 | 319 463 | 334 299 | 343 321 | 353 215 | 373 721 | 398 141 | 407 293 | 416 151 | 431 491 | 454 112 | 468 180 | 576 298 |
广西 | 42 630 | 43 840 | 45 367 | 45 540 | 49 521 | 56 530 | 59 594 | 60 185 | 64 366 | 63 346 | 70 324 | 71 247 | 73 814 | 77 286 | 186 872 | 84 362 | 88 228 | 90 697 |
海南 | 7 667 | 7 670 | 8 234 | 8 245 | 8 734 | 9 258 | 11 595 | 10 276 | 12 535 | 14 339 | 16 073 | 16 453 | 13 674 | 13 921 | 14 403 | 17 420 | 17 536 | 19 335 |
重庆 | 17 300 | 21 705 | 22 422 | 23 628 | 24 075 | 34 171 | 35 147 | 34 797 | 39 271 | 47 713 | 51 406 | 52 049 | 52 572 | 61 305 | 67 381 | 70 043 | 72 017 | 75 965 |
四川 | 42 201 | 47 329 | 52 836 | 59 505 | 64 529 | 71 836 | 82 874 | 84 512 | 84 903 | 87 071 | 91 955 | 92 206 | 97 341 | 103 887 | 108 920 | 115 928 | 121 281 | 130 180 |
贵州 | 13 951 | 14 511 | 14 321 | 15 291 | 16 002 | 17 435 | 18 906 | 20 830 | 21 278 | 21 278 | 24 133 | 24 428 | 25 868 | 22 558 | 27 353 | 27 408 | 32 243 | 36 789 |
云南 | 18 285 | 22 306 | 22 369 | 24 480 | 25 570 | 26 428 | 35 118 | 35 878 | 44 502 | 41 165 | 43 958 | 46 010 | 49 353 | 50 244 | 52 627 | 54 564 | 61 832 | 62 613 |
陕西 | 41 665 | 41 847 | 46 782 | 49 175 | 51 554 | 52 601 | 56 175 | 58 148 | 59 857 | 68 942 | 66 319 | 72 858 | 75 045 | 81 365 | 81 505 | 86 488 | 92 580 | 93 297 |
甘肃 | 31 444 | 31 898 | 31 950 | 32 115 | 31 823 | 39 290 | 40 520 | 41 275 | 43 500 | 46 763 | 47 553 | 49 330 | 48 714 | 49 124 | 50 737 | 51 941 | 54 455 | 56 091 |
青海 | 5 706 | 5 773 | 6 122 | 6 278 | 6 444 | 6 319 | 6 411 | 6 565 | 6 643 | 6 769 | 6 711 | 6 741 | 6 792 | 7 116 | 7 668 | 8 658 | 9 445 | 10 853 |
宁夏 | 9 131 | 10 681 | 10 721 | 11 058 | 11 673 | 14 502 | 17 310 | 19 552 | 21 071 | 22 736 | 25 009 | 26 526 | 26 366 | 27 521 | 28 366 | 30 132 | 32 187 | 32 371 |
新疆 | 19 231 | 25 137 | 25 619 | 25 631 | 25 851 | 27 050 | 27 254 | 28 022 | 28 432 | 30 605 | 31 101 | 40 994 | 44 659 | 45 671 | 48 743 | 48 743 | 49 989 | 52 922 |
附录2 2015-2017年主要省域估算的碳排放量与国际数据库分配的碳排放量比较
Appendix 2 Comparison of estimated provincial carbon emissions with allocated provincial carbon emissions
参考文献
Research on carbon emission intensity and carbon footprint of different industrial spaces in China
[J]. ,
中国不同产业空间的碳排放强度与碳足迹分析
[J]. ,
An accounting of CO2 emission in Chinese cities and spatial pattern analysis
[J]. ,
中国城市CO2排放核算及其特征分析
[J]. ,
Trend forecast of energy production and consumption in China and research of carbon emissions
[J]. ,
中国能源生产与消费趋势预测和碳排放研究
[J]. ,
Carbon emissions from land-use change and management in China between 1990 and 2010
[J]. ,
Reduced carbon emission estimates from fossil fuel combustion and cement production in China
[J]. ,
Estimation of marginal abatement costs of CO2 in Chinese provinces under 2020 carbon emission rights allocation: 2005–2020
[J]. ,
Assessment of the relation between land use and carbon emission in Eindhoven, the Netherlands
[J]. ,
Land-use carbon emissions estimation for the Yangtze River Delta urban agglomeration using,1994-2016 Landsat image data
[J].,
The estimatiom and spatial distribution of the carbon emissions of county units in China
[J].,
中国县域能源消费碳排放估算及其空间分布
[J]. ,
A top-bottom estimation method for city-level energy-related CO2 emissions
[J].,
自上而下的城市能源消耗碳排放估算方法
[J]. ,
Comparison and analysis of CO2 emissions data for China
[J]. ,
Comparison analysis of China’s emissions accounting by typical international carbon databases
[J]. ,
国际典型碳数据库对中国碳排放核算的对比分析
[J]. ,
CO2 greenhouse emissions in oman over the last forty-two years: review
[J]. ,
Sectoral carbon emissions and economic growth in the US: further evidence from rolling window estimation method
[J]. ,
High resolution carbon dioxide emission gridded data for China derived from point sources
[J]. ,
Energy and carbon footprints of sewage treatment methods
[J]. ,
China CO2 emission accounts 1997-2015
[J]. ,
A model for developing a target integrated low carbon city indicator system: The case of Xiamen, China
[J]. ,
A multi-resolution spatial parameterization for the estimation of fossil-fuel carbon dioxide emissions via atmospheric inversions
[J]. ,
On the statistical optimality of CO2 atmospheric inversions assimilating CO2 column retrievals
[J]. ,
The carbon emissions of chinese cities
[J].,
Overview of the nightsat mission concept
[J]. ,
The spatial-temporal measurement on the land urbanization level using DMSP/OLS nighttime light data—A case study of Bohai Rim
[J]. ,
基于DMSP/OLS夜间灯光数据的土地城镇化水平时空测度研究: 以环渤海地区为例
[J]. ,
Mapping urbanization dynamics at regional and global scales using multi-temporal DMSP/OLS nighttime light data
[J]. ,
Estimating rural populations without access to electricity in developing countries through night-time light satellite imagery
[J]. ,
Night-time lights of the world: 1994–1995
[J]. ,
Night-time imagery as a tool for global mapping of socioeconomic parameters and gre-enhouse gas emissions
[J]. ,
Estimating CO2 emissions at urban scales by DMSP/OLS nighttime light imagery: methodological challenges and a case study for China
[J]. ,
Spatial distribution of carbon emissions based on DMSP/OLS nighttime light data and NDVI in Jiangsu Province
[J]. ,
基于DMSP/OLS与NDVI的江苏省碳排放的空间分布模拟
[J]. ,
County-level CO2 emissions and sequestration in China during 1997-2017
[J]. ,
The characteristics and mechanisms of carbon emissions from energy consumption in China using DMSP/OLS night light imageries
[J]. ,
基于夜间灯光数据的中国能源消费碳排放特征及机理
[J]. ,
An empirical study about population density, economic agglomeration and carbon emission state of Chinese Provinces: based on the perspective of agglomeration economy effects, congestion effects and spatial effects
[J].,
中国省域人口密度、产业集聚与碳排放的实证研究—基于集聚经济、拥挤效应及空间效应的视角
[J]. ,
Spatio-temporal simulation and differentiation pattern of carbon emissions in China based on DMSP/OLS nighttime light data
[J]. ,
基于DMSP/OLS数据的中国碳排放时空模拟与分异格局
[J]. ,
Evaluating the ability of NPP-VIIRS nighttime light data to estimate the gross domestic product and the electric power consumption of China at multiple scales: A comparison with DMSP-OLS data
[J]. ,
Generation and verification of NPP-VIIRS annual nighttime light data
[J]. ,
NPP-VIIRS年度夜间灯光数据的合成与验证
[J]. ,
Validation of urban boundaries derived from global night-time satellite imagery
[J]. ,
Provincial decomposition of China's carbon emission rights under the constraint of 2020 and 2030 carbon intensity targets
[J]. ,
2020和2030年碳强度目标约束下中国碳排放权的省区分解
[J]. ,
Research on the prediction of carbon emissions distribution based on simulation analysis
[J]. ,
基于情景分析法的中国碳排放分配预测研究
[J]. ,
Spatial-temporal dynamics of carbon dioxide emissions in China based on DMSP/OLS nighttime stable light data
[J]. ,
基于DMSP/OLS数据的区域碳排放时空动态研究
[J]. ,
CO2 emissions from fuel combustion highlights 2016
[R].
U.S. Energy Information Administration
[EB/OL]. 2017 [
Provincial-Level CO2 emissions intensity inequality in China: Regional source and explanatory factors of interregional and intraregional inequalities
[J]. ,
Analysis of influencing factors of the carbon dioxide emissions in China’s commercial department based on the STIRPAT model and ridge regression
[J]. ,
/
〈 | 〉 |