居民碳排放的遙感監測與分析

田釗, 梁艾琳

(南京信息工程大學遙感與測繪工程學院,南京 210044)

0 引言

為了應對氣候變化,我國持續對“雙碳”糾偏,完善“1+N”政策體系,控制碳排放,以便到2030年實現碳達峰,到2060年實現碳中和。研究表明,我國每年約有1 600～2 000 km2的房屋建成,占全球新建建筑的40 %,這些建筑以城市居民區建筑為主,供給中國城市化發展和城市人口生存,而居民區面積的擴大對居民碳排放量有重要貢獻。同時,我國的工業化和城市化發展不平衡,人口和經濟活動集中在經濟發達地區,經濟增長的不平衡和居民生活水平的急劇變化也導致了居民碳排放的上升。因此,合理規劃居民區面積和經濟發展是減少居民碳排放以實現我國低碳目標的關鍵戰略。

目前對居民碳排放的監測和驅動因素的分析是國內外研究的熱點問題,比如孫潔等[1]使用SITPAT模型選取了7個因素對南京碳排放進行了研究和分析,為實現南京市碳減排提供寶貴的建議; 杜威[2]利用LMDI模型從消費水平、生活水平、碳排放強度等因素分析了我國2000—2015年居民生活碳排放,解釋了城鄉居民碳排放差異; Huo等[3]采用Tapio解耦模型和LMDI模型,探討2000—2015年中國30個省份居民住宅建筑碳排放和人均收入(per capita income,PCI)之間主要解耦趨勢由弱解耦狀態轉變為強解耦狀態,為協調收入與碳排放之間的關系提供了有價值的參考; 佟昕等[4]采用STIRPAT模型對中國2000—2011年碳排放影響因素進行分析, 并利用灰色模型GM(1,1)預測了中國2012—2020年碳排放量,發現城鎮化率、經濟增長、產業結構、能源價格、人口、能源結構和外貿強度對碳排放量有一定的促進作用, 技術進步對碳排放量具有較強的抑制作用; 劉金培等[5]運用BP內生結構突變點檢驗、考慮結構突變的ARDL模型和基于VECM模型的Granger因果關系檢驗方法, 結合我國1985—2014年的相關數據,探討了經濟增長、城鎮化、技術創新、貿易開放與我國人均碳排放的長期均衡和短期動態關系,以及變量之間的因果關系。

但當前研究大多針對國家調查資料和經濟社會統計資料等地表觀測數據,在數據的現勢性和網格單元的精細化程度方面均不足以反映居民碳排放影響因素的復雜性。同時,以往文獻分析的影響因素集中關注在經濟水平和直接的能源消耗方面,對居民區住宅面積進行的研究報道也較少。

相比于傳統站點實測的手段,利用遙感技術在監測居民碳排放上具有時效性強、覆蓋范圍廣等特點,從居民區面積開展研究,既能提高數據的精度,還可以更有針對性的制定政策,從而減少居民碳排放。因此,本文借助遙感數據研究了2019年中國居民區面積和居民碳排放的相關性,在確定兩者具有顯著相關性的基礎上,通過國內生產總值(gross domestic product,GDP)空間化建模,最終建立了居民碳排放與居民區面積和GDP的多元線性回歸模型,為實現我國綠色低碳目標和精細化政策制定提供參考和價值。

1 研究區概況與數據源

1.1 研究區概況

中國位于亞洲東部、太平洋西岸,南北跨越的緯度近50°,大部分區域分布在溫帶,小部分在熱帶,沒有寒帶。陸地總面積約9.6×106km2,地勢西高東低,呈階梯狀分布,其中居民住宅面積保守估計有31 353.74 km2。

1.2 GID碳排放數據

Global Carbon Grid V1.0提供了2019年全球0.1°×0.1°的二氧化碳排放數據集[6],包括電力、工業、居民住宅、交通、航運和航空6個行業。此數據集受益于基礎點源數據集,具有精確地理坐標。此次研究選擇了2019年全球居民碳排放數據來計算居民碳排放量,坐標為WGS-1984坐標系,單位為t。

1.3 WSF居民區數據

居民區數據集來源于德國航空航天中心(DLR)地球觀測中心(EOC)共享發布的全球居民地數據(World Settlement Footprint,WSF),目前上線了2015年和2019年2個年度版本的柵格數據。本文選用了源于Sentinel-1/Sentinel-2的2019年度全球居民區數據[7],坐標為WGS-1984坐標系,像元大小10 m。

1.4 NPP-VIIRS夜間燈光數據

NPP-VIIRS夜間燈光數據來源于美國國家海洋和大氣海洋局( NOAA/NGDC), 該數據有年度數據和月度數據2種, 本次研究采用的是2019年的Annual VNL V2版本的NPP無云年度數據。

1.5 其他輔助數據

中國各省、市以及部分省轄城市的實際GDP數據來自2020年的《中國統計年鑒》。

2 研究方法

2.1 居民碳排放量計算

通過MATLAB將.asc格式的居民碳排放數據集轉換為柵格影像,并重采樣到0.01°,然后通過ArcGIS按照研究區域的行政區劃矢量圖進行投影坐標定義和柵格裁剪,最后計算各區域的居民碳排放量。

2.2 居民區面積計算

2019年度全球居民區柵格影像像元大小為10 m,可以用于計算國家尺度和省域尺度的居民區面積。利用ArcGIS將WSF柵格影像按照中國行政區劃矢量圖進行柵格裁剪,然后計算白色像素點的個數,根據公式(1)計算居民區面積:

S=(Ν×P)/106

,

(1)

式中:S為居民區面積,km2;N為計算得到的白色像素點總個數;P為單個像元面積。

最后通過SPSS軟件分析居民區面積與居民碳排放的相關性,選取不同的模型進行擬合對比,選擇最優模型進行初步建模。

2.3 GDP空間化建模

相比于傳統的DMSP/OLS數據,NPP-VIIRS數據提高了圖像的清晰度和敏感度[8-9], 但仍需要對原始的夜間燈光數據進行數據預處理。具體研究方法借鑒李峰等[10]的噪聲濾除方法對夜間燈光數據的異常值進行去除,然后提取掩模后的數據。因為燈光輻射值與國家各省市行政中心的發展水平相關,本文在研究中將行政中心最大亮度值設置為最大燈光閾值(DNmax),依據在內陸大面積水域燈光夜間為零的原則,將零設置為最小閾值(DNmin)。

2.3.1 燈光指數的計算

反映社會經濟水平的常用燈光指數有夜間燈光總強度、線性加權燈光指數和綜合燈光指數,分別用TNL,L和CNLI表示[9]。根據調查得知TNL能夠更好地反映經濟水平,因此本文將通過計算TNL值去計算各區域的GDP,TNL指數計算公式為:

,

(2)

式中:TNL為夜間燈光總強度值;DNi為行政單元內第i級灰度像元值;ni為對應行政單元第i級像元個數。

2.3.2 GDP回歸分析

根據顧鵬程等[9]可以得知中國各城市都有各自最優的回歸模型,且TNL與GDP間的模型大多為指數、線性和二次模型。因此,本研究將使用SPSS進行相關性分析, 對不同的模型進行對比后選取各研究區域的最優模型。

2.3.3 GDP線性糾正

由于回歸模型均是基于省級和市級行政單元內的數據而建立的, 直接用VIIRS燈光像元值代替TNL計算單像元對應的GDP時誤差會很大[10]。除此之外,每個城市都有經濟發達的地區,當夜光影像的亮度值達到飽和就不能反映出更多的經濟發展情況,所以需要對模擬值進行線性糾正,然后再進行回歸分析建立模型。糾正公式為:

GDPl=GDPj(GDPt/GDPT)

,

(3)

式中:GDPl為糾正后的GDP值;GDPj為每個格網模擬的GDP值;GDPt為實際GDP值;GDPT為該區域模擬的GDP值。

2.4 整體模型構建

線性回歸模型是線性回歸方程的最小平方函數對1個或多個自變量和因變量之間關系進行建模的一種回歸分析模型。本文以居民碳排放為因變量,居民區面積和GDPl為兩個自變量,選擇最優的線性回歸模型進行擬合。線性回歸模型為:

YCO2=βiX+β0

,

(4)

式中:YCO2為居民的碳排放量;X為居民區面積和GDPl這2種變量;βi為居民區面積和GDPl的線性擬合系數;β0為常數項。

3 研究結果與分析

3.1 遙感獲取的居民碳排放量

本文將GID文本數據經過格式轉換和重采樣后得到全球居民碳排放柵格影像,然后通過python計算居民碳排放量并利用ArcGIS進行分類,如圖1所示。圖1顯示了中國區域的居民二氧化碳排放分布示意圖,從圖中可以看出居民碳排放主要分布在中國的東南部和中部地區,在空間上呈現集聚的特征。東北工業地區、京津冀地區、以上海為核心的長三角經濟地區是居民高碳排放量的集中地, 外圍城市的居民碳排放量小于這些中心地區。在地質特征方面,這些區域工業基礎較好,能源豐富,并且城市與城市之間有著密切的聯系, 在產業發展、能源開采、能源流通量、交通聯系程度等方面都遠遠高于其他地區[11]。

3.2 遙感獲取的居民區面積

將10 m分辨率的WSF柵格影像利用ArcGIS聚合成0.01°×0.01°,按掩模提取得到居民區面積分布示意圖,如圖2所示。然后使用python計算柵格影像中的白色像素點個數,通過式(1)計算得到居民區面積,最終結果顯示在表1中。

表1 中國各省(自治區、直轄市)居民碳排放與居民區面積統計表

審圖號: 京審字(2023)G第2636號。

從圖2可以看出,居民區面積的分布和圖1所示的居民碳排放的分布十分相似,也集中分布在中國的東南部和中部地區,呈現著集聚的特征,這也進一步說明兩者之間可能具有一定的相關性。

3.3 居民碳排放與居民區面積建模結果

根據表1的結果分析居民區面積與居民碳排放的相關性。本文使用SPSS軟件進行相關性分析,選取了最優的線性回歸模型進行初步建模,其R2、相關性以及相關系數等如表2所示,趨勢圖如圖3所示。

表2 OLS回歸分析結果①

圖3 中國各省(自治區、直轄市)居民區面積與居民CO2排放趨勢圖

從表2可知,將居民區面積作為自變量進行OLS回歸分析,模型R2為0.621,通過F檢驗并且呈現出0.01水平顯著性,意味著居民區面積會對居民區CO2排放產生顯著的正向影響。

圖3顯示了中國30多個省份居民區面積與居民碳排放之間的關系,結合表2可以看出居民區面積與居民碳排放之間具有顯著的相關性。為了進一步確定兩者之間的相關性,根據模型擬合的趨勢線又挑選了廣東省、陜西省、山西省以及黑龍江省,按照上述方法對所選區域進行了線性回歸擬合,最終結果為圖4。

(a) 廣東省市級居民區面積與居民CO2排放 (b) 陜西省市級居民區面積與居民CO2排放

從圖4中可以看出,所選省轄各市的居民區面積與居民碳排放之間也存有較強的相關性, 這意味著居民區面積會對居民區CO2排放產生顯著的正向影響關系。隨著居民區的擴建,居民碳排放也會顯著增加。

景真燕對城市住宅碳排放影響因素分析得到住房面積是影響住宅碳排放的第一要素,是住宅碳排放控制的重點[12],這也進一步說明居民區面積對居民碳排放的影響,因此要合理控制居民區面積,從而減少高碳排。

3.4 TNL與GDP最優回歸模型結果

不同城市的經濟發展模式不同,GDP隨夜間燈光增加而增加快慢也有別[13]。中國每個城市都有著各自最優的回歸模型,且大多為指數、線性和二次多項式模型。

在此基礎上,本文對TNL和GDP進行相關性分析,選擇了多種模型進行對比,如表3所示,最終決定中國各省級采用二次多項式函數模型進行擬合,其擬合結果如表4和圖5所示; 廣東省市級選擇指數模型,最終結果如表5和圖6; 而山西省、陜西省以及黑龍江省市級均選擇二次多項式模型。

表3 中國各省(自治區、直轄市)不同模型的對比

表4 二次多項式模型的擬合結果①

表5 廣東省各市指數模型的擬合結果①

圖5 中國各省(自治區、直轄市)GDP與TNL趨勢圖

圖6 廣東省GDP與TNL趨勢圖

從表3和表4可以看出最優模型為二次多項式模型,其R2為0.816,2個自變量均顯著。因此,最終模型為:

GDP=1.293×10-8TNL2+0.028TNL+6 710.071 。

(5)

表5為廣東省各市指數模型的擬合結果,圖6為廣東省GDP與TNL趨勢圖。由表4和圖5可知,廣東省采用指數模型,R2為0.852,顯著性良好,說明隨著TNL值的增加,廣東省各市的GDP也在增加。因此,廣東省最終模型為:

YGDP=856.461 9e1.374 2×10-5TNL

,

(6)

夜間燈光數據反映了區域經濟的分布狀況,由于中國各個城市都存有經濟發達的地區,在夜光遙感影像達到飽和時,其最大亮度值不能反映出更多的經濟情況。因此,在采用燈光數據進行中國各城市GDP空間化研究,要按模型把GDP空間分配到空間中的每個像元上[14],然后進行線性糾正。本文在研究中使用式(3)和式(6)對GDP進行糾正,結果見圖7。圖中,實際GDP指國家統計局的統計年鑒中的數據,其中澳門數據直接采用實際GDP,單位為億元。

圖7 校正GDP與實際GDP對比圖

3.5 2種影響因子的整體建模結果

通過居民碳排放與居民區面積初步建模確定居民碳排放與居民區面積之間存有顯著相關性且計算得到了各城市的居民區面積; 通過建模以及數值糾正得到了各區域的GDP,接下來要以居民區面積和GDPl為自變量,以居民碳排放為因變量使用線性回歸模型進行擬合,其結果見表6。

表6 整體模型OLS回歸結果①

從表6分析可知,整體的線性回歸模型的R2為0.715,并且呈現出0.01的水平顯著性,說明模型具有可行性。自變量回歸系數均為正值且顯著性良好,說明居民碳排放會隨著居民區面積和GDP的增加而增加。因此,中國省級模型為:

Y=2 255.327x1+184.146x2+5 439 354.454

。

(7)

然后對本文其他研究區域建立多元線性回歸模型,模型結果統計在表7中。

表7 不同尺度模型結果

從表7可以得知: 居民碳排放和居民區面積、GDP有著很強的相關性,隨著各城市居民區不斷的擴建以及地區生產總值的增加,居民碳排放也會有所提升。

在本文分析的這2種因素中,居民區面積的增加對居民碳排放的有著顯著的正向作用,因此根據居民的需求,合理規劃住房面積能有效控制碳排放量的增長,在選擇房型時也可以參考不同住房面積結合其經濟能力和地區發展水平等因素實現居民的低碳優質生活。

由圖3可以看出,所選省份的居民碳排放值分別處于趨勢線上方、無限逼近線上以及下方區域。同時,根據調查廣東省全年經濟運行總體保持平穩,GDP位居全國第一,其次是陜西省、山西省以及GDP排名倒數的黑龍江省,然后結合各省模型可以看出,隨著經濟的發展,在一定時間內GDP對居民碳排放量增加的貢獻減少,而居民區面積對居民碳排放量增加的貢獻增加。

因此,對于經濟發達的區域,可以多關注一下居民住宅面積擴建帶來的碳排放,建立居民住房總面積記錄平臺,控制居民買房的數量,合理布置房型面積,減少我國低碳經濟發展中的障礙; 對于經濟發展較慢的區域可以理性規劃居民區的擴建,在保證經濟發展的同時也要引進高科技減少發展中帶來的碳排放增加,爭取早日實現我國的碳達峰和碳中和目標。

3.6 模型結果的驗證

為了確定模型的可行性,將模擬結果與實際居民碳排放進行對比,擬合效果如圖8和圖9所示。

圖8 各省/市居民碳排放真實值與擬合值的對比

(a) 廣東省各市擬合結果對比圖 (b) 黑龍江省各市擬合結果對比圖

從圖中可以看出模型的精度較高,預測結果合理。其中,也反映出在針對城市尺度時構建的模型擬合效果更優。這可能是因為在對更小尺度進行模型構建時,各個城市的發展模式和經濟狀況都得到了充分體現的緣故。因此,應該理性的認識我國目前的居民碳排放帶來的壓力,結合居民區面積、經濟發展等影響因素為減少我國各城市居民碳排放采取合理的政策和措施。

4 不確定性因素

The Global Carbon Grid V1.0受益于帶有精確坐標位置的基礎點源數據集,提供全球能源生產和消費基礎設施的高分辨率排放數據產品?；A設施建設中的活性率(產品產量和燃料消耗),有增無減的排放因子,粒徑分數和控制技術的去除效率等都會對數據準確產生一定的影響[15]。

WSF數據是由2019年Sentinel-1和Sentinel-2多期圖像獲得的一個10 m分辨率的全球人類居住區,由于部分居民住宅使用一些特定的建筑材料,例如泥磚、草皮稻草、織物等導致衛星無法觀測忽略了這部分的居民區面積,還有一些游牧民、難民營和密集植被的情況也使衛星無法持續檢測它們[16],從而無法有效識別此類居民區。

NPP夜光遙感數據會出現燈光溢出效應,高光區域周圍的燈光強度往往要大于實際燈光值, 會導致預測的GDP值偏高; 其次,我國部分第三產業不能產生燈光,也會導致預測的GDP出現誤差。

5 結論與展望

與以往研究不同,本文首先利用遙感影像獲取數據,在時效性以及信息的準確客觀性上都有所提高,然后以中國各省(自治區、直轄市)和部分省轄城市級為研究對象創新性地研究了居民區面積和居民碳排放的相關性,在確定兩者具有顯著相關性的基礎上,通過夜間燈光亮度值計算出GDP,最終結合GDP這一影響因素建立了多元線性回歸模型,并得到了以下結論:

1)居民區面積對居民碳排放可以產生顯著的正向影響,說明居民區的擴建會導致碳排放的增加,因此根據居民的需求,合理規劃住房面積能有效控制碳排放量增長。

2)夜間燈光數據與GDP之間存在相關性,且GDP對碳排放量也起到正向的促進作用。由此可知,隨著經濟發展,社會消費端對碳排放的貢獻將逐步增加,如何兼顧經濟發展與碳排放間的關系也是當前需要解決的問題。

3)居民碳排放與居民區面積和GDP之間存在顯著的相關性,且在市級尺度上效果更好。隨著經濟水平的發展,居民區面積的擴建是居民碳排放量增加的主要推動力,GDP對居民碳排放量增加的驅動效應有所下降。因此,在規劃經濟發達城市的布局時,應合理布置居民區面積,減少大面積住宅高度集中的設計和布局,在設計時尋找居民區的最優建筑面積,然后和經濟發展水平保持一個合適的比例,避免部分區域出現高碳排等情況; 而對于經濟發展緩慢的城市,在合理布置居民區面積的同時,使用高科技減少經濟發展產生的高碳排,從而實現低碳經濟發展。

本文研究區域只限于中國,不能進一步說明居民區面積對碳排放有著顯著影響,有一定的局限性。因此,在后期的研究中,將選取不同年份和國家的較小單元空間尺度進行研究,嘗試將研究區域細化到一個鎮甚至一個街區; 然后進一步研究分析城鄉居民碳排放在時間序列上的差異。