关伟，李书妹，许淑婷
（1. 辽宁师范大学 地理科学学院，辽宁 大连 116029；
2. 辽宁师范大学 海洋可持续发展研究院，辽宁 大连 116029）
随着经济的快速发展，能源的需求量不断增加，随之增多的温室气体所带来的气候变暖问题日益严重，减少二氧化碳排放已经成为全球关注的重点和共识[1]。在此背景下，我国于第75 届联合国大会上首次提出“碳达峰”“碳中和”目标。为实现节能减排目标，作为中国重要工业基地的东北地区，在新一轮东北老工业基地振兴战略背景下，面临着发展经济与保护环境的双重压力。因此，总体把握东北三省碳排放的时空演变特征，从多尺度研究其碳排放的空间化，对实现低碳经济、推动社会的可持续发展具有重要的理论意义和参考价值。
通过综述文献发现，国内外关于碳排放的研究主要集中在碳排放量的测度[2-5]、时空分异[6-8]、影响因素[9-12]、碳减排政策[13-15]等几个方面。由于数据的可获得性等原因，现有研究多以国家、省份和地区为主，对市级或县级尺度的研究相对较少，为此，本文进一步引入高精度空间辅助数据来估算并分析市级乃至县级尺度上碳排放量的分布[16]，对政策的精准实施具有重要意义。
近年来，由于夜间灯光数据可以很好地反映出人类的活动强度，弥补小尺度统计数据缺乏的问题，许多学者对其进行了一系列的研究。其中，DMSP/OLS 夜间灯光数据凭借长时间序列动态存档、广域范围覆盖等优势[17]，被广泛地应用于城镇化监测[18-21]、经济增长评估[22-23]、人口密度模拟[24-25]、电力能源消费[26-28]等方面的研究。此外，通过夜间灯光数据对碳排放量进行估算以及验证两者的关系[29]也取得了良好的效果。Elvidge 等[30]首先证实了夜间灯光数据可以对二氧化碳的空间分布进行建模；
Doll 等[31]基于夜间灯光数据首次获得了1°×1°分辨率的全球二氧化碳网格；
苏泳娴等[32]利用DMSP/OLS 数据，以市级为基础单元，从多尺度对中国碳排放总量的时空格局变化进行分析；
武娜等[33]将晋陕内蒙古三省区独立设置灯光与碳排放之间的拟合方程，使夜间灯光与各分区的碳排放量一一对应，客观展现碳排放地理分布规律；
吕倩和刘海滨[34]结合DMSP/OLS 与NPP/VIIRS 两种夜间灯光数据，从栅格级、省级、市级和县级多尺度，系统分析1995—2016 年黄河流域能源消费碳排放的时空演变格局。
总体来看，碳排放的研究空间尺度较大、较单一，缺乏精细化的尺度研究，而且东北地区基于夜间灯光的碳排放模拟研究相对缺乏。由此，本文以DMSP/OLS夜间灯光数据为基础，结合东北三省的能源统计数据，建立各省份灯光数值与碳排放量之间的关系模型，系统分析1994—2013 年东北三省多尺度碳排放时空演变格局，为区域实施针对性和可操作性的碳排放政策提供应用支撑。
1.1 研究区概况
东北三省大体属于温带季风气候，主要是平原、山地地形，面积达78.73 万km2，分别为黑龙江省、吉林省、辽宁省，共包含36 个地级市和288 个县级行政区。该区域物质富饶，具有广泛分布且类型多样的矿产资源，是我国重要的矿产生产基地，也是全国石油生产的主力地区，还有抚顺、鸡西、鹤岗等著名煤矿。同时，东北三省作为我国最大的重工业基地，如何平衡能源资源与工业发展的关系，是该区域经济与生态可持续发展的重要基础。
1.2 数据来源
（1）DMSP/OLS 稳定夜间灯光数据。该数据来源于美国国家海洋和大气管理局（National Oceanic and Atmospheric Administration, NOAA）的国家地理数据中心（National Geophysical Data Center, NGDC）官方网站。数据的空间分辨率为30 弧秒，影像的像元DN 值范围为0 ～63。由于不同传感器获取的影像之间存在像元饱和与非连续性等问题，因此，本文对DMSP/OLS 数据进行了相互、年内、年际等一系列校正[35]，最后得到东北三省1994—2013 年校正后的夜间灯光影像，如图1 所示。
图1 1994—2013年东北三省夜间灯光影像
（2）能源统计数据。东北三省的能源消费数据来源于《中国能源统计年鉴》（1994—2013 年）中的终端能源消费平衡表。
（3）相关辅助数据。主要包括国家基础地理信息系统网站获取的中国1 ∶400 万的省级、地级市和县域行政边界数据。
1.3 研究方法
1.3.1 能源消费碳排放计算
1994—2013 年东北三省的碳排放量通过统计数据计算得出，并采用IPCC（2006）确定的各类能源碳排放系数，选取10 种主要能源计算CO2排放量，计算公式如下：
式中：i表示所选的能源种类；
Ki表示第i种能源的CO2排放系数（万吨碳/万吨标准煤）；
Ei表示能源i的终端消费量，按标准煤计（万吨）。
10 种能源的折算标准煤系数和碳排放系数见表1。
表1 燃料消耗碳排放系数
1.3.2 碳排放模拟模型
在构建碳排放估算拟合模型时，假设灯光的总亮度值与碳排放总量存在较好的相关性，以此基于校正后的1994—2013 年夜间灯光数据，建立东北三省的DN 总值与相应的碳排放量之间的相互关系，并考虑降尺度到栅格单元的精度问题，采取不含截距的回归方程，得到估算模型如下：
式中：Ei表示i像元CO2的模拟值；
DNi表示i像元的DN 总值；
a、b、c是回归参数。
东北三省1994—2013 年CO2排放量模拟方程系数见表2。
表2 1994—2013年DN值与CO2排放量的拟合方程
1.3.3 修正模拟单位像元碳排放值
通过碳排放的估算拟合方程，见式（2），可计算出每个栅格单元上夜间灯光所反映的碳排放值，以此得到第n年东北三省的初始碳排放数据Es(n)。由于回归函数误差的存在，使得第n年东北三省的初始碳排放值与实际碳排放值Er(n)均有偏差，因此，分别构建了东北三省第n年夜间灯光数据反演的碳排放格网模型比例系数mn，见式（3）；
将东北三省第n年模拟出的初始碳排放网格值与相应的比例系数相乘，得到与实际碳排放值相等的空间化碳排放数据，见式（4）。
式中：mn表示第n年东北三省碳排放实际值与模拟值的比例系数；
Er(n)表示第n年东北三省由统计数据计算所得的实际碳排放值；
Es(n)表示第n年碳排放估算模型所得的碳排放模拟值；
Ex(n)k表示东北三省第n年第k个栅格单元上分布的碳排放量；
Es(n)k表示夜间灯光反映的第k个栅格上分布的碳排放值。
1.3.4 空间自相关分析
全局空间自相关能够反映空间关联程度的总体特征，可用Global Moran’s I 指数刻画东北三省整体上碳排放量的空间差异性，公式如下：
其中，当Ii＞0 时，表明邻近区域间具有正的空间自相关性；
当Ii＜0 时，表明邻近区域间具有负的空间自相关性。
2.1 碳排放估算模型的精度评价
黑龙江省、吉林省和辽宁省夜间灯光总值与碳排放量的R2分别为0.926 0、0.844 7、0.968 6，表明拟合效果良好，结果有效。为了确保东北三省CO2排放量模拟值的可靠性，将其与相对应的统计碳排放量对比，结果发现（表3），模拟值与统计值的均方根误差RMSE 分别为724.29 万吨、1 325.90 万吨、1 167.76 万吨，平均相对误差MRE 分别为6.61%、14.70%、4.41%。可见，夜间灯光数据对CO2排放量的模拟精度良好，可以对东北三省CO2排放量的时空演变特征进行研究。
表3 1994—2013年CO2排放量模拟精度检验
2.2 栅格尺度碳排放时空演变特征
从省级尺度模拟反演得到的1994 年、2000 年、2007年和2013年东北三省碳排放1 km×1 km的空间分布（图2）来看，1994—2013 年东北三省能源消费碳排放总量持续增长，高碳排放地区呈现多核心式分布，且演变成以中心城市为核心，逐渐呈放射状向外扩张，最终形成高碳排放核心地区的连通态势，其中以辽宁省的高碳排放地区表现得最为显著，吉林省和黑龙江省向北呈逐年增多趋势。
图2 栅格尺度碳排放演变特征
2.3 行政区划尺度碳排放时空演变特征
2.3.1 总体特征
1994—2013 年，黑龙江、吉林、辽宁三省CO2排放量持续增长（图3），其中辽宁省的碳排放量在三个省份中最多。20 年间，吉林省的碳排放量从1994 年的6 057 万吨增加到2013 年的15 815 万吨，增长幅度超过了2.6 倍；
辽宁省从12 347 万吨增加到30 308 万吨，增幅2.45 倍；
黑龙江省从6 645 万吨增加到13 494 万吨，增幅2.03 倍。此外，从图3 中可以看出，3 个省份1994—2005 年碳排放总量均增长较慢；
2005—2012 年辽宁省增长趋势较快，年平均增长率为10.58%，黑龙江省和吉林省分别为9.96%、9.01%。
图3 1994—2013年东北三省CO2排放量
2.3.2 市级尺度
将碳排放估算结果连接到市级尺度下的矢量数据上，采用自然断点法将碳排放量划分为五个等级，结果（图4）如下：1994—2013 年辽宁省各地级市的碳排放量普遍偏高，东北三省较低碳排放区和中等碳排放区数量增多且有向北扩张的态势，与栅格尺度的布局具有一致性。1994 年高碳排放区分布于辽宁省的盘锦市、沈阳市和辽阳市，黑龙江省总体碳排放处于较低水平，碳排放量呈现南多北少的格局；
2000 年高碳排放区在原有基础上呈现迅猛扩张趋势，增加了辽宁省的鞍山市、大连市、锦州市、铁岭市，这些地区作为东北老工业基地，第二产业比重较大，碳排放量较高；
2007 年高碳排放区在2000年的基础上增加了辽宁省的葫芦岛市和吉林省的长春市；
2013 年，由于政策或能源替代技术的发展，东北三省整体碳排放量的增长趋势有所缓和，高碳排放区减少了葫芦岛市和长春市。而东北部地区，耕地面积大、农业发达，第二产业比重相对较小，因此黑龙江省大兴安岭地区、黑河市和伊春市的碳排放量始终相对较低。
图4 市级尺度碳排放演变特征
2.3.3 县级尺度
从县级尺度（图5）来看，1994 年高碳排放区的县域分布在沈阳市中区和大连市中区，较高碳排放区的县域主要集中在盘锦、朝阳、锦州、阜新、鞍山、抚顺等市的市中区，铁西区以及吉林省的吉林市中区与长春市中区。2000 年，辽宁省大部分县域的碳排放量增多，高碳排放区的县域增加了盘锦市中区、锦州市中区以及鞍山市中区，较高碳排放区的县域增加了辽宁省的铁岭市中区、浑南区、于洪区和调兵山市。2007 年碳排放量呈现明显增长趋势，主要表现为吉林省较低碳排放区的扩张，高碳排放区的县域增加了吉林省的长春市中区，较高碳排放区的县域增加了延吉市中区、辽源市中区、四平市中区以及大连市的金州区和旅顺口区。2013 年由于碳减排政策的实施，使碳排放量分布区域出现萎缩，主要表现在吉林省中部较低碳排放区的县域数量减少。总体来看，在县域的碳排放分布区与东北三省的整体布局和市级定位的宏观分析上，存在一定程度的内部差异性，进行多尺度的研究可以为减排的精准定位提供有效参考。
图5 县级尺度碳排放演变特征
2.4 碳排放时空特征差异分析
（1）全局空间相关性。通过Global Moran’s I 指数以及相应的z值对东北三省的市级和县级碳排放量进行空间关联的测度，如表4 所示。
表4 全局相关性分析结果
1994—2013 年东北三省碳排放量在市级和县级尺度上的Global Moran’s I 指数均为正值，正态统计量z值均在5%水平下显著（即P＜0.05），表明东北三省市级和县级尺度碳排放均具有显著的空间正相关性。Global Moran’s I 指数随着时间的变化整体呈上升趋势，市级尺度下的Global Moran’s I 值从0.376 7 增长到0.420 0；
县级尺度下的Global Moran’s I 值从0.176 7 增长到0.208 2，表明东北三省碳排放的空间相关程度趋于增强。整体而言，全局空间相关性在市级尺度上较大，在县级尺度上也表现显著，可以为精准减排政策的制定提供理论参考。
（2）局部空间相关性。通过LISA 聚类展示东北三省市级和县级尺度上碳排放量的局部空间特征。
从市级尺度来看，空间相关性较高的地区主要分布在黑龙江省和辽宁省（图6）。1994 年，属于LL 型、HH型和LH 型的城市分别有12 个、7 个和2 个，黑龙江省除双鸭山市外全部属于LL 型城市，辽宁省的铁岭市、沈阳市、锦州市、鞍山市、盘锦市、本溪市、辽阳市属于HH 型城市，丹东市和阜新市属于LH 型城市，吉林省则全部表现为不显著；
2000 年，大兴安岭地区、鹤岗市、鸡西市以及本溪市由LL 型转变为不显著地区，阜新市由LH 型转变为HH 型；
2007 年，鹤岗市由不显著转变为LL 型；
2013 年，LL 型城市向吉林省的延边朝鲜族自治州扩张。总体来看，市级尺度碳排放表现出较强的空间正相关，辽宁省的沈阳、鞍山等市是传统的重工业城市，能源消费量高，形成高碳集聚区，由此可以将辽宁省中部的高碳城市确定为精准减排区域。
从县级尺度来看，4 个时期呈现较强空间自相关性的县域分布比较相似（图6）。1994 年，属于LL 型的县域有61 个，主要分布在黑龙江省的大部分县域，吉林省的敦化市、桦甸市、大安市、乾安县、安图县、汪清县和抚松县；
属于HH 型的县域有12 个，分别是辽宁省的金州区、旅顺口区、沈阳市中区、于洪区、沈北新区、铁西区、浑南区、苏家屯区、盘山县、铁岭县、灯塔市和海城市；
其他县域均为不显著地区。2000 年，属于LL 型的县域有60 个，吉林省增加了图们市、通榆县、靖宇县、柳河县、镇赉县、前郭尔罗斯蒙古族自治县、白城市中区和白山市中区，黑龙江省的东部LL 型县域数量明显减少；
HH 型县域增加了新民市、大洼区、辽中区和大连市中区。2007 年，属于LL 型的县域有63 个，与1994 年LL 集聚区相似，主要分布在黑龙江省的西北部和东南部；
属于HH 型的县域则与1994 年的区域完全重合。2013 年，属于LL 型的县域有56 个，与2000年分布相似，主要在黑龙江省的西北部和吉林省的东部；
属于HH 型的县域与2000 年的区域重合。总体来看，县级尺度与市级尺度的区域集聚特征有所不同，属于HH 集聚的辽宁省大连市辖区、沈阳市辖区以及盘山县、铁岭县、灯塔市和海城市可以作为精准减排区域。
图6 市级、县级LISA聚类
本文基于DMSP/OLS 夜间灯光数据，在对1994—2013 年东北三省能源消费碳排放进行模拟的基础上，揭示了东北三省碳排放的时空演变格局，主要结论如下：
（1）1994—2013 年，东北三省校正后的夜间灯光DN 总值与能源消费碳排放量之间估算模型的R2均大于0.8，表明两者存在显著的正相关性；
三省份碳排放模拟值与统计值的平均相对误差均较小，说明三个拟合方程模拟得到的碳排放量均具有可信性，可以通过夜间灯光数据对东北三省碳排放量的空间化进行研究。
（2）从栅格尺度来看，1994—2013 年东北三省能源消费碳排放量波动上涨，形成以高碳排放的中心城市为核心，呈放射状向外扩张分布的连通态势，以辽宁省的碳排放扩张最为显著。从市级尺度来看，20 年间东北三省的碳排放量形成以普遍偏高的辽宁省各地级市为基础，较低和中等碳排放区数量增多、面积增大且有向北扩张的态势。从县级尺度来看，碳排放量主要集中在辽宁省，虽然2007 年吉林省中部有扩张的态势，但随着减排政策的实施，2013 年又出现了萎缩现象，具有内部差异性。总体来看，东北三省的能源消费碳排放量逐年增长，辽宁省的碳排放量每年均高于其他两省，且2005—2013 年年平均增长率最高，是减排的重点区域。
（3）1994—2013 年东北三省市级与县级尺度的碳排放具有显著的全局空间正相关性，且关联程度整体呈增强趋势。从市级尺度来看，LL 型城市主要分布在黑龙江省，随时间推移，延伸到吉林省的延边朝鲜族自治州；
HH 型城市分布范围较稳定，主要集中在辽宁省的中部地区；
LH 型城市始终分布在丹东市；
其他地区则全部为不显著区域。从县级尺度来看，东北三省形成了由高碳集聚区和低碳集聚区引起的集聚态势，高碳集聚区较稳定于辽宁省的6 个县域，低碳集聚区主要在黑龙江省的西北部和中部以及吉林省的东部波动分布。
区域碳减排应因地制宜，考虑不同尺度下碳排放的分布与集聚态势，制定差异化的减排政策。对于辽宁省的高碳集聚区，应精准定位减排区域，调整产业结构，加大科技创新力度，减少无效的能源消耗；
对于黑龙江省的低碳集聚区，要巩固和发展自身优势，优化产业结构与能源结构。