CN114461697A - 基于夜间灯光遥感和改进stirpat的城市碳排放核算方法 - Google Patents
基于夜间灯光遥感和改进stirpat的城市碳排放核算方法 Download PDFInfo
- Publication number
- CN114461697A CN114461697A CN202210001354.2A CN202210001354A CN114461697A CN 114461697 A CN114461697 A CN 114461697A CN 202210001354 A CN202210001354 A CN 202210001354A CN 114461697 A CN114461697 A CN 114461697A
- Authority
- CN
- China
- Prior art keywords
- data
- carbon emission
- provincial
- night light
- remote sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 141
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000011161 development Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000011160 research Methods 0.000 claims description 33
- 238000012937 correction Methods 0.000 claims description 12
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 239000003245 coal Substances 0.000 claims description 7
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 5
- 239000001569 carbon dioxide Substances 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- DFPOZTRSOAQFIK-UHFFFAOYSA-N S,S-dimethyl-beta-propiothetin Chemical compound C[S+](C)CCC([O-])=O DFPOZTRSOAQFIK-UHFFFAOYSA-N 0.000 claims 3
- 230000008569 process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013499 data model Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000005431 greenhouse gas Substances 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- JLVSRWOIZZXQAD-UHFFFAOYSA-N 2,3-disulfanylpropane-1-sulfonic acid Chemical compound OS(=O)(=O)CC(S)CS JLVSRWOIZZXQAD-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 239000003502 gasoline Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008080 stochastic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明提供了一种基于夜间灯光遥感和改进STIRPAT的城市碳排放核算方法，包括如下步骤：对夜间灯光遥感数据进行处理；进而对省级和市级区域构建城市发展因子CDE(City Development Element)；利用省级统计年鉴数据来构建改进的STIRPAT；通过面板数据回归模型得到模型截距项，反演市级尺度的碳排放量。本发明提出了基于夜间灯光遥感数据构建的城市发展因子CDE，解决了市级尺度能源统计数据口径不一致和数据项缺失问题，能够更准确的从省级尺度碳排放反演到市级尺度碳排放，提高了计算精度。
Description
技术领域
本发明涉及城市研究技术领域，尤其涉及一种基于夜间灯光遥感和改进STIRPAT的城市碳排放核算方法。
背景技术
气候变化已经成为一项跨越国界的全球性挑战，其中如何核算和控制碳排放量也是国际社会高度重视的问题。自十八世纪六十年代，工业革命从英国地区逐渐兴起，工业技术的迅猛发展影响着全球的生产技术变革。随之而来的是大量的石油煤炭等燃烧，二氧化碳排放量开始逐年上升。为应对全球性的气候变化，截止2016年6月29日，全世界178个缔约方共同签署《巴黎协定》，长期目标是将全球平均气温较前工业化时期上升幅度控制在2摄氏度以内，并努力将温度上升幅度限制在1.5摄氏度以内。世界气象组织发布《2020年全球气候状况》报告提到，全球平均温度比工业化之前水平高出约1.2℃。IPCC(Intergovernmental Panel on Climate Change)在第六次评估报告第一部分《2021年气候变化：物理科学基础》提到了未来几十年超过1.5℃全球变暖水平的新估计，并发现除非立即采取措施并大规模地减少温室气体排放，否则将变暖限制在接近1.5℃甚至2℃都将遥不可及。中国是全球碳排放量大国。根据联合国环境规划署(UNEP)数据，中国、美国、欧盟(27国加英国)、印度、俄罗斯和日本是六大温室气体排放国(地区)，2019年排放量占全球的62％，最近十年(2010-2019年)累计排放量占全球的62.5％，在2019年中国碳排放量占全球的26.7％。作为发展中国家，中国在2020年提出，二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和。
近些年，国内外诸多专家学者以碳排放的核算及预测做出大量研究，其中预测碳排放量主要涉及碳排放影像因素，常用的研究方法有STIRPAT模型、因素分解法等。因素分解法主要可以分为三大类型，影响因素分解体系、回归分析体系、能源统计体系。作为影响因素分解方法中，最具代表的为对数平均迪氏指数模型(Logarithmic Mean DivisiaIndex)。LMDI模型从时空维度，将碳排放作为目标进行分解，形成多个单一影响因素，能够有效计算其中的某一因素对碳排放量随时间变化过程中的贡献度。Tang等人利用LMDI模型对历史排放量和预测排放量进行分解，有效评估人口、产业结构调整等因素对江苏省碳排放量的影响。Zhang等人通过STIRPAT模型分析了河南省碳排放的驱动因素，根据情景分析判断河南省未来经济发展和碳排放之间相平衡的最佳模式。在能源统计方法中，从碳排放过程分类，可以大致分为两种，分别为基于生产端的碳排放统计和基于消费端的碳排放统计。基于生产端的碳排放主要是计算国内生产和出口的产品导致的碳排放，这种方法考虑了生产点的碳排放但是没有考虑使用者和使用地方所导致的碳排放。基于消费端的碳排放统计主要是评估终端消费活动造成的碳排放，这种方法主要应用于在国家尺度和省级尺度的碳排放计算。
由于国内外在对国家层面及省级层面的碳排放量计算研究较多，近些年，许多研究学者逐渐向城市级，县级尺度的碳排放核算进行研究。夜间灯光的强弱可以用来指示能源消费量的高低。利用夜间灯光数据模拟社会经济等最常用的方法有线性模拟、指数模拟、对数模拟、二次多项式模拟等。Yang等人通过STIRPAT模型来对中国宁夏回族自治区研究县级碳排放的异质性。Wang等人利用DMSP/OLS夜间灯光数据来计算全中国各城市的碳排放量。Ghosh等人使用人口数据并通过夜间灯光遥感数据，构建了全球碳排放公里格网图。Chen等人利用粒子群反向优化算法结合夜间灯光数据DMSP/OLS及NPP/VIIRS数据估算了中国县级尺度从1997年至2017年的碳排放量。顾羊羊等则反演了1995-2010年河南省1km碳排放分布图,并揭示出各地级市碳排放的空间分布规律。马忠玉等人通过中国2000-2013年分省夜间灯光数据与人均碳排放、单位面积碳排放构建时空地理加权回归模型，与此同时结合人口规模、土地面积，模拟了各省的碳排放。苏泳娴等人利用DMSP/OLS夜间灯光数据，估算了中国大陆市级碳排放总量，从不同尺度分析了碳排放总量、碳排放密度的时空演变特征。
虽然目前的研究中，在碳排放的核算中都会使用夜间灯光遥感数据或者利用相关的能源统计数据，但是在市级能源统计数据上会存在数据缺失和统计口径不一致等问题，很少研究从省级碳排放进行降尺度到市级。
发明内容
本发明提出了一种基于夜间灯光遥感和改进STIRPAT的城市碳排放核算方法，用以解决现有技术中无法实现对市级碳排放进行估算的技术问题。
为了解决上述技术问题，本发明公开了一种基于夜间灯光遥感和改进STIRPAT的城市碳排放核算方法，包括：
S1：获取夜间灯光遥感数据，夜间灯光遥感数据包括DMSP/OLS数据和NPP/VIIRS数据，对获取的夜间灯光遥感数据进行预处理；
S2：根据预处理后的夜间灯光遥感数据，构建城市发展因子；
S3：基于省级统计年鉴数据以及城市发展因子构建改进的STIRPAT模型；
S4：对省级能源统计年鉴数据采用IPCC因子法计算省级碳排放量，并形成省级碳排放清单；
S5：基于省级碳排放清单数据对改进的STIRPAT模型进行面板回归，核算得到市级尺度的碳排放量。
在一种实施方式中，步骤S1中，对获取的夜间灯光遥感数据进行预处理包括：
对DMSP/OLS数据进行连续性校正、饱和校正、年内融合以及年际间的校正，对NPP/VIIRS数据进行去噪处理；
利用同一年份的DMSP/OLS数据与NPP/VIIRS数据进行数据融合。
在一种实施方式中，步骤S2包括：
S2.1：对夜间灯光亮度值进行均值处理，计算研究区域的平均亮度值，公式为：
式中，MDN为研究区域的平均亮度，n为研究区域中所含夜间灯光影像中的像素数，DNi表示研究区域中第i个像素对应的亮度值；
S2.2：利用研究区域的夜间灯光数据计算研究区域夜间灯光总亮度SUML和研究区域栅格面积SA，以及研究区域的灯光强度值DNQ，公式为：
式中，SUML是研究区域各像素栅格代表的夜间灯光亮度值之和，SA是研究区域夜间灯光栅格面积之和，DNQ表示研究区域的灯光强度值，areai代表第i个像元面积；
S2.3：将平均灯光亮度值MDN、灯光亮度总和SUML、灯光强度值DNQ三者进行合并，构建城市发展因子：
式中，a、b、c分别为平均灯光亮度值MDN、灯光亮度总和SUML、灯光强度值DNQ三者的系数，CDE为城市发展因子。
在一种实施方式中，步骤S3包括：
基于构建的城市发展因子作为无量纲变量CDE扩展至STIRPAT模型中，得到基于改进的夜间灯光STIRPAT反演模型：
其中，Tan代表碳排放量，驱动因素People代表人口，GDP代表地区生产总值，SeGDP代表第二产业增加值，JianZhu代表建筑业总产值，a,b,c,d,f,g,h,j为变量的截距项，e为误差项。
在一种实施方式中，步骤S4包括：
S4.1：采用IPCC因子法计算省级碳排放量：
CE为能源消费产生的城镇直接碳排放量；i为行业类型；j为不同能源类型；Eij为不同行业不同类型能源的消费量；εj不同能源的标准煤换算系数；fj为不同能源的碳排放系数；44/12是碳折合成二氧化碳的换算系数；
S4.2：根据计算得到的省级碳排放量构成碳排放清单。
在一种实施方式中，步骤S5包括：
S5.1：基于计算得到的省级碳排放清单数据、省级统计数据以及省级夜间灯光遥感数据，利用面板模型回归得到改进的STIRPAT模型系数值；
S5.2：获取市级尺度的夜间灯光数据和市级统计数据，通过面板模型回归得到的模型系数值，利用改进的STIRPAT模型核算出市级尺度的碳排放量。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本发明提出基于夜间灯光遥感和改进STIRPAT的城市碳排放核算方法，通过使用省级夜间灯光遥感影像来构建模型，并根据预处理后的夜间灯光遥感数据，分别构建省级和市级的城市发展因子，可以解决夜间灯光在不同区域亮度值计算精度问题，将构建的城市发展因子CDE作为STIRPAT模型中的扩展因子，构建了改进的STIRPAT模型，并进一步通过省级能源统计数据来对市级碳排放量进行核算，实现了对城市碳排放量的准确计算，克服了数据缺失和统计口径等问题，能全面、综合、精确地反演市级尺度的碳排放量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中夜间灯光遥感数据预处理流程的示意图；
图2为本发明实施例提出的基于夜间灯光遥感和改进STIRPAT的城市碳排放核算方法的流程图；
图3为本发明实施例的市级(城市)碳排放反演过程示意图；
图4为本发明实施例省级尺度和市级尺度的碳排放量精度验证示意图。
具体实施方式
本申请发明人通过大量的研究与实践发现：地区经济发展的迫切需求与碳排放和碳中和的历史任务之间的矛盾日趋严峻，如何高效精准的对湖北省各市州碳排放进行定量估算，更是平衡地区间可持续发展和充分发挥各市州在全省碳排放目标下重要作用的关键问题。
基于此，本发明在STIRPAT基础上提出改进的STIRPAT夜间灯光的城市碳排放量核算方法，利用NPP/VIIRS夜间灯光数据构建了城市发展因子(CDE)，从省级统计数据构建面板模型降尺度到市级尺度，克服了在市级能源统计上数据缺失等问题，实现了对市级碳排放的准确估算，本发明的方法具有数据精度高、覆盖面广、时间跨度长、客观性强等特点，对碳排放在市级尺度核算上具有重要的科学意义。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了基于夜间灯光遥感和改进STIRPAT的城市碳排放核算方法，包括：
S1：获取夜间灯光遥感数据，夜间灯光遥感数据包括DMSP/OLS数据和NPP/VIIRS数据，对获取的夜间灯光遥感数据进行预处理；
S2：根据预处理后的夜间灯光遥感数据，构建城市发展因子；
S3：基于省级统计年鉴数据以及城市发展因子构建改进的STIRPAT模型；
S4：对省级能源统计年鉴数据采用IPCC因子法计算省级碳排放量，并形成省级碳排放清单；
S5：基于省级碳排放清单数据对改进的STIRPAT模型进行面板回归，核算得到市级尺度的碳排放量。
具体来说，本发明方法的步骤为：对夜间灯光遥感数据进行处理；进而对省级和市级区域构建城市发展因子CDE(City Development Element)；利用省级统计年鉴数据来构建改进的STIRPAT；采用IPCC因子法计算省级碳排放量，并形成省级碳排放清单；通过面板数据回归模型得到模型截距项，反演市级尺度的碳排放量。本发明提出了基于夜间灯光遥感数据构建的城市发展因子CDE，解决了市级尺度能源统计数据口径不一致和数据项缺失问题，能够更准确的从省级尺度碳排放反演到市级尺度碳排放，提高了计算精度。
请参见图2，为本发明实施例提出的基于夜间灯光遥感和改进STIRPAT的城市碳排放核算方法的流程图。
具体实施过程中，省级统计年鉴数据和省级能源统计年鉴数据可以预先获取，其中，省级统计年鉴数据包括：地区生产总值(GDP)、人口数量(年末总人口)、第二产业总值以及建筑业总产值。
省级能源统计年鉴数据包括：分地区能源消费总量、分地区煤炭消费量、分地区焦炭消费量、分地区原油消费量、分地区燃料油消费量以及分地区汽油消费量。
步骤S1中的夜间灯光遥感数据包括省级和市级的数据，二者来源同一套影像(已有的夜间灯光遥感影像，National Centers for Environmental Information国家环境信息中心网站)，预处理方式相同，不同的是区域尺度。S2：根据预处理后的省级夜间灯光遥感数据和市级夜间灯光遥感数据，分别构建城市发展因子。
在一种实施方式中，步骤S1中，对获取的夜间灯光遥感数据进行预处理包括：
对DMSP/OLS数据进行连续性校正、饱和校正、年内融合以及年际间的校正，对NPP/VIIRS数据进行去噪处理；
利用同一年份的DMSP/OLS数据与NPP/VIIRS数据进行数据融合。
夜间灯光遥感数据就是指利用遥感技术捕捉夜晚地球上的灯光分布状况，可以有效反映人类活动的空间分布，因此常用于各类社会经济数据方面的遥感反演。当前常用的夜间灯光遥感数据主要是两个卫星，一个是DMSP(Defense Meteorological Sate-lliteProgram)是美国国防部的极轨卫星计划，传感器空间分辨率为3000m，生产的夜光遥感产品空间分辨率通常为1000m，同时DMPS夜光遥感数据是当前最长时间序列的夜光遥感数据(自1992-2013)，可以提供长时间序列连续的夜光遥感监测。另一个则是2011年发射的新一代对地观测卫星Suomi NPP，该卫星搭载的可见光/红外辐射成像仪(Visible InfraredImaging Radiometer Suit，VIIRS)能够获取新的夜间灯光遥感影像(Day/Night Band，DNB波段)，空间分辨率也提高到750m(以下简称NPP-DNB)，生产的夜间灯光遥感产品空间分辨率通常为500m。
请参见图1，为本发明实施例中夜间灯光遥感数据预处理流程的示意图。
具体实施过程中，DMSP/OLS(Defense Meteorological Satellite Program/Operational LineScan System)与NPP/VIIRS(National Polar-Orbiting Partnership/Visible Infrared Imaging Radiometer Suite)数据的处理包括：
(1)由于DMSP/OLS、NPP/VIIRS数据本身的问题，在长时间序列应用时需要进行相应的处理。DMSP/OLS数据需要进行连续性校正、饱和校正、年内融合以及年际间的校正。
(2)NPP/VIIRS数据进行去噪处理。
(3)DMSP/OLS与NPP/VIIRS数据融合：为了统一DMSP/OLS与NPP/VIIRS数据，利用同一年份的DMSP/OLS与NPP/VIIRS数据基于幂函数实现数据融合。
上述的夜间灯光遥感数据包括省级和市级的夜间灯光遥感数据，通过前述的夜间灯光遥感影像获取。在一种实施方式中，步骤S2包括：
S2.1：对夜间灯光亮度值进行均值处理，计算研究区域的平均亮度值，公式为：
式中，MDN为研究区域的平均亮度，n为研究区域中所含夜间灯光影像中的像素数，DNi表示研究区域中第i个像素对应的亮度值；
S2.2：利用研究区域的夜间灯光数据计算研究区域夜间灯光总亮度SUML和研究区域栅格面积SA，以及研究区域的灯光强度值DNQ，公式为：
式中，SUML是研究区域各像素栅格代表的夜间灯光亮度值之和，SA是研究区域夜间灯光栅格面积之和，DNQ表示研究区域的灯光强度值，areai代表第i个像元面积；
S2.3：将平均灯光亮度值MDN、灯光亮度总和SUML、灯光强度值DNQ三者进行合并，构建城市发展因子：
式中，a、b、c分别为平均灯光亮度值MDN、灯光亮度总和SUML、灯光强度值DNQ三者的系数，CDE为城市发展因子。
具体来说，城市里存在城镇与农村地区两种类型，两者地区差异性较大，发展水平有较大区别，其碳排放量在DN值都处于较低水平时，碳排放量的数值也会有较大差值，所以利用夜间灯光遥感数据获取的DN值进行平均化处理以构建城市发展因子，以校正城镇地区与农村地区在相同DN值下碳排放量差值。
本发明通过步骤S2.1～S2.3构建城市发展因子，根据研究区域的不同，分别针对省级和市级的城市发展因子。如果是构建省级的城市发展因子，则研究区域为省，基于该区域的平均亮度值、灯光总亮度、灯光强度值来进行构建。如果是构建市级的城市发展因子，则研究区域为市，基于市级区域平均亮度值、灯光总亮度、灯光强度值来进行构建。
在一种实施方式中，步骤S3包括：
基于构建的城市发展因子作为无量纲变量CDE扩展至STIRPAT模型中，得到基于改进的夜间灯光STIRPAT反演模型：
其中，Tan代表碳排放量，驱动因素People代表人口，GDP代表地区生产总值，SeGDP代表第二产业增加值，JianZhu代表建筑业总产值，a,b,c,d,f,g,h,j为变量的截距项，e为误差项。
STIRPAT(Stochastic Impacts by Regression on Population,Affluence,andTechnology)可拓展的随机性的环境影响评估模型(其通过对人口、财产、技术三个自变量和因变量之间的关系进行评估)的公式为：
LnTan＝LnCDE+dLnPeople+fLnGDP+g(LnGDP)2+hLnSeGDP+jLnJianZhu+Lne
本发明在现有STIRPAT模型的基础上，基于构建的城市发展因子和省级统计年鉴数据，构建了公式(6)所示的改进的STIRPAT模型。
在一种实施方式中，步骤S4包括：
S4.1：采用IPCC因子法计算省级碳排放量：
CE为能源消费产生的城镇直接碳排放量，即省级碳排放量；i为行业类型；j为不同能源类型；Eij为不同行业不同类型能源的消费量；εj不同能源的标准煤换算系数；fj为不同能源的碳排放系数；44/12是碳折合成二氧化碳的换算系数；
S4.2：根据计算得到的省级碳排放量构成碳排放清单。
具体来说，省级碳排放量计算采用IPCC(Intergovernmental Panel on ClimateChange政府间气候变化专门委员会)因子法。
在计算得到省级碳排放量后，可以得到碳排放清单，其中，标准煤换算系数和碳排放系数如表1所示。
表1标准煤换算系数和碳排放系数
在一种实施方式中，步骤S5包括：
S5.1：基于计算得到的省级碳排放清单数据、省级统计数据以及省级夜间灯光遥感数据，利用面板模型回归得到改进的STIRPAT模型系数值；
S5.2：获取市级尺度的夜间灯光数据和市级统计数据，通过面板模型回归得到的模型系数值，利用改进的STIRPAT模型核算出市级尺度的碳排放量。
具体来说，面板数据可以称为时间序列截面数据或混合数据。它是具有在时间截面和空间截面上的二维数据，采用面板数据模型能够使得变量反映出时间和空间上变化规律和特征，同时面板数据模型的构建能够控制个体的异质性及内生性问题，增加自由度从而提高参数估计的有效性。对面板模型进行Huasman检验，根据检验结果选取随机效应模型或者固定效应模型。
具体实施过程中，市级尺度的夜间灯光数据可以根据前述夜间灯光遥感影像获得，市级统计数据是通过各个城市的统计年鉴获得。
需要说明的是，S5.2中利用的改进的STIRPAT模型中，使用的数据为市级尺度的夜间灯光数据和市级统计数据。S5.1中的改进的STIRPAT模型使用的数据为省级碳排放清单数据、省级统计数据以及省级夜间灯光遥感数据。
请参见图3，为本发明实施例的市级(城市)碳排放反演过程示意图。
虽然现有技术中，有使用夜间灯光遥感数据来进行碳排放量的估算，但是其是提取城市建设用地，并构建不同主导产业类型的能源碳排放量反演模型来实现。而本发明则提出了一种城市发展因子，该因子是由夜间灯光数据获得，该因子添加到改进的模型中能够对碳排放核算的精度提高。
本发明主体是对STIRPAT模型进行改进，基于夜间灯光数据提出了城市发展因子的新概念，以解决目前在市级尺度上能源统计数据的缺失和统计口径不一致等问题。
相对于现有的方案来说，具有如下优点或者有益的技术效果：
1、在市级尺度上的碳排放量核算上，有较高的精度提升，计算精度可以达到0.9以上。
2、解决了数据的缺失和统计口径不一致等问题。
总体来说，本发明提供的方法利用夜间灯光遥感数据和STIRPAT模型及环境库兹涅茨曲线(EKC)，从省级尺度向市级尺度进行碳排放的降尺度反演，克服市级尺度上能源统计年鉴缺失和口径不一致等问题，对市级尺度的碳排量有较高精度的估算，具有范围广，长时间序列，精度高等特点。
下面通过具体示例对本发明提出的方法进行详细介绍。
研究区域以湖北省17个市州为例，以2012-2018年的NPP-VIIRS为研究数据，构建城市发展因子CDE，利用省级和市级统计年鉴数据构建改进的STIRPAT模型，利用面板数据进行回归得到模型因子的截距项，最后通过CEADs发布的市级碳排放数据作为验证数据集。
1、夜间灯光遥感数据处理
2、计算城市发展因子CDE
根据区域计算2012-2018年湖北省各市的城市发展因子及2012-2018年中国地区30个省份的城市发展因子。
3、基于省级统计年鉴数据以及城市发展因子构建改进的STIRPAT模型
4、利用省级碳排放进行面板数据回归获取模型系数值。
通过构建省级碳排放的面板数据模型来反演市级尺度碳排放，对构建的省级碳排放面板模型进行Huasman检验，根据计算省级面板数据Huasman检验结果P值大于0.05，接受原假设，采用随机效应模型
其中，i＝1，2，…，N表示个体成员，t＝1，2，…，T代表时间跨度。δit代表扰动项，ai表示常数项，βi为系数值，Yit表示第i个城市第T年的碳排放量，xit表示第第i个城市第T年对碳排放的影响因素，k表示影响因素个数。
进行LLC和ADF检验，各变量均通过检验(表2)，表明该面板数据模型中不存在伪回归情况，因此通过随机效应模型的面板数据回归得到改进模型中各因子的截距项(表3)。
表2 LLC和ADF检验
表3面板数据回归各因子截距项及误差
(Coefficient表示截距项，Std.Error为标准差，T-Statistic为T统计量，Prob为显著性)
5、通过改进模型反演出湖北省17个市州的碳排放量(2012-2018年)表4
表4 2012-2018年湖北省各市州碳排放量
6、精度验证
请参见图4，为本发明实施例省级尺度和市级尺度的碳排放量精度验证示意图。
利用省级碳排放数据和CEADs发布的市级碳排放清单数据，进行精度验证，其中省级尺度精度为0.7976，湖北省市级尺度精度为0.9641，R2大于0.9。表明该改进模型的拟合程度好，计算精度高。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (6)
1.基于夜间灯光遥感和改进STIRPAT的城市碳排放核算方法，其特征在于，包括：
S1：获取夜间灯光遥感数据，夜间灯光遥感数据包括DMSP/OLS数据和NPP/VIIRS数据，对获取的夜间灯光遥感数据进行预处理；
S2：根据预处理后的夜间灯光遥感数据，构建城市发展因子；
S3：基于省级统计年鉴数据以及城市发展因子构建改进的STIRPAT模型；
S4：对省级能源统计年鉴数据采用IPCC因子法计算省级碳排放量，并形成省级碳排放清单；
S5：基于省级碳排放清单数据对改进的STIRPAT模型进行面板回归，核算得到市级尺度的碳排放量。
2.如权利要求1所述的城市碳排放核算方法，其特征在于，步骤S1中，对获取的夜间灯光遥感数据进行预处理包括：
对DMSP/OLS数据进行连续性校正、饱和校正、年内融合以及年际间的校正，对NPP/VIIRS数据进行去噪处理；
利用同一年份的DMSP/OLS数据与NPP/VIIRS数据进行数据融合。
3.如权利要求1所述的城市碳排放核算方法，其特征在于，步骤S2包括：
S2.1：对夜间灯光亮度值进行均值处理，计算研究区域的平均亮度值，公式为：
式中，MDN为研究区域的平均亮度，n为研究区域中所含夜间灯光影像中的像素数，DNi表示研究区域中第i个像素对应的亮度值；
S2.2：利用研究区域的夜间灯光数据计算研究区域夜间灯光总亮度SUML和研究区域栅格面积SA，以及研究区域的灯光强度值DNQ，公式为：
式中，SUML是研究区域各像素栅格代表的夜间灯光亮度值之和，SA是研究区域夜间灯光栅格面积之和，DNQ表示研究区域的灯光强度值，areai代表第i个像元面积；
S2.3：将平均灯光亮度值MDN、灯光亮度总和SUML、灯光强度值DNQ三者进行合并，构建城市发展因子：
式中，a、b、c分别为平均灯光亮度值MDN、灯光亮度总和SUML、灯光强度值DNQ三者的系数，CDE为城市发展因子。
4.如权利要求3所述的城市碳排放核算方法，其特征在于，步骤S3包括：
基于构建的城市发展因子作为无量纲变量CDE扩展至STIRPAT模型中，得到基于改进的夜间灯光STIRPAT反演模型：
其中，Tan代表碳排放量，驱动因素People代表人口，GDP代表地区生产总值，SeGDP代表第二产业增加值，JianZhu代表建筑业总产值，a,b,c,d,f,g,h,j为变量的截距项，e为误差项。
5.如权利要求1所述的城市碳排放核算方法，其特征在于，步骤S4包括：
S4.1：采用IPCC因子法计算省级碳排放量：
CE为能源消费产生的城镇直接碳排放量；i为行业类型；j为不同能源类型；Eij为不同行业不同类型能源的消费量；εj不同能源的标准煤换算系数；fj为不同能源的碳排放系数；44/12是碳折合成二氧化碳的换算系数；
S4.2：根据计算得到的省级碳排放量构成碳排放清单。
6.如权利要1所述的城市碳排放核算方法，其特征在于，步骤S5包括：
S5.1：基于计算得到的省级碳排放清单数据、省级统计数据以及省级夜间灯光遥感数据，利用面板模型回归得到改进的STIRPAT模型系数值；
S5.2：获取市级尺度的夜间灯光数据和市级统计数据，通过面板模型回归得到的模型系数值，利用改进的STIRPAT模型核算出市级尺度的碳排放量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210001354.2A CN114461697A (zh) | 2022-01-04 | 2022-01-04 | 基于夜间灯光遥感和改进stirpat的城市碳排放核算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210001354.2A CN114461697A (zh) | 2022-01-04 | 2022-01-04 | 基于夜间灯光遥感和改进stirpat的城市碳排放核算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114461697A true CN114461697A (zh) | 2022-05-10 |
Family
ID=81408622
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210001354.2A Pending CN114461697A (zh) | 2022-01-04 | 2022-01-04 | 基于夜间灯光遥感和改进stirpat的城市碳排放核算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114461697A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115015486A (zh) * | 2022-06-13 | 2022-09-06 | 中南大学 | 一种基于回归树模型的碳排放量测算方法 |
| CN115375159A (zh) * | 2022-08-29 | 2022-11-22 | 西安热工研究院有限公司 | 一种城市碳排放总量实时核算方法及系统 |
| CN115564152A (zh) * | 2022-12-06 | 2023-01-03 | 南方电网数字电网研究院有限公司 | 基于stirpat模型的碳排放量预测方法及装置 |
| CN115658776A (zh) * | 2022-12-05 | 2023-01-31 | 武汉大学 | 联合多源数据生成全国1km碳排放空间分布图的方法 |
| CN116415110A (zh) * | 2023-06-05 | 2023-07-11 | 武汉大学 | 基于多源遥感密度数据进行碳排放量分区网格化的方法 |
| CN116933934A (zh) * | 2023-07-25 | 2023-10-24 | 国网山西省电力公司电力科学研究院 | 融合viirs与统计数据的县域碳排放的预测与分析的方法及系统 |
| CN117034588A (zh) * | 2023-07-31 | 2023-11-10 | 广东省科学院广州地理研究所 | 基于夜光遥感和兴趣点的产业碳排放空间模拟方法和系统 |
-
2022
- 2022-01-04 CN CN202210001354.2A patent/CN114461697A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115015486A (zh) * | 2022-06-13 | 2022-09-06 | 中南大学 | 一种基于回归树模型的碳排放量测算方法 |
| CN115375159A (zh) * | 2022-08-29 | 2022-11-22 | 西安热工研究院有限公司 | 一种城市碳排放总量实时核算方法及系统 |
| CN115375159B (zh) * | 2022-08-29 | 2024-02-02 | 西安热工研究院有限公司 | 一种城市碳排放总量实时核算方法及系统 |
| CN115658776A (zh) * | 2022-12-05 | 2023-01-31 | 武汉大学 | 联合多源数据生成全国1km碳排放空间分布图的方法 |
| CN115564152A (zh) * | 2022-12-06 | 2023-01-03 | 南方电网数字电网研究院有限公司 | 基于stirpat模型的碳排放量预测方法及装置 |
| CN116415110A (zh) * | 2023-06-05 | 2023-07-11 | 武汉大学 | 基于多源遥感密度数据进行碳排放量分区网格化的方法 |
| CN116415110B (zh) * | 2023-06-05 | 2023-08-15 | 武汉大学 | 基于多源遥感密度数据进行碳排放量分区网格化的方法 |
| CN116933934A (zh) * | 2023-07-25 | 2023-10-24 | 国网山西省电力公司电力科学研究院 | 融合viirs与统计数据的县域碳排放的预测与分析的方法及系统 |
| CN117034588A (zh) * | 2023-07-31 | 2023-11-10 | 广东省科学院广州地理研究所 | 基于夜光遥感和兴趣点的产业碳排放空间模拟方法和系统 |
| CN117034588B (zh) * | 2023-07-31 | 2024-06-04 | 广东省科学院广州地理研究所 | 基于夜光遥感和兴趣点的产业碳排放空间模拟方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114461697A (zh) | 基于夜间灯光遥感和改进stirpat的城市碳排放核算方法 | |
| Xiao et al. | Spatio-temporal simulation of energy consumption in China's provinces based on satellite night-time light data | |
| Tai et al. | A quantitative assessment of vulnerability using social-economic-natural compound ecosystem framework in coal mining cities | |
| Hu et al. | Shifts in bird ranges and conservation priorities in China under climate change | |
| CN110727717B (zh) | 网格化大气污染强度的监控方法、装置、设备和存储介质 | |
| Wu et al. | Changes in habitat quality of nature reserves in depopulating areas due to anthropogenic pressure: Evidence from Northeast China, 2000–2018 | |
| Pan et al. | Spatiotemporal dynamics of electricity consumption in China | |
| CN110110025B (zh) | 基于特征向量空间滤值的区域人口密度模拟方法 | |
| Schuh et al. | Far-field biogenic and anthropogenic emissions as a dominant source of variability in local urban carbon budgets: A global high-resolution model study with implications for satellite remote sensing | |
| Meher et al. | Gridded data as a source of missing data replacement in station records | |
| CN115690576B (zh) | 基于夜光影像多特征的贫困率估算方法及系统 | |
| Hu et al. | Modeling the spatiotemporal dynamics of global electric power consumption (1992–2019) by utilizing consistent nighttime light data from DMSP-OLS and NPP-VIIRS | |
| Demirhan et al. | Statistical comparison of global solar radiation estimation models over Turkey | |
| Wang et al. | Application of the hidden Markov model in a dynamic risk assessment of rainstorms in Dalian, China | |
| CN110716998B (zh) | 一种精细尺度人口数据空间化方法 | |
| Jarzyna et al. | Accounting for the space‐varying nature of the relationships between temporal community turnover and the environment | |
| Teng et al. | Long-term PM2. 5 concentration prediction based on improved empirical mode decomposition and deep neural network combined with noise reduction auto-encoder-A case study in Beijing | |
| Xu et al. | Incorporating spatial autocorrelation into deformable ConvLSTM for hourly precipitation forecasting | |
| Shi et al. | Evolution in disparity of PM2. 5 pollution in China | |
| Zhang et al. | Accuracy assessments and uncertainty analysis of spatially explicit modeling for land use/cover change and urbanization: A case in Beijing metropolitan area | |
| Dong et al. | GSDM-WBT: global station-based daily maximum wet-bulb temperature data for 1981–2020 | |
| Wang et al. | A GIS and remote sensing-based analysis of land use change using the asymmetric relation analysis method: A case study from the City of Hangzhou, China | |
| CN116796649A (zh) | 一种基于机器学习的spei粗分辨率数据空间降尺度方法及装置 | |
| Li et al. | Data error propagation in stacked bioclimatic envelope models | |
| Noor et al. | Downscaling of daily average rainfall of Kota Bharu Kelantan, Malaysia |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |