基于多源数据的长江经济带碳排放时空格局分析

何思凯^1,2,3，叶日晨¹，向隆刚⁴，刘仲宇⁴

1. 广州市城市规划勘测设计研究院有限公司，广州 510060；
 2. 广州市资源规划和海洋科技协同创新中心，广州 510060；
 3. 广东省城市感知与监测预警企业重点实验室，广州 510060；
 4. 武汉大学测绘遥感信息工程全国重点实验室，武汉 430079

摘  要：随着全球气候变化问题日益严重，碳排放时空格局分析逐渐成为研究的重点。只有全面了解区域碳排放的时空格局及驱动因素，政府部门才能针对性应对气候变化问题。当前研究多以能源消费数据为基础，依赖夜间灯光遥感数据进行空间化估算，信息维度相对单一。本文以长江经济带为研究区域，结合能源消费、NPP/VIIRS夜间灯光、人口密度等多源数据，构建多元回归碳排放量估算模型，估算得到1 km×1 km年度碳排放网格；利用全局与局部莫兰I数分析和地理探测器方法，探讨区域能源消费碳排放量的时空格局和关联因素。结果表明：长江经济带碳排放量整体呈现东高西低的分布态势，具有极其显著的空间集聚形态，长江下游省（市）碳排放量占比超50%；单位面积碳排放量最高的土地利用类型为不透水面，达2.55万t/km²，地区生产总值对碳排放量的影响最大。

关键词：多源数据；碳排放量；时空格局；空间关联；驱动因素

引用格式：何思凯, 叶日晨, 向隆刚, 刘仲宇. 2025. 基于多源数据的长江经济带碳排放时空格局分析. 时空信息学报, 32(6): 707-719
He S K, Ye R C, Xiang L G, Liu Z Y. 2025.Analysis of spatio-temporal patterns of carbon emissions in the Yangtze River economic belt based on multi-source data. Journal of Spatio-temporal Information, 32(6): 707-719, doi: 10.20117/j.jsti.202505006

1  引  言

联合国政府间气候变化专门委员会（Inter-governmental Panel on Climate Change，IPCC）在2021年最新评估报告中指出，2011~2020年全球地表温度比1850~1900年高约1.1℃，2019年CO₂浓度达到至少近两百万年来的最高水平（Arias等，2021）。全球变暖引发了暴雨、干旱、飓风等极端天气频发，增加洪水风险，并威胁生物多样性（Hennessy等，2022；Liu等，2015）。碳排放作为全球变暖的主要驱动力，其时空分布特征逐渐成为研究的关键。碳排放空间格局分析有助于揭示不同区域、城市或土地类型的碳排放差异，识别地理影响因素，为区域碳排放贡献评估和碳交易市场建设提供基础，为设定更具针对性的碳减排政策提供科学依据。实现这一目标依赖于精细化碳排放估算，作为空间格局分析的基础环节，将直接决定空间分析结果的科学性与政策适用性，总之，准确的碳排放量估算和时空格局分析，能够实现碳排放热点区域的有效识别与时序变化趋势的准确把握，为深入理解碳排放的空间异质性提供基础支撑（赵丹阳等，2025）。

得益于多源空间数据易获得、丰富和高时效性的特点，以及多源数据融合所具备的信息互补、高精度和高可靠性优势，多源数据融合分析方法已被广泛应用于 GIS 研究中（郭黎等，2007；陈文裕等，2022；邓昊键和李恒凯，2022）。进而，研究结合了多样化的空间分析方法，进一步挖掘了不同场景下的深层次特征与规律（刘耀林，2011；李少杰等，2021）。在碳排放量估算方面，多以能源消费数据为基础核算区域碳排放总量，并借助区域经济、人口活跃程度因素作为空间分异依据，获得分辨率更高的碳排放格网。如刘明达等（2014）中系统总结了碳排放核算的指导性方法，包括排放因子法、质量平衡法与实测法及不同碳排放核算方法的适用场景；Wang等（2024）探讨了回归模型能准确反映碳排放与Suomi NPP（national polar-orbiting partnership）/可见光红外成像辐射仪（visible infrared imaging radiometer suite，VIIRS）等夜间灯光数据集灯光指数的关联性；Liu等（2018）基于美国国防气象卫星计划（defense meteorological satellite program，DMSP）/ OLS（operational linescan system）夜间灯光影像，通过修正灯光指数构建了碳排放估算模型，获得了我国部分城市的碳排放格局；Cui等（2019）利用能源消耗数据进行建模，获取了广东省网格级与县级尺度的碳排放的时空分布。此外，在碳排放格局分析方面，研究多基于灯光数据估算不同尺度碳排放分布，通过空间自相关分析等方法揭示碳排放的时空特征与演变规律。如孟醒（2017）通过修正DMSP/OLS灯光数据构建了碳排放模型，并进一步分析了省级、地级市尺度碳排放的时空格局及其影响因素；杜海波等（2021）基于NPP/VIIRS等夜间灯光数据估算黄河流域市级碳排放，并利用空间自相关和地理探测器揭示了空间格局特征及主要的影响因素；蓝皓新和徐军（2024）基于整合的DMSP/OLS与NPP-VIIRS夜间灯光数据对浙江省县级尺度的碳排放进行建模，利用空间自相关与地理加权回归分析了其分布及影响因素，发现人口因素的影响最为突出；王巧玲和李双成（2025）基于莫兰I数（Moran I）与随机森林分析了云南省地级市尺度的碳排放格局及其社会影响因素。上述研究主要通过能源消费数据进行碳排放核算，进而采用夜间灯光数据作为空间分异依据进行估算，然而，仅依赖夜间灯光数据构建空间化碳排放模型存在一定局限性。究其原因，灯光亮度仅间接反映人类活动强度，无法直接表征人口密度、社会活动等多维驱动因素；同时易受饱和、溢光和欠发光等问题影响，导致空间估算结果在不同区域间出现系统性偏差，进而影响整体精度与稳定性。

长江经济带作为我国经济最集中、发展强度最高的国家战略区域之一，部分研究已从省级、地级市尺度评估其碳排放格局、影响因素。如李庆（2020）通过地理加权回归模型刻画了长江经济带城市碳排放的空间异质性，揭示了人口、经济与消费因素的影响在空间上呈现显著差异；李子杰等（2023）基于能源消费数据核算了2008~2018年长江经济带地级市碳排放，并结合空间自相关与地理加权回归分析，揭示了碳排放的空间集聚特征及产业结构对碳排放的显著影响；张娜等（2024）基于CEAD（China emission accounts and dataset）数据库的碳排放数据，得到了区域内地级市尺度的碳排放格局，指出了经济发展水平对其影响最大；曹昱亮等（2025）从农业物质消耗角度，核算了区域内11个省（直辖市）的农业碳排放量。然而，上述研究多依赖宏观统计数据，缺乏区域专有碳排放估算模型，且碳排放数据空间分辨率有限，难以刻画城市内部乃至更高精度单元的细尺度异质性。

因此，本文以长江经济带为研究区域，综合能源消费、NPP/VIIRS 夜间灯光、人口密度等多源数据，构建基于多元回归分析的区域碳排放估算模型，获取1 km×1 km精度的年度碳排放网格数据。随后，引入莫兰I数等空间分析方法，从不同尺度揭示碳排放的空间格局及其演变特征；同时，结合土地利用和社会经济指标，借助地理探测器（Wang 等，2010），识别不同驱动因素及其交互作用对碳排放时空分异的影响机制。

2  研究方法

图1展示的总体技术路线可分为两大部分。一是，基于能源消费、NPP/VIIRS夜间灯光、人口密度数据等，利用排放因子法、多元回归分析法等实现碳排放分布的估算，得到1 km×1 km碳排放网格；二是，利用莫兰I数、地理探测器等方法，探究碳排放的时空变化、空间关联，并结合土地利用类型和社会经济指标分析碳排放的影响因素。

2.1  基于能源消费的碳排放核算方法

排放因子法是应用最普遍的一种碳排放核算方法（Mousavi等，2017；兰天和韩玉晶，2022）。实验利用排放因子法实现碳排放的测算，选取国家统计局能源统计年鉴中的10种主要能源，见表1。基于2006年IPCC报告中确定的不同能源碳排放系数，来计算碳排放核算值：

式中，i为能源种类；为能源的消费量，其中，固液态能源单位为万t、天然气单位为亿m³、电力单位为亿kW·h、热力单位为百亿kJ；SC_i为能源的标准煤折算系数；CF_i为能源的碳排放系数。

2.2  基于多元回归的碳排放估算方法

根据已有研究（孟醒，2017；Wang等，2024），碳排放强度与灯光指数之前存在显著的线性相关关系。同时，碳排放强度与人口数量拟合关系如图2所示。碳排放强度与人口数量之间存在显著的线性相关关系，R²为0.87，表明可以较好地拟合碳排放强度与人口数量。

基于上述分析，将省（市、区）灯光强度、人口总数作为自变量，省（市、区）碳排放总量作为因变量，通过多元回归模型拟合得到省（市、区）碳排放：

式中，Light为灯光强度；PPL为人口密度，人/km²；为截距项；为回归系数。多元回归分析结果见表2。方差膨胀因子（variance inflation factor，VIF）小于10表示自变量间不存在多重共线性，可进行多元回归分析；回归结果显示模型R²的值为0.831，各个变量的参数在0.05水平上通过相关性检验。这说明模型较好地拟合了变量之间的关系，方程总体线性显著。

假定1 km×1 km网格尺度的碳排放和省（市、区）级尺度碳排放与自变量对应关系一致，通过将常数项均摊到网格，得到网格碳排放量：

式中，N_pro为网格所在省（市、区）的网格总数。

考虑到省（市、区）尺度的碳排放总量数据为能源消费数据的准确估算，通过式（4）消除省（市、区）间的碳排放量估算误差（孟醒，2017）：

式中，为i行j列碳排放量；为网格所在省（市、区）的碳排放总量；为网格所在省（市、区）的所有网格碳排放估计值之和；单位均为万t。

2.3  空间自相关分析与地理探测器

1）空间自相关分析

空间自相关分析是用于评估数据集空间相关性的方法，其中，全局莫兰I数用以评估地理现象整体的空间聚集程度（Chen，2013）。构建空间权重矩阵后，全局莫兰I数和归一化莫兰I数分别为

式中，n为行政单元的数量；W为权重总和；为行政单元i和j之间的空间权重；x为观测值。

局部莫兰I数可以评估空间数据集中每个行政单元的空间聚集性，能够检测数据集中每个行政单元的局部空间聚集模式，揭示空间聚集的位置、程度和方向（Anselin，1995）。有

式中，为观测值的方差。

为更直观地说明局部莫兰 I数的判别标准及空间格局特征，实验将其划分为四种类型，包括高–高集聚、低–低集聚、高–低集聚、低–高集聚四类。

2）地理探测器

地理探测器是一种用于探测和揭示地理事物或现象空间异质性的方法，原理在于通过分析不同因子的影响程度，揭示地理现象的空间分布规律和形成机制（Wang等，2010）。地理探测器要求影响因子为类别数据，地理现象为数值型数据，如果某地理现象（如碳排放）与影响因子的空间格局呈现一致性，则两者相互关联，关联程度可以通过统计变量q值进行评估（Wang等，2010）：

式中，q为影响因子对于地理现象的解释程度；m为影响因子的分层；分别为m层和区域的地理单元数；分别为m层和区域的地理属性方差。q取值[0，1]，值越大，整体地理现象的分异越明显，即影响因素对于地理现象的解释力度越强（Wang等，2010）。

3  实验与结果分析

3.1  研究区与数据源

1）研究区概况

长江经济带作为我国经济发展最活跃、人口最密集的区域之一，是国家推进碳达峰、碳中和战略目标的重点区域（苑韶峰和唐奕钰，2019）。该区域横跨东中西部，覆盖了上海、江苏、浙江、安徽、江西、湖北、湖南、重庆、四川、云南、贵州11个省（市），如图3所示。产业类型丰富，能源结构多样，地区GDP占全国40%以上，人口总数占全国人口42%以上，具有重要的经济地位（李金华，2022）。在能源消耗方面，能源消耗以煤炭占比最高，超过50%，近年来，该比例在逐年下降，石油消耗占比维持在17%左右，而清洁能源和新能源的消耗比例逐年上升（袁骏，2024）。

2）数据源与数据预处理

实验数据见表3。数据时间为 2014~2020年；能源消费、社会经济指标数据为统计表格，NPP/VIIRS夜间灯光、WorldPop人口密度、CLCD土地分类数据为栅格数据。实验根据中国年度土地覆被数据集（annual China land cover dataset，CLCD）的土地利用分类系统（Yang和Huang，2021），进行分析。CLCD包括耕地、林地、灌木、草地、水域、雪地、荒地、不透水面、湿地等类型，其中，不透水面是指由不透水材料覆盖的地表，通常包括屋顶、停车场及道路等渗透率较小的表面，是城市化最显著的特征（Yang和Huang，2021）。

对于栅格数据，利用ArcGIS进行坐标系统一、空间裁剪、分辨率重采样等操作，以保证多源数据在空间和时间上相对应。NPP/VIIRS夜间灯光、WorldPop人口密度连续型栅格数据通过双线性插值法，以保证精度和平滑效果；CLCD土地利用分类的离散型栅格则采用最近邻插值法，以保留原始类别。对于统计数据，利用ETL工具进行数据清洗。其中，社会经济指标通过与碳排放量进行相关分析，结果见表4，利用相关系数判断各指标与碳排放的相关性大小，并通过VIF判断自变量是否存在多重共线性。同时，结合逐步回归分析，实验选取地区生产总值、固定资产投资、城镇化率、第三产业比例四个指标展开影响因子探测。

3.2  结果比较分析

1）单位网格尺度碳排放分布

研究区内不同时间的单位网格尺度的碳排放分布及变化如图4所示。从图4（a）（b）可以看出，2015、2019年的碳排放格局整体保持相似，呈东高西低趋势，高值主要位于上海、杭州、武汉等经济发达城市的中心城区，1 km×1 km网格内碳排放量最高值能达到10万t。其中，长江下游的江浙沪地区呈现多点高峰的态势；长江入海口处，形成了以上海为主的长三角碳排放高峰聚集，也是长江经济带经济最活跃的地区。结合图4（c）可看出，2015~2019年区域内大部分地区碳排放量出现降低，碳排放量增长的地区主要分布在省会城市及直辖市邻近地区。经济增长通常离不开工业能源消费所带来的碳排放，长江经济带地区大部分省（市）施行强省会战略，在发展资源集中的加持下，经济的快速增长很可能会导致碳排放量的增加。

2）精度比较评估

实验通过决定系数R、平均绝对误差（mean absolute error，MAE）、均方根误差（root mean square error，RMSE）、平均绝对百分比误差（mean absolute percentage error，MAPE）三个指标，来评价模型精度。选取2014~2020年武汉、昆明、杭州、襄阳、苏州、成都、合肥、自贡、宁波、南京共10个地级市约70个数据样本，IPCC核算值与模型估计值对比示例如图5所示。整体上，低碳排放量样本估算准确性高于高碳排放量样本，究其原因，高发展水平城市的碳排放影响因素更为复杂；评价指标方面，模型拟合程度较好，模型估计值在核算值的26.9%上下浮动。

为验证方法可行性，还与夜间灯光模型（孟醒，2017）、修正夜间灯光模型（李寿跳，2023），进行比较。不同模型的估算精度见表5。相较于已有研究，本文方法的MAE、RMSE、MAPE值均最优；MAE、RMSE值分别降低了120 万 t、780 万 t，MAPE值降低了5%。究其原因，本文方法的数据源融合了更全面的社会经济信息，突破了单一数据源难以全面反映碳排放分异的局限性，因此在区域碳排放量估算上表现出更高的精度和稳定性。

3.3  不同尺度碳排放时空格局

研究区省（市）尺度与地级市尺度碳排放时空变化如图6所示。由图6（a）看出，碳排放量高的省（市）主要集中在长江下游地区，研究时间内长江下游省（市）碳排放总量有上升趋势，而长江上游的云贵川地区的碳排放总量呈波动趋势，可见碳排放的变化趋势与发展水平密切关联。由图6（b）（c）分别看出，2014~2017年长江中下游地区大部分城市的碳排放量呈上涨趋势，碳排放量呈现降低的城市主要分布于长江上游地区；2017~2020年，长江中游大部分地区和下游部分地区呈现碳排放量下降，而上游地区因地广人稀反而呈现上涨趋势。从空间分布来看，高碳排放量的城市仍然集中在长江下游地区，如苏州、杭州、南京、合肥，其中，苏州的最高，三年的碳排放总量数据均维持在2亿t左右；低碳排放量的城市通常因地理位置不佳、占地面积小导致发展受限或以文旅为主要产业，能源消费相对较低，如四川的资阳、湖南的张家界等，如图6（d）至（f）所示。

由表6可知，研究区内以江苏的年碳排放量最高，一直维持在9亿t左右，占研究区的20%以上；其次是浙江、安徽。长江下游所有省（市）年碳排放量总和占研究区的50%以上，且占比逐年上升。在长江上游和中游地区，湖北、四川、贵州三省的碳排放量占比较高，长江上游省（市）的碳排放量占比呈现一定的缩减趋势。

3.4  碳排放空间关联

由表7知，市级尺度上，2014~2020年长江经济带碳排放莫兰I数结果均大于0。结合p值均小于0.001，在99.9%水平上通过了显著性检验，可得出市级碳排放量呈极其显著的空间正相关和集聚特征。同时，从变化情况来看，2014~2020年，除2019年外，莫兰I数不断增大，表明市级碳排放分布的空间集聚特征逐年增强。此外，县级尺度碳排放的分布模式与市级的类似，但其莫兰I数更大，表明城市内各区（县）之间碳排放的关联性比城市之间的更明显。

由图7（a）可看出，整体上，市级尺度区域内主要存在高–高集聚和高–低集聚两种格局。高–高集聚主要分布于长江下游的江浙沪地区，呈明显的高碳排放集聚区特征；高–低集聚表明局部出现了明显碳排放量高点，代表性区域有成都、武汉、重庆。高–高集聚形态的范围呈逐年扩大；高–低集聚形态的范围变化不大，表明长江上游和中游地级市的碳排放格局变化较小。此外，由图7（b）可看出，县级尺度，高–高集聚形态的总体表现与市级类似，主要分布于长江下游地区。不同的是，县级尺度出现明显的低–低集聚，主要分布于四川的泸定、甘洛等，以及贵州的盐津等地区；这些地区以低碳产业为主。研究时间内，高–高集聚形态和低–低集聚形态均呈一定程度上的扩大趋势，表明高碳排放集聚和低碳排放集聚形态逐年增强，碳排放格局分异特征愈加明显。总之，长江经济带碳排放分布呈上游低碳排放集聚、中游随机分布、下游高碳排放集聚的分布格局。

3.5  碳排放影响因素

根据研究区2014~2020年各年份相应土地利用类型的面积均值（表8），结合图8可得出，碳排放量占比最高的土地类型为耕地，其次为不透水面、林地、水域。究其原因，长江经济带大部分地区属季风气候，雨多湿润，形成了以水稻为主的水田农业，耕地总面积达到69.61万km²，仅次于林地，与林地不同的是耕地有更多的人口活动，因此耕地的碳排放量占比最高。此外，城市中聚集了大量的人口和工业设施，因此不透水面的碳排放量也占据了总量的一大部分。从变化情况来看，唯有不透水面的碳排放量占比呈逐年上升的趋势，是因为随着城市化进程的不断推进，人口和工业设施的不断增加，使得碳排放量逐年增加。其他土地利用类型的碳排放量占比呈逐年下降。一方面，随着农业、渔业、林业等产业的自动化水平不断提高，所需要的人工越来越少；另一方面，环境保护逐渐受重视，过度开发的土地逐步回归自然状态，碳排放量也随之降低。

上文所述年碳排放量占比从宏观角度展示了不同土地利用类型的碳排放量贡献大小，而单位面积的平均碳排放量更能体现出不同土地类型的碳排放强度。由图9可看出，单位网格碳排放量水平以不透水面的最高，达到2.55万t；这是由于其对应着城市的公路和建筑用地，聚集了大量人口与产业。此外，与碳排放量占比表现差别最大的是耕地，碳排放量平均到单位面积上，仅0.28万t。水域是人类生存发展的重要基础，长江经济带城市大多依河流湖泊而建，因此水域也具有较高的碳排放强度。

由表9可知，地区生产总值、固定资产投资、城镇化率、第三产业比例四个指标均与碳排放量存在正相关关系。其中，地区生产总值对碳排放量分布的影响程度最大，其次是固定资产投资。

4  结  论

区域碳排放的估算和格局分析对于管理机构应对气候变暖问题具有重要现实意义，现有研究仅依赖灯光数据作为空间分异变量，构建的碳排放估算模型难以全面表征区域能源消耗与人类活动的差异性，可能导致估算结果的稳定性与精度的不足。以长江经济带为研究对象，本文利用能源消费、夜间灯光遥感产品、人口密度等多源数据，构建了多元线性回归碳排放估算模型，得到了长江经济带2014~2020年、分辨率为1 km×1 km的年度碳排放网格化数据。同时，结合莫兰I数等空间分析方法，分析了省级、地级市、1 km×1 km格网等不同尺度的碳排放空间分布及演变规律；通过分析土地利用类型、社会经济指标与碳排放的关联情况，探究了长江经济带碳排放时空分布的影响因素，为精细化区域碳治理碳减排工作提供理论支持。实验结果表明：①长江经济带碳排放整体呈东高西低格局，下游省（市）占比超50%。2015~2019 年，大部分地区碳排放量下降，增加区域主要集中在经济发达城市及周边。碳排放分布呈显著空间正相关性，上游低排放集聚、中游随机分布、下游高排放集聚。②在土地利用类型方面，耕地碳排放量占比最高，单位面积排放量最高的是不透水面；在影响因素中，社会经济指标按影响力大小依次为地区生产总值、固定资产投资和城镇化率。

本研究引入了人口密度数据，结合多源时空数据对碳排放量估算进行了建模和挖掘分析。限于实验条件，在模型推广和精度两个方面仍有待深入研究。前者可在不同区域进行推广应用，如拓展至全国层面或不同类型的城市群，以系统验证模型在不同区域、不同发展阶段城市中的稳定性与泛化能力；后者可考虑引入更高空间分辨率的专题遥感数据，如建筑、植被分布等，并引入地理加权回归、随机森林等更灵活的建模方法，从而进一步降低估算偏差以提升整体精度。