2023, Vol. 44
2. 清华大学水利水电工程系, 北京 100084;
3. 北京师范大学水科学研究院, 城市水循环与海绵城市技术北京市重点实验室, 北京 100875
2. Department of Hydraulic Engineering, Tsinghua University, Beijing 100084, China;
3. Beijing Key Laboratory of Urban Hydrological Cycle and Sponge City Technology, College of Water Sciences, Beijing Normal University, Beijing 100875, China
自1990年政府间气候变化专门委员会(Intergovernmental Panel on Climate Change, IPCC)第一次报告指出“气候变化具有全球影响”以来, 全球应对气候变化研究不断深入[1, 2].“碳减排”作为缓解气候变化的重要手段, 全球各界达成了多项共识和约定, 我国在其中发挥着关键作用[3, 4].中国政府在2009年哥本哈根气候变化大会上承诺, 2020年碳排放强度较2005年降低40% ~45%[5]; 在2015年的巴黎气候大会上, 中国提出2030年较2005年碳排放强度降低60% ~65%[6]; 2020年, 中国提出了2030碳达峰, 2060碳中和的“双碳”目标[7].“碳中和”通常指在规定时期内整体经济社会发展产生的碳排放量(碳源)与碳封存量(碳汇)相平衡[8, 9].化石能源消耗和植被净初级生产力(net primary production, NPP)作为核算碳源和碳汇的重要指标, 对分析不同区域“碳中和”实现压力具有一定的参考价值[10].
随着经济社会的高速发展, 过去10年间中国碳排放量增长了25%, 2019年中国的碳排放量达到140.93亿t, 占全球排放总量的27%[11].与之相对的, 有研究显示2000~2017年全球“绿色”覆盖面积上升[12], 中国植树造林行动占了全球“绿色”面积增量的42%, 大片新增的森林提供了充足的碳汇[13].植被碳汇能力可依靠NPP进行估算[14], 目前用于NPP计算的模型可分为生态过程模型和遥感模型[15], 相较于生态过程模型数据多、参数复杂的精细化特点, 遥感模型能很好的在空间大尺度评估植被碳汇能力, 其中光能利用率模型(carnegie-ames-stanford approach, CASA)应用得最为广泛[16, 17].然而, 作为二氧化碳(CO2)排放的主要来源, 通过化石能源消耗计算CO2排放的估算方法, 包括生命周期法、标准煤法和物料平衡法等均基于面板数据[18], 因此大部分研究均以省/市等行政区为研究边界, 缺乏对行政区内部差异化的研究与讨论.
本研究利用夜间灯光数据和CASA模型, 分别估算化石能源消耗(碳源)和植被净初级生产力(碳汇)的空间分布, 使碳源和碳汇在空间上相统一[19].进而利用脱钩理论探讨区域内部经济社会发展的低碳水平[20], 以期为长江经济带(YREB)不同区域探索合适的发展与转型路径提供一定的支持.
1 研究区概况 1.1 长江经济带概况长江经济带包含了长江流域大部分的地市, 加入了浙江省, 最后覆盖上海、江苏、浙江、安徽、江西、湖北、湖南、重庆、四川、贵州和云南共11个省级行政区(9省2市)[21], 并设立了以重庆、成都、武汉和上海等核心城市为中心的城市群, 包括成渝城市群、长江中游城市群和长三角城市群(图 1).本研究将四川、云南、重庆和贵州划分为上游; 湖南、湖北和江西划分为中游; 安徽、江苏、浙江和上海划分为下游[22].
|
图 1 长江经济带概况 Fig. 1 Location of the Yangtze River Economic Belt(YREB) |
1999~2018年长江经济带人口约占全国总人口的43%, 整体人口占比呈现下降趋势.研究时间段内, 长江经济带的经济总量显著上升, 国内生产总值(GDP)于2007、2011和2015年分别突破10万亿、20万亿和30万亿元, 在2018年突破40万亿元(图 2).2018年的GDP较1999年增长约12倍.长江经济带经济总量占全国的比重在2008年之后迅速提升, 由2008年的最低点39.9%上升到2018年的46.5%, 增长了6.6个百分点[23, 24].
|
图 2 长江经济带上中下游经济社会概况 Fig. 2 Economic and social overview of the upstream, midstream, and downstream of the YREB |
本研究涉及的气象数据来源于中国气象数据网(http://data.cma.cn/site/index.html); 土地利用数据来源于中国科学院资源环境科学与数据中心(http://www.dsac.cn/DataProduct/Index); 夜间灯光数据来源于美国国家海洋与大气管理局国家地球物理数据中心的DMSP/OLS和NPP/VIIR两种卫星数据源(https://ngdc.noaa.gov/eog/dmsp/downloadV4composites.html); NDVI(Normalized Difference Vegetation Index)数据来源于美国国家航空航天局(NASA)的MODIS卫星15 d数据产品(https://ladsweb.modaps.eosdis.nasa.gov/); 省市化石能源消耗数据集和经济社会发展数据来源于国家及各省市的能源统计年鉴的“能源平衡表”.
2 研究方法 2.1 基于夜间灯光数据反演碳排放空间分布方法 2.1.1 夜间灯光数据预处理本研究所涉及的时间跨度为1999~2018年, 在此阶段需要应用两种夜间灯光数据源, 它们分别为DMSP/OLS(1992~2013年), 即美国国防气象卫星计划(defense meteorological satellite program, DMSP), 卫星运行的线性扫描系统(operational line scan system, OLS); 以及NPP/VIIR(2013至今), 即夜光传感器可见光近红外成像辐射(visible infrared imaging radiometer suite, VIIRS)传感器搭载国家极轨卫星(suomi national polar orbiting partnership, Suomi-NPP)[25].由于两种卫星的观测方法不同, 所以在进行研究时需要对两种卫星在2013年的影像进行(DN)校准, 使得两种卫星的测算能保证数据的连续性, 根据相关研究方法, 选择利用幂函数使NPP/VIIR数据与DMSP/OLS匹配[26]：
|
(1) |
式中, Y为2013年DMSP/OLS夜间灯光数据每个像元的DN值; X为2013年NPP/VIIR夜间灯光数据每个像元的DN值.
2.1.2 化石能源消耗碳排放计算本研究采用IPCC提供的能源消耗碳排放计算方法, 选择8种主要的化石能源(煤、天然气、汽油、原油、柴油、煤油、燃料油和焦炭)进行碳排放的估算[27].不同化石能源的热值和碳排放系数如表 1所示.为了更好反映区域化石能源碳排放的特征, 参考Liang等[28]的研究, 选择“能源平衡表”进行计算, 其主要的计算方法及8种化石能源的相关计算系数如下所示：
|
(2) |
|
表 1 不同化石燃料的碳排放计算参数 Table 1 Carbon emission calculation parameters of different fossil fuels |
式中, SC为所估算的行政区域的CO2排放总量(t); Ew为化石能源w的消耗量(t); CECw为化石能源w的碳排放系数(kg ·TJ-1); ALCw为化石能源w的平均低位发热量(kJ ·kg-1).
2.1.3 基于夜间灯光数据的碳排放估算夜间灯光数据可用于表征较大空间尺度上的人类活动, 是良好的空间数据集, 在很大程度上解决了相关研究中区域统计数据缺失、获取难等问题[29].有研究显示, 夜间灯光数据与区域CO2排放强度有很强的相关性, 通过构建二者之间的函数关系, 可以在一定程度上较好地反应CO2排放强度的空间特征[30, 31].本研究考虑长江经济带不同区域发展实际现状, 以省为基本单元, 利用1999~2018年的夜间灯光及CO2排放量数据, 分省构建夜间灯光DN值与CO2排放量的函数关系(图 3).
|
图 3 长江经济带各省市DN值与CO2排放函数关系 Fig. 3 Functional relationship between night light (DN) and carbon dioxide emissions (CO2) of provinces and cities in the YREB |
本研究选择利用CASA模型, 估算长江经济带NPP[32], 模型主要框架如图 4所示, 其中IPAR为拦截的光合有效辐射; FPAR为光合有效辐射吸收比例; APAR为光合有效辐射的总和.在CASA模型中, NPP的估算是通过植被光合有效辐射和植被的光能利用效率的乘积来确定的; APAR的值由植被吸收的太阳有效总辐射和植被对入射太阳辐射的吸收比例来确定; 由于在一定范围内FPAR的值与NDVI存在显著的线性关系, 所以可以根据NDVI的最大最小值估算FPAR的变化范围和趋势; 对于植被光能利用率的计算, 模型首先通过植被类型/土地利用类型得到各种类型植被的最大光合利用率, 然后通过月均气温和降水得到的温度和水分胁迫因子, 最终计算出某种植被的实际光合利用率[24].
|
图 4 长江经济带CASA模型框架 Fig. 4 CASA model framework of YREB |
本研究应用朱文泉等构建的NPP计算模型, 利用月尺度的降水、平均气温、辐射和NDVI网格数据对NPP进行估算[33].在计算过程中需要保证所有网格数据的投影和分辨率保持一致, 各气象数据的处理方法在数据预处理部分进行阐述.其主要计算方法如下所示：
|
(4) |
式中, APAR(x, t)为网格点x在t月吸收的光合有效辐射[MJ ·(m2 ·month)-1], ε(x, t)为实际的光能利用率.
|
(5) |
式中, FPAR(x, t)为植被层对入射光和有效辐射的吸收比例, SOL(x, t)为网格点x在t月份太阳总辐射量[MJ ·(m2 ·month)-1].
|
(6) |
式中, NDVIi, max和NDVIi, min分别为第i种植被类型的NDVI的最大值和最小值.
2.2.2 基于植被净初级生产力的碳汇量估算植被的碳汇量主要来源于光合作用, 本研究中使用NPP表征植被光合作用碳汇功能的效果.依据相关研究, 可以估算出每162 g C植被净初级生产力可以吸收264 g CO2[34].植被光合作用主要的生物化学过程如下所示：
|
(7) |
本研究的模拟结果与中国科学院资源环境科学与数据中心制作的2000、2005和2010年这3期全国NPP数据集(http://www.dsac.cn/DataProduct/Index/201116)的误差在10%以内, 能较为准确地反映NPP的变化趋势.
2.3 Tapio脱钩理论Tapio脱钩理论由经济合作与发展组织(Organization for Economic Co-operation and Development, OCED)提出, 主要用来评价区域发展与资源消耗或环境污染之间的关系[35].本研究利用该理论, 分析CO2净排放与区域GDP的联系, 评价长江经济带重点区域的低碳发展水平, 为区域转型和绿色发展提供科学支撑[36].脱钩理论的计算方法和不同脱钩指数的分类如表 2所示, 其中强脱钩是低碳绿色发展的理想状态, 当ΔGDP/GDP>0时, e的值越小脱钩越显著[24].
|
(8) |
|
|
表 2 Tapio脱钩理论分类 Table 2 Tapio decoupling model classification |
式中, ΔCO2/CO2为二氧化碳排放的变化率; ΔGDP/GDP为区域GDP的变化率.
3 结果与讨论 3.1 长江经济带化石能源消耗二氧化碳排放时空分布长江经济带高CO2排放区域(CO2>9 000 t ·km-2, 以C计)集中在长三角城市群、中游城市群和成渝城市群(图 5).相较于1999~2012年, 2013~2018年中CO2排放量区域(1 000~5 000 t ·km-2, 以C计)面积上升了15.5%; 中高CO2排放量区域(5 000~9 000 t ·km-2, 以C计)面积增加了约38.24%.
|
图 5 长江经济带CO2空间分布 Fig. 5 Spatial distribution of CO2 in the YREB |
本研究时间段内, 长江经济带CO2排放量显著上升(图 6), 大体可分为1999~2012年的CO2排放快速上升期和2013~2018年的波动增长期, 碳排放量及变化趋势与Carbon Emission Accounts & Dataset(CEADs)提供数据集一致[37, 38].在1999~2012年的快速上升期, 长江经济带CO2排放量由1 123.29×106 t上升至3 367.53×106 t, 增幅为2 244.23×106 t, 年均增长率为8.92%.在波动增长期, 长江经济带CO2排放量未呈现显著变化趋势, 由2013年的3 341.91×106 t, 缓慢上升至2018年的3 460.79×106 t.长江经济带下游CO2排放量几乎为中游和上游CO2排放量之和, 其中江苏CO2排放量最高, 两个时期均占长江经济带CO2排放总量约20%.此外, 长江经济带上海、浙江、湖北和重庆CO2排放量在两个时期占比下降明显.
|
图 6 长江经济带CO2排放 Fig. 6 CO2 emissions in the YREB |
长江经济带高NPP区域(NPP>1 000 g ·m-2, 以C计)集中在云南南部和四川西南部(图 7), 该区域也是我国重要的原始林和自然保护区域, 充分的保护措施和适宜的气候条件使植被在该区域迅速生长.长江经济带在1999~2012年和2013~2018年两个时间段整体呈现“变绿”趋势. 2013~2018年中高碳汇量区域(NPP>800 g ·m-2, 以C计)面积较1999~2012年上升了23.25%; 低碳汇量区域(0~200 g ·m-2, 以C计)面积下降了约45.74%.
|
图 7 长江经济带NPP碳汇量空间分布 Fig. 7 Spatial distribution of NPP carbon sequestration in the YREB |
20年间, 长江经济带NPP多年平均碳汇量为1 559.49×106 t(结果与CASA模型类似研究成果类似[39, 40]), 总体呈现缓慢上升的趋势(图 8), 由1999年的1 516.81×106 t上升至2018年的1 664.88×106 t, 增长率为9.75%.长江经济带NPP碳汇量呈现由西南向东北递减的趋势, 多年平均碳汇量大小为：上游>中游>下游, 其中上游多年平均碳汇量为938.03×106 t, 约占长江经济带总量的60.15%.研究时间段内各省碳汇量特征不显著, 各省碳汇量占长江经济带碳汇总量比例在两个时间段未呈现明显变化, 四川和云南碳汇量的占比最高, 均约为23%.
|
图 8 长江经济带碳汇量估算 Fig. 8 Estimation of carbon sequestration in the YREB |
选择CO2排放的稳定期(2013~2018年)研究CO2净排放空间分布特征(图 9).CO2净排放与CO2排放空间分布类似, 集中在长江经济带3个城市群, 其中长三角城市群高CO2净排放区域(CO2>9 000 t ·km-2, 以C计)面积占长江经济带高CO2净排放面积的74.6%.长江经济带表现为净吸收的城市有：上游四川和云南的大部分城市; 中游的十堰、恩施、神农架和张家界; 下游的丽水、黄山和池州.
|
图 9 2013~2018年长江经济带CO2净排放空间分布 Fig. 9 Spatial distribution of net CO2 emissions in the YREB from 2013 to 2018 |
本研究时间段内, 长江经济带CO2净排放量显著上升(图 10), 与CO2排放量曲线类似, CO2净排放量在2012年由快速增长期转变为稳定期. 值得注意的是, CO2净排放量在2002~2003年经历了由“负”(净吸收)到“正”(净排放)的过程.2002年CO2净吸收量为327.76×106 t, 2003年CO2净排放量为66.87×106 t, 这说明在碳汇量增幅较小的情况下, 随着经济社会的快速发展, 植被的CO2吸收量在2003年已经远远不足以封存CO2排放量.2003~2012年后, 长江经济带的CO2净排放量上升了约27倍.各省CO2净排放量在不同的时间段呈现出较大差异.其中, 长江经济带下游省市CO2净排放量在不同时间段占长江经济带CO2净排放总量比例均超过60%.相对应的, 四川和云南在研究时间段贡献了长江经济带超过95%的CO2净吸收量.
|
图 10 长江经济带CO2净排放量估算 Fig. 10 Estimation of net CO2 emissions of the YREB |
研究CO2排放的稳定期(2013~2018年)长江经济带CO2净排放区域的脱钩效应发现(图 11)：长江经济带CO2净排放城市总计99座, 其中强脱钩城市43座; 弱脱钩城市54座; 强负脱钩城市2座; 发展与碳排放脱钩, 绿色发展程度较高的城市占比43%.
|
图 11 长江经济带CO2净排放区经济社会发展与碳排放脱钩效应 Fig. 11 Decoupling relationship between economic and social development and carbon emission of the YREB |
长江经济带上、中、下游CO2净排放城市的脱钩状态呈现显著的空间差异.下游强脱钩城市占长江经济带强脱钩城市比例达54%, 且集中在长三角区域; 而中游和上游强脱钩城市占长江经济带强脱钩城市比例分别为34%和12%.根据相关研究显示, 在2013~2017年, 长江经济带下游省市的高耗能企业, 例如水泥、化工和钢铁逐步迁移至长江经济带中上游, 导致中上游经济发展伴随着大量的碳排放[41, 42], 而下游省市大力发展清洁能源, 推进产业转型, 降低了社会发展对化石能源的依赖, 经济社会正处于向高质量发展迈进的新阶段[43, 44].对比长江经济带自然保护区的相关研究成果[17, 45], 长江经济带中游和上游强脱钩城市主要为生态环境质量较好, 保护区面积较多的城市.因此, 在关键生态功能区持续开展国家公园或保护区的建设和维护工作, 对城市和区域碳减排具有重要意义[17].本研究中涉及的强负脱钩城市则说明在城市CO2净排放上升的趋势下, 城市GDP却呈现衰退的状态, 这提醒相关决策者和研究者们亟需找到适合城市发展的新模式.
4 展望本研究中涉及的CO2排放核算范围仅涉及统计年鉴中的化石能源消耗数据, 并不完全能真实反映区域的CO2排放强度; 同时由于遥感数据以及模型模拟结果的误差, 本研究只能反映不同的“碳和中”实现主体CO2净排放的相对情况.在未来的研究中, 应进一步扩大碳源和碳汇的涉及范围, 实地调研不同生活、工业等碳源以及森林、湿地等碳汇, 核算更加准确的区域CO2净排放量, 为区域“碳中和”提供更好的支撑作用.
5 结论(1) 1999~2012年为长江经济带CO2净排放的快速增长期, 长江经济带经济社会发展迅速, 化石能源消耗产生的CO2排放显著上升.CO2净排放量由2002年CO2净吸收327.76×106 t, 转变为2003年CO2净排放66.87×106 t.虽然上游省市贡献了长江经济带碳汇总量的60.15%, 且长江经济带碳汇以年均9.75%的增速上升, 但2003~2012年间, 长江经济带的CO2净排放量依旧上升了约27倍.
(2) 2013~2018年为长江经济带CO2净排放的波动增长期, 高CO2净排放区域仍然集中在长江经济带下游省市, 其中长三角城市群高CO2净排放区域(CO2>9 000 t ·km-2, 以C计)面积占长江经济带高CO2净排放面积的74.6%.相对应的, 四川和云南贡献了长江经济带超过95%的CO2净吸收量.随着长江经济带下游城市逐渐开始将高耗能产业进行转移, 下游城市更快地实现了发展与排放的脱钩, 强脱钩城市占长江经济带强脱钩城市比例达54%.
| [1] |
沈永平, 王国亚. IPCC第一工作组第五次评估报告对全球气候变化认知的最新科学要点[J]. 冰川冻土, 2013, 35(5): 1068-1076. Sen Y P, Wang G Y. Key Findings and assessment results of IPCC WGI fifth assessment report[J]. Journal of Glaciology and Geocryology, 2013, 35(5): 1068-1076. DOI:10.7522/j.issn.1000-0240.2013.0120 |
| [2] | Sovacool B K. Who are the victims of low-carbon transitions? Towards a political ecology of climate change mitigation[J]. Energy Research & Social Science, 2021, 73. DOI:10.1016/j.erss.2021.101916 |
| [3] | Zheng H Y, Song M L, Shen Z Y. The evolution of renewable energy and its impact on carbon reduction in China[J]. Energy, 2021, 237. DOI:10.1016/j.energy.2021.121639 |
| [4] | Ren L, Zhou S, Peng T D, et al. A review of CO2 emissions reduction technologies and low-carbon development in the iron and steel industry focusing on China[J]. Renewable and Sustainable Energy Reviews, 2021, 143. DOI:10.1016/j.rser.2021.110846 |
| [5] | Zhu B Z, Wang K F, Chevallier J, et al. Can China achieve its carbon intensity target by 2020 while sustaining economic growth?[J]. Ecological Economics, 2015, 119: 209-216. DOI:10.1016/j.ecolecon.2015.08.015 |
| [6] | Li Y, Du Q, Lu X R, et al. Relationship between the development and CO2 emissions of transport sector in China[J]. Transportation Research Part D: Transport and Environment, 2019, 74: 1-14. DOI:10.1016/j.trd.2019.07.011 |
| [7] |
高虎. "双碳"目标下中国能源转型路径思考[J]. 国际石油经济, 2021, 29(3): 1-6. Go H. China's energy transformation under the targets of peaking carbon emissions and carbon neutral[J]. International Petroleum Economics, 2021, 29(3): 1-6. DOI:10.3969/j.issn.1004-7298.2021.03.001 |
| [8] | Björkegren A, Grimmond C. Net carbon dioxide emissions from central London[J]. Urban Climate, 2018, 23: 131-158. DOI:10.1016/j.uclim.2016.10.002 |
| [9] | Zhu Z C, Piao S L, Myneni R B, et al. Greening of the earth and its drivers[J]. Nature Climate Change, 2016, 6(8): 791-795. DOI:10.1038/nclimate3004 |
| [10] |
周亚军, 吉萍. 产业升级、金融资源配置效率对碳排放的影响研究——基于省级空间面板数据分析[J]. 华东经济管理, 2019, 33(12): 59-68. Zhou Y J, Ji P. Research on the impact of industrial upgrade and financial resource allocation efficiency on carbon emissions——Based on provincial spatial panel data analysis[J]. East China Economic Management, 2019, 33(12): 59-68. |
| [11] |
王雅晴, 谭德明, 张佳田, 等. 我国城市发展与能源碳排放关系的面板数据分析[J]. 生态学报, 2020, 40(21): 7897-7907. Wang Y Q, Tan D M, Zhang J T, et al. The impact of urbanization on carbon emissions: analysis of panel data from 158 cities in China[J]. Acta Ecologica Sinica, 2020, 40(21): 7897-7907. |
| [12] | Wang K H, Umar M, Akram R, et al. Is technological innovation making world "Greener"? An evidence from changing growth story of China[J]. Technological Forecasting and Social Change, 2021, 165. DOI:10.1016/j.techfore.2020.120516 |
| [13] | Cai W X, He N P, Li M X, et al. Carbon sequestration of Chinese forests from 2010 to 2060:spatiotemporal dynamics and its regulatory strategies[J]. Science Bulletin, 2021, 67(8): 836-843. |
| [14] | Zhao J F, Liu D S, Cao Y, et al. An integrated remote sensing and model approach for assessing forest carbon fluxes in China[J]. Science of the Total Environment, 2022, 811. DOI:10.1016/j.scitotenv.2021.152480 |
| [15] | Yang D, Xu X L, Xiao F J, et al. Improving modeling of ecosystem gross primary productivity through re-optimizing temperature restrictions on photosynthesis[J]. Science of the Total Environment, 2021, 788. DOI:10.1016/j.scitotenv.2021.147805 |
| [16] |
朴世龙, 方精云, 郭庆华. 利用CASA模型估算我国植被净第一性生产力[J]. 植物生态学报, 2001, 25(5): 603-608. Piao S L, Fang J Y, Guo Q H. Application of CASA model to the estimation of Chinese terrestrial net primary productivity[J]. Acta Phytoecologica Sinica, 2001, 25(5): 603-608. DOI:10.3321/j.issn:1005-264X.2001.05.015 |
| [17] | Lu S S, Tang X, Guan X L, et al. The assessment of forest ecological security and its determining indicators: a case study of the Yangtze River Economic Belt in China[J]. Journal of Environmental Management, 2020, 258. DOI:10.1016/j.jenvman.2019.110048 |
| [18] | Huang Y, Yu Q, Wang R R. Driving factors and decoupling effect of carbon footprint pressure in China: based on net primary production[J]. Technological Forecasting and Social Change, 2021, 167. DOI:10.1016/j.techfore.2021.120722 |
| [19] |
王兆峰, 李竹, 吴卫. 长江经济带不同等级城市碳排放的时空演变及其影响因素[J]. 环境科学研究, 2022, 35(10): 2273-2281. Wang Z F, Li Z, Wu W. Spatio-temporal evolution and influencing factors of carbon emissions in different grade cities in the Yangtze River Economic Belt[J]. Research of Environmental Sciences, 2022, 35(10): 2273-2281. |
| [20] |
李治国, 赵越. 中国碳净排放脱钩效应时空演变特征分析[J]. 甘肃科学学报, 2020, 32(6): 135-142. Li Z G, Zhao Y. Analysis on the spatial-temporal characteristics of China's net carbon emissions decoupling effect[J]. Journal of Gansu Sciences, 2020, 32(6): 135-142. |
| [21] | Peng M, Xu H Z, Qu C F, et al. Understanding China's largest sustainability experiment: atmospheric and climate governance in the Yangtze River Economic Belt as a lens[J]. Journal of Cleaner Production, 2021, 290. DOI:10.1016/j.jclepro.2020.125760 |
| [22] | Xu Y, Wu Y F, Zhang X, et al. Contributions of climate change to eco-compensation identification in the Yangtze River Economic Belt, China[J]. Ecological Indicators, 2021, 133. DOI:10.1016/j.ecolind.2021.108425 |
| [23] | Li K J, Zhou Y, Xiao H J, et al. Decoupling of economic growth from CO2 emissions in Yangtze River Economic Belt cities[J]. Science of the Total Environment, 2021, 775. DOI:10.1016/j.scitotenv.2021.145927 |
| [24] | Hou X H, Liu J M, Zhang D J, et al. Impact of urbanization on the eco-efficiency of cultivated land utilization: a case study on the Yangtze River Economic Belt, China[J]. Journal of Cleaner Production, 2019, 238. DOI:10.1016/j.jclepro.2019.117916 |
| [25] |
肖袁俊, 李保山, 宋文丹, 等. DMSP/OLS与NPP/VⅡRS灯光数据的连续性校正[J]. 科技创新与应用, 2021, 11(27): 1-9, 16. Xiao Y J, Li B S, Song W D, et al. Continuity correction of DMSP/OLS and NPP/VⅡRS lighting data[J]. Technology Innovation and Application, 2021, 11(27): 1-9, 16. |
| [26] |
杨任飞. 基于DMSP/OLS与NPP/VⅡRS整合数据的城市群发育过程研究——以长江经济带主要城市群为例[D]. 重庆: 西南大学, 2018. Yang R F. Integrating DMSP/OLS&NPP/VⅡRS nighttime light data to the application research of urban agglomeration growth process——a case study of the main urban agglomerations of Yangtze River economic zone[D]. Chongqing: Southwest University, 2018. |
| [27] |
许燕燕, 周廷刚, 李洪忠, 等. 基于DMSP/OLS夜间灯光数据的成渝城市群碳排放时空动态特征研究[J]. 环境污染与防治, 2019, 41(12): 1504-1511. Xu Y Y, Zhou T G, Li H Z, et al. Study on spatial-temporal dynamics of carbon emissions in Chengdu-Chongqing urban agglomeration based on DMSP/OLS nighttime light data[J]. Environmental Pollution and Control, 2019, 41(12): 1504-1511. |
| [28] | Liang C Y, Liu Z Y, Geng Z F. Assessing e-commerce impacts on China's CO2 emissions: testing the CKC hypothesis[J]. Environmental Science and Pollution Research, 2021, 28(40): 56966-56983. |
| [29] | Ji G X, Tian L, Zhao J C, et al. Detecting spatiotemporal dynamics of PM2.5 emission data in China using DMSP-OLS nighttime stable light data[J]. Journal of Cleaner Production, 2019, 209: 363-370. |
| [30] |
孙秀锋, 施开放, 吴健平. 县级尺度的重庆市碳排放时空格局动态[J]. 环境科学, 2018, 39(6): 2971-2981. Sun X F, Shi K F, Wu J P. Spatiotemporal dynamics of CO2 emissions in Chongqing: an empirical analysis at the county level[J]. Environmental Science, 2018, 39(6): 2971-2981. |
| [31] | Zhong Y, Lin A W, Xiao C W, et al. Research on the spatio-temporal dynamic evolution characteristics and influencing factors of electrical power consumption in three urban agglomerations of Yangtze River Economic Belt, China based on DMSP/OLS night light data[J]. Remote Sensing, 2021, 13(6). DOI:10.3390/rs13061150 |
| [32] | Field C B, Randerson J T, Malmström C M. Global net primary production: combining ecology and remote sensing[J]. Remote Sensing of Environment, 1995, 51(1): 74-88. |
| [33] |
朱文泉, 潘耀忠, 张锦水. 中国陆地植被净初级生产力遥感估算[J]. 植物生态学报, 2007, 31(3): 413-424. Zhu W Q, Pan Y Z, Zhang J S. Estimation of net primary productivity of Chinese terrestrial vegetation based on remote sensing[J]. Journal of Plant Ecology, 2007, 31(3): 413-424. |
| [34] | He Q S, Zeng C, Xie P, et al. An assessment of forest biomass carbon storage and ecological compensation based on surface area: a case study of Hubei province, China[J]. Ecological Indicators, 2018, 90: 392-400. |
| [35] |
杨浩, 卢新海, 匡兵, 等. 城市紧凑度与碳排放强度的时空互动关系及驱动因素——以长株潭城市群为例[J]. 长江流域资源与环境, 2021, 30(11): 2618-2629. Yang H, Lu X H, Kuang B, et al. Spatial-temporal interaction and driving factors of urban compactness and carbon emission intensity: a case study in Changsha-Zhuzhou-Xiangtan urban agglomeration[J]. Resources and Environment in the Yangtze Basin, 2021, 30(11): 2618-2629. |
| [36] | Zhang Y Y, Sun M Y, Yang R J, et al. Decoupling water environment pressures from economic growth in the Yangtze River Economic Belt, China[J]. Ecological Indicators, 2021, 122. DOI:10.1016/j.ecolind.2020.107314 |
| [37] | Shan Y L, Guan D D, Zheng H R, et al. China CO2 emission accounts 1997-2015[J]. Scientific Data, 2018, 5. DOI:10.1038/sdata.2017.201 |
| [38] | Shan Y L, Huang Q, Guan D D, et al. China CO2 emission accounts 2016-2017[J]. Scientific Data, 2020, 7(1). DOI:10.1038/s41597-020-0393-y |
| [39] |
叶许春, 杨晓霞, 刘福红, 等. 长江流域陆地植被总初级生产力时空变化特征及其气候驱动因子[J]. 生态学报, 2021, 41(17): 6949-6959. Ye X C, Yang X X, Liu H F, et al. Spatio-temporal variations of land vegetation gross primary production in the Yangtze river basin and correlation with meteorological factors[J]. Acta Ecologica Sinica, 2021, 41(17): 6949-6959. |
| [40] | Xu X B, Yang G S, Tan Y, et al. Ecosystem services trade-offs and determinants in China's Yangtze River Economic Belt from 2000 to 2015[J]. Science of the Total Environment, 2018, 634: 1601-1614. |
| [41] |
李芸邑, 刘利萍, 刘元元. 长江经济带工业污染排放空间分布格局及其影响因素[J]. 环境科学, 2021, 42(8): 3820-3828. Li Y Y, Liu L P, Liu Y Y. Spatial distribution pattern and influencing factors of industrial pollution emissions in Yangtze River Economic Belt[J]. Environmental Science, 2021, 42(8): 3820-3828. |
| [42] | Rao G M, Liao J, Zhu Y P, et al. Decoupling of economic growth from CO2 emissions in Yangtze River Economic Belt sectors: a sectoral correlation effects perspective[J]. Applied Energy, 2022, 307. DOI:10.1016/j.apenergy.2021.118223 |
| [43] |
王健, 甄庆媛. 经济增长与CO2排放的关系研究——以长江经济带为例[J]. 金融与经济, 2018(4): 36-45. Wang J, Zhen Q Y. Growth and carbon dioxide emissions——taking the Yangtze Economic Belt as an example[J]. Finance and Economy, 2018(4): 36-45. |
| [44] |
罗芳, 郭艺, 魏文栋. 长江经济带碳排放与经济增长的脱钩关系——基于生产侧和消费侧视角[J]. 中国环境科学, 2020, 40(3): 1364-1373. Luo F, Guo Y, Wei W D. Decoupling analysis between economic growth and carbon emissions in the Yangtze River Economic Belt——production and consumption perspectives[J]. China Environmental Science, 2020, 40(3): 1364-1373. |
| [45] | Xu X B, Jiang B, Chen M K, et al. Strengthening the effectiveness of nature reserves in representing ecosystem services: The Yangtze River Economic Belt in China[J]. Land Use Policy, 2020, 96. DOI:10.1016/j.landusepol.2020.104717 |