基于夜间灯光影像的江苏省县域碳排放时空格局

引用本文

施歌, 安泉, 刘嘉航, 张云鹏, 李欣雨. 基于夜间灯光影像的江苏省县域碳排放时空格局[J]. 环境科学, 2026, 47(4): 2153-2164.

SHI Ge, AN Quan, LIU Jia-hang, ZHANG Yun-peng, LI Xin-yu. Spatiotemporal Patterns of County-level Carbon Emissions in Jiangsu Province Based on Nighttime Light Imagery[J]. Environmental Science, 2026, 47(4): 2153-2164.

基于夜间灯光影像的江苏省县域碳排放时空格局

施歌^1,2, 安泉^1,2, 刘嘉航^1,2, 张云鹏¹, 李欣雨³

1. 南京工业大学测绘科学与技术学院，南京 211816;
2. 自然资源部长三角国土生态与土地利用野外科学观测研究站，南京 211017;
3. 南京工业大学土木工程学院，南京 211816

收稿日期: 2025-03-24; 修订日期: 2025-05-19

基金项目: 自然资源部长三角国土生态与土地利用野外观测研究站开放基金项目（2023YRDLELU05）；江苏省高校哲学社会科学研究项目（2024SJYB0167）

作者简介: 施歌（1990~），女，博士，讲师，主要研究方向为城市遥感，E-mail：njshige@163.com

通信作者: 张云鹏，E-mail：zhangyunpeng@njtech.edu.cn

摘要: 在全球气候变暖背景下，科学评估区域碳排放时空格局对实现“双碳”目标具有重要意义. 以江苏省县域为典型案例，分析其碳排放时空演变规律及驱动机制，探究碳排放与经济发展和生态保护之间的协同关系，为区域低碳转型与可持续发展提供科学依据. 基于2003~2023年NPP-VIIRS夜间灯光数据与土地利用数据，结合IPCC碳排放系数法构建县域碳排放估算模型，运用空间自相关分析、碳排放经济贡献系数及生态承载系数等方法，系统揭示了碳排放时空演变特征. 结果表明：①江苏省碳排放呈现“南高北低”的异质性格局，苏南地区因经济密集与产业集中成为高排放核心区；苏北地区随工业化进程加速，碳排放增速显著；②碳排放的全局集聚效应逐渐减弱；③经济与生态指标揭示区域发展矛盾：苏南地区碳排放对经济贡献显著，但生态承载能力较弱；苏中地区因生态资源丰富，生态承载能力较强. 研究建议通过差异化政策调控、区域协同减排及生态修复等措施推动低碳转型. 研究结果可为县域尺度碳排放精细化研究提供方法参考，并为江苏省及其他类似区域碳减排政策制定提供科学依据.

关键词: 夜间灯光遥感影像数据碳排放时空格局生态承载系数低碳转型

Spatiotemporal Patterns of County-level Carbon Emissions in Jiangsu Province Based on Nighttime Light Imagery

SHI Ge^1,2 , AN Quan^1,2 , LIU Jia-hang^1,2 , ZHANG Yun-peng¹ , LI Xin-yu³

1. School of Geomatics Science and Technology, Nanjing Tech University, Nanjing 211816, China;
2. Observation Research Station of Land Ecology and Land Use in the Yangtze River Delta, Ministry of Natural Resources, Nanjing 211017, China;
3. College of Civil Engineering, Nanjing Tech University, Nanjing 211816, China

Abstract: Against the backdrop of global climate warming, scientifically assessing the spatiotemporal patterns of regional carbon emissions is of significant importance for achieving the "dual carbon" goals (carbon peaking and carbon neutrality). As a highly developed economic region in China, the study of carbon emissions in Jiangsu Province not only provides critical guidance for regional low-carbon transformation but also serves as a reference for formulating carbon reduction policies in other similar regions. Taking the county-level units of Jiangsu Province as a case study, this research analyzes the spatiotemporal evolution patterns and driving mechanisms of carbon emissions; explores the synergistic relationship between carbon emissions, economic development, and ecological protection; and provides a scientific basis for regional low-carbon transformation and sustainable development. Based on NPP-VIIRS nighttime light data and land use data from 2003 to 2023, this study constructs a county-level carbon emission estimation model using the IPCC carbon emission coefficient method. Spatial autocorrelation analysis (Moran's I index), the economic contribution coefficient of carbon emissions (ECC), and the ecological carrying coefficient of carbon emissions (ESC) are employed to systematically reveal the spatiotemporal characteristics of carbon emissions. The results indicated that: ① Significant spatial heterogeneity of carbon emissions: Jiangsu Province exhibited a "high in the south, low in the north" spatial pattern of carbon emissions. Southern regions such as Nanjing and Suzhou, characterized by dense economic activities and industrial concentration, formed the core high-emission zones, accounting for over 30% of the province's net carbon emissions in 2023. In contrast, northern regions like Xuzhou experienced accelerated industrialization, leading to a significant increase in carbon emissions, with some counties approaching the emission levels of southern areas. ② Dynamic evolution of spatial agglomeration effects: The global Moran's I index decreased from 0.34 to 0.220, indicating a weakening of the global agglomeration effect of carbon emissions. The proportion of local high-high agglomeration areas decreased to 2.3%, while low-low agglomeration areas increased to 8.2%, reflecting the regulatory impact of regional emission reduction policies on spatial patterns. ③ Regional development contradictions revealed by economic and ecological indicators: Southern Jiangsu showed a significant economic contribution from carbon emissions (ECC > 1) but a weak ecological carrying capacity (ESC < 0.5). Central Jiangsu, including regions like Yancheng and Yangzhou, benefitted from abundant ecological resources, resulting in stronger ecological carrying capacity (ESC > 1). Based on these findings, this study proposes measures such as differentiated policy regulation, regional collaborative emission reduction, and ecological restoration to promote low-carbon transformation. The results provide methodological references for fine-grained carbon emission research at the county level and offer a scientific basis for carbon reduction policy formulation in Jiangsu Province and other similar regions.

Key words: nighttime light remote sensing data carbon emissions spatiotemporal patterns ecological carrying coefficient low-carbon transition

全球变暖已成为威胁人类可持续发展的重大环境问题，其核心驱动因素是以二氧化碳为主的温室气体过量排放^[1]. 科学量化碳排放不仅是制定减排政策和推动低碳转型的关键前提，更是实现“双碳”目标的重要支撑. 精准评估碳排放不仅能够揭示经济发展与资源消耗的耦合关系，还能为碳中和路径优化提供数据支撑. 目前，中国通过构建多尺度碳排放核算体系^[2]，结合卫星遥感反演技术^[3]，逐步实现了碳排放监测的精细化管理. 然而，县域作为政策实施的基本单元，其碳排放核算仍面临数据精度不足和动态追踪能力有限等挑战. 因此，聚焦县域尺度，融合多源数据构建高分辨率碳排放评估框架，对于完善“双碳”治理体系具有重要的实践意义.

全球碳排放研究已取得显著进展，学者们从多尺度和多方法揭示了碳排放的时空格局与驱动机制. 从研究尺度来看，现有研究涵盖了国家、区域、城市和县域等多个层次. 例如，石岳等^[4]从国家尺度分析了中国碳排放及其相对减排贡献；韩宇等^[5]从区域尺度对洞庭湖流域的碳收支进行了系统评估，并提出了分区策略；钟金钦等^[6]从省域尺度探讨了山东省碳排放的主要影响因素. 在碳排放核算方法方面，主要包括相关模型法和碳排放系数法等. 例如，王梓洋等^[7]利用相关模型方法分析了石羊河流域碳排放的影响机制；李渊等^[8]基于IPCC碳排放系数法，刻画了中国部分省份的碳排放时空分布特征；张之潇等^[9]运用扩展STIRPAT模型和情景分析法，探讨了贵州省交通运输业碳排放的影响因素. 尽管现有研究已构建了多尺度碳排放分析框架，并形成了模型法、系数法等多元方法体系，在省域减排路径、城市群碳平衡等方面取得了一定进展，但仍存在以下局限性：一是研究尺度精细化不足，多数成果聚焦于省域或城市群尺度，县域研究相对匮乏；二是数据与方法创新滞后，传统方法依赖的能源数据更新滞后且空间分辨率有限，难以满足精细化治理需求.

江苏省作为我国经济大省，其县域碳排放的时空分异规律尚未得到系统揭示. 根据“一九定律”，江苏省碳排放空间分布呈现显著的不均衡性，少数县域贡献了大部分碳排放量^[10，11]. 然而，现有研究多集中于省域或城市群尺度，缺乏对县域碳排放动态演变与驱动机制的深入探讨. 鉴于此，本研究以江苏省为例，基于多源遥感数据与空间统计方法，构建县域尺度碳排放估算模型，旨在揭示碳排放的时空演变特征及其驱动机制. 具体而言，研究首先整合NPP-VIIRS夜间灯光影像、能源消费统计和土地利用等多源数据，通过数据预处理与模型优化，建立高精度碳排放估算框架. 然后，运用空间自相关和热点分析等方法，系统分析2003~2023年江苏省县域碳排放的时空分异规律，并探讨其空间集聚特征与演变趋势. 最后，基于地理探测器模型，识别碳排放区域差异的主导驱动因子，包括经济发展水平、产业结构和能源效率等，为差异化碳减排政策制定提供科学依据. 本研究结果不仅能够丰富县域尺度碳排放的理论研究，还可为地方政府优化碳达峰路径和推动绿色低碳转型提供实践参考.

图 1 研究区域示意 Fig. 1 Research area

1 材料与方法 1.1 研究区域

江苏省位于中国东部沿海，地处长江三角洲核心区域，总面积为10.72万km²，下辖13个地级市. 作为全国经济最发达的省份之一，2023年江苏省GDP达12.82×10¹²元，占全国总量的10.17%^[12，13]. 然而，其经济高速增长伴随着高强度的能源消费，2023年能源消费总量占全国的6.26%，电力消耗占8.49%. 全省碳排放呈现显著的区域差异，苏南地区经济发达但能源消费强度高，碳排放占比达52.3%；苏中地区制造业基础较好，碳排放占比为28.7%；苏北地区资源型产业比例高，碳排放占比为19.0%^[12，13]. 这种空间异质性特征为研究县域尺度碳排放演变规律提供了典型样本.

1.2 数据来源及处理

本研究所用数据包括夜间灯光数据、土地利用数据、高程数据和能源消耗数据等. 其中，江苏省2003~2023年类NPP-VIIRS夜间灯光遥感数据来源于国家地球系统科学数据中心长江三角洲分中心（长三角科学数据中心）（https://geodata.nnu.edu.cn），空间分辨率为500 m^[14]. 江苏省2003~2023年30 m土地利用数据来源于长三角科学数据中心^[15]. 本研究依据《土地利用现状分类》（GB/T 21010-2017），将其重分类为耕地、林地、草地、水体、建设用地和未利用地这6类. 江苏省DEM地形数据来自于GEBCO组织（General Bathymetric Chart of the Oceans），空间分辨率为500 m. 江苏省水系数据来源于长三角科学数据中心. 能源消耗及相关数据来源于研究年份的《中国统计年鉴》《中国能源统计年鉴》《江苏统计年鉴》^[16~18].

1.3 研究方法 1.3.1 碳排放量的核算方法

土地利用碳排放由直接碳排放与间接碳排放共同构成^[19]. 其中，直接碳排放源于土地利用类型自身碳源和碳汇特性的自然变化，间接碳排放则与人类活动密切相关^[20，21]. 基于这一标准，本研究将总碳排放量定义为直接碳排放量与间接碳排放量的总和，计算公式如下：

E = E_{a} + E_{b}

(1)

式中， $E$ 表示碳排放量总量. $E_{a}$ 表示直接碳排放量，即耕地、林地、草地、水体和未利用地的碳排放总量. $E_{b}$ 表示间接碳排放量，即建设用地的碳排放总量.

本研究采用碳排放系数法计算 $E_{a}$ ^[22]. 而 $E_{b}$ 由于县域能源数据缺失^[23，24]，本研究利用夜间灯光数据和能源消费碳排放量之间的强相关性^[25，26]，建立拟合方程反演县域尺度建设用地碳排放量，以此计算 $E_{b}$ .

（1）碳排放系数法根据IPCC所提供的碳排放系数法^[27，28]，耕地、林地、草地、水体和未利用地的碳排放总量计算公式为：

E_{a} = \sum_{i = 1}^{n} a_{i} \times c_{i}

(2)

式中， $E_{a}$ 表示碳排放量， $a_{i}$ 表示各土地利用类型的面积， $c_{i}$ 表示各土地利用类型的碳排放（吸收）系数. 本研究参考相关研究^[29~32]，得到土地利用碳排放系数（表 1）.

表 1 土地利用类型碳排放系数/t·hm^-2 Table 1 Carbon emission coefficient of land use types/t·hm^-2

（2）夜间灯光数据反演建设用地碳排放建设用地是人类生产活动的主要区域，其碳排放主要来源于能源的消耗^[33，34]. 本研究选取煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、液化石油气和电力这9种能源来计算建设用地的碳排放量.

本文利用夜间灯光数据构建能源消费与碳排放之间的拟合模型，以此得到建设用地碳排放估算量. 建设用地能源消费碳排放量计算公式如下：

E_{b} = \sum_{j = 1}^{n} k_{j} \times z_{j} \times f_{j}

(3)

式中， $E_{b}$ 表示碳排放量， $k_{j}$ 表示能源 $j$ 的消耗量， $z_{j}$ 表示标准煤换算参数， $f_{j}$ 表示对应的能源的碳排放系数.

本文采用的标准煤换算系数及碳排放系数如表 2所示. 碳排放系数来自于《IPCC国家温室气体排放清单指南》^[35]，折标准煤系数来源于研究年份的《中国能源统计年鉴》^[17].

表 2 能源折算标准煤系数和碳排放系数 Table 2 Energy conversion standard coal coefficient and carbon emission coefficient

本文对江苏省夜光亮度值与其对应的建设用地碳排放量进行拟合分析. 结果表明，二次多项式模型R²值为0.740 3，高于0.70，拟合精度良好，模型复杂度适中. 因此本文选用二次多项式模型作为夜间灯光数据反演建设用地县域碳排放量的模型，计算公式如下：

C_{n} = 6 911.79 + 4 542.77 D N - 356.78 D N^{2}

(4)

式中， $C_{n}$ 表示建设用地碳排放量， $D N$ 表示建设用地夜间灯光总量.

结合已有研究^[19]，本研究利用以下公式反演300 m栅格尺度建设用地碳排放量：

C C_{j t} = F C_{k t} \times (S C_{j t} / S C_{k t})

(5)

式中， $C C_{j t} 、 F C_{k t} 、 S C_{j t} 和 S C_{k t}$ 分别表示第 $t$ 时段像元 $j$ 的建设用地碳排放估算值、第 $t$ 时段县域 $k$ 的建设用地碳排放估算值、第 $t$ 时段像元 $j$ 的统计碳排放量和第 $t$ 时段县域 $k$ 的统计碳排放量.

1.3.2 空间自相关分析

本研究采用莫兰指数与热点分析解析江苏省县域碳排放的空间关联特征. 全局莫兰指数（Moran's I）是一种用于衡量空间自相关性的统计指标，用以量化研究区域内变量的空间集聚或分散程度^[36~38]. 计算公式如下：

I = \frac{n \sum_{i = 1}^{n} \sum_{j = 1}^{n} W_{i j} (x_{i} - \bar{x}) (x_{j} - \bar{x})}{\sum_{i = 1}^{n} \sum_{j = 1}^{n} W_{i j} \sum_{i = 1}^{n} (x_{i} {- \bar{x})}^{2}}

(6)

式中， $n$ 为区域数量， $x_{i}$ 和 $x_{j}$ 分别为区域 $i$ 和 $j$ 的碳排放量， $\bar{x}$ 为各区域碳排放量的平均值， $W_{i j}$ 为邻近区域 $i$ 和 $j$ 的空间权重矩阵. 若该指数大于0，表明碳排放呈现空间聚集效应；若接近0，则说明碳排放在空间上无显著的区域相关性；若小于0，则表明碳排放存在空间离散效应.

局部莫兰指数（local Moran's I）是一种用于衡量局部空间自相关性的统计指标，能够量化研究区域内某一特定空间单元与其邻近单元之间的相似性或差异性^[39，40]. 本研究用以分析江苏省不同县域间碳排放的局部空间依赖性和聚集模式. 计算公式如下：

I_{i} = \frac{n (x_{i} - \bar{x}) \sum_{j = 1}^{n} W_{i j} (x_{j} - \bar{x})}{\sum_{i = 1}^{n} (x_{i} {- \bar{x})}^{2}}

(7)

式中， $I_{i}$ 为区域 $i$ 的局部莫兰值， $n$ 为区域数量， $x_{i}$ 和 $x_{j}$ 分别为区域 $i$ 和 $j$ 的碳排放量， $\bar{x}$ 为各区域碳排放量的平均值， $W_{i j}$ 为邻近区域 $i$ 和 $j$ 的空间权重矩阵.

1.3.3 碳排放经济贡献系数

碳排放经济贡献系数（economy contributive coefficient，ECC）是量化区域碳排放经济效益的关键指标^[41]. 该系数通过构建经济活动强度与碳排放量的比值关系，精准评估县域单元单位碳排放产生的经济价值^[42]. 本研究基于夜间灯光数据与经济活动的高度相关性^[43~45]，构建改进型ECC测算模型以突破县域GDP统计缺失的瓶颈. 计算公式如下：

E C C = \frac{L_{i} / L}{C_{i} / C}

(8)

式中， $L_{i}$ 和 $L$ 分别表示区域 $i$ 与全区的夜间灯光总量标准化值， $C_{i}$ 和 $C$ 分别表示区域 $i$ 和全区的碳排放量. 当ECC越大时，说明该区域单位碳排放创造的经济价值高于全区平均水平；反之，则表明该区域碳排放产生的经济效益较低.

1.3.4 碳排放生态承载系数

碳排放生态承载系数（ecological support coefficient，ESC）是评估县域生态系统对碳排放承载能力的核心指标^[46]. 该指标直观反映碳排放与自然碳吸收的平衡状态^[47]. 本研究使用ESC分析江苏省县域碳排放与碳汇能力的时空匹配关系. 计算公式如下：

E S C = \frac{S_{i} / S}{C_{i} / C}

(9)

式中， $S_{i}$ 和 $S$ 分别表示区域 $i$ 的碳汇和全区的碳汇， $C_{i}$ 和 $C$ 分别表示区域 $i$ 和全区的碳排放量. 当ESC大于1时，表明该区域的碳汇能力高于全区平均水平；反之，则反映该区域碳排放强度超出碳汇能力. 该指标能够有效识别碳排放与碳汇能力的空间匹配特征，为区域碳平衡调控提供科学依据.

2 结果与分析 2.1 碳收支空间格局 2.1.1 江苏省县域尺度碳汇时空分布

基于碳排放系数法，本研究计算了2003~2023年间江苏省县域碳汇总量（图 2）. 结果表明，江苏省碳汇空间分布呈现“西南高、东北低”的梯度格局. 西南部丘陵山区及中南部水网湿地因森林覆盖率高、湿地资源丰富，碳吸存能力显著；而东北部沿海平原受盐碱化土地开发影响，自然湿地面积缩减，碳汇核心区逐渐萎缩. 从时序变化来看，江苏省碳汇总量呈现“波动上升、峰值回落”的特征，年均碳汇量为38.27×10⁴ t. 其中，碳汇总量在2018年达到峰值（39.56×10⁴ t），较2003年增长6.1%，这一变化与江苏省实施的退耕还林、湿地保护等生态修复政策密切相关. 然而，2023年受极端天气及快速城市化进程影响，碳汇总量回落至37.65×10⁴ t，接近研究期初水平（表 3）.

图 2 江苏省典型年份县域碳汇时空格局 Fig. 2 Spatial-temporal pattern of carbon sink in Jiangsu Province counties in typical years

表 3 2003~2023年江苏省碳汇总量×10⁴ /t Table 3 Total carbon sink capacity in Jiangsu Province from 2003 to 2023 ×10⁴/t

从县域尺度分析，江苏省高碳汇区县主要集中于生态保护区及自然环境优越区域（表 4和表 5）. 例如，无锡宜兴市、淮安市盱眙县和南京市江宁区等区域常年保持较高的碳汇水平. 其中，宜兴市作为苏南丘陵生态核心区，依托退耕还林政策，2003~2023年碳汇量长期稳定，均值为23 142.96 t. 盱眙县在2021年启动建设国家森林城市的工作^[48]，森林覆盖率显著提升，其碳汇量由2018年的16 675.78 t波动回升至2023年的17 726.30 t. 江宁区通过实施牛首山-将军山生态廊道建设工程，形成了连片生态屏障，以年均14 355.43 t的碳汇水平位于全省前列. 相比之下，低碳汇县域多分布于城市化与工业化快速推进区域，如南京秦淮区、苏州姑苏区、太仓市和无锡锡山区等地. 秦淮区作为南京主城核心，土地开发强度导致绿地系统性缩减，2003~2023年碳汇量由134.73 t降至93.29 t，降幅为30.8%. 姑苏区作为苏州古城载体，密集的城市更新使原有连片生态空间被切割，碳汇量从210.29 t锐减至135.45 t，降幅为35.6%. 锡山区受电子信息产业集聚影响，建设用地高度密集，植被固碳能力持续弱化，导致其年均1 410.70 t的低碳汇水平；太仓市因临沪区位优势驱动，工业用地持续扩张，原有碳汇地类规模缩减，其年均碳汇量为2 061.63 t，长期处于全省较低水平.

表 4 2003~2023年江苏省高碳汇区县碳汇量/t Table 4 Carbon sink capacity of high carbon sink districts and counties in Jiangsu Province from 2003 to 2023/t

表 5 2003~2023年江苏省低碳汇区县碳汇量/t Table 5 Carbon sink capacity of low carbon sink districts and counties in Jiangsu Province from 2003 to 2023/t

2.1.2 江苏省县域尺度碳源时空分布

结合碳排放系数法与夜光数据反演法，分析了2003~2023年江苏省县域碳源时空分布格局（图 3）. 结果表明，研究期内江苏省碳源总量从0.88×10⁸ t增至2.33×10⁸ t，年均增长率达5.2%. 其中，苏南地区因外向型经济主导，电子信息、装备制造等产业链密集，能源消费以燃煤和电力为主，碳源量占全省60%以上；而苏北、苏中地区因承接产业转移，钢铁、化工等高耗能产业占比提升，2008年后碳源增速反超苏南. 此外，碳源高值区集中于“沿江-沿海”经济走廊. 沿江城市群依托港口物流和重化工业，碳源强度居全省之首；沿海经济带则以石化和能源基地为主导，碳源量占沿海区域40%.

图 3 江苏省典型年份县域碳源时空格局 Fig. 3 Spatial-temporal pattern of carbon source in counties of Jiangsu Province in typical years

从县域尺度观察，江苏省碳源分布呈现显著的区域分异特征. 苏南部分县域的碳源量长期处于全省前列. 例如，江宁区作为南京工业核心区，集聚了汽车制造和集成电路等高耗能产业，推高了区域碳排放水平. 无锡江阴市则以钢铁和石化等传统重工业为主导，产业链条中的高碳环节对区域碳排放贡献显著. 时间演变中，苏北县域碳源增长尤为突出. 例如，徐州沛县和邳州市等地依托煤炭资源禀赋，伴随煤矿产能扩大和煤电产业升级，碳排放量自2008年起进入快速增长阶段. 连云港赣榆区因大型石化项目落地，重工业产能释放推动碳排放在2013年陡增. 这一时间演变特征与产业转移密切相关，苏南通过产业转移将部分高耗能行业向苏北扩散，而苏北县域承接的工业项目多集中于能源和化工等领域，产业结构重型化特征直接塑造了碳排放格局的演变路径.

2.1.3 江苏省县域尺度净碳排放量时空分布

基于2003~2023年江苏省县域碳汇与碳源核算结果，本研究通过差值运算法计算了5期县域净碳排放量（图 4）. 结果显示，研究期内江苏省碳排放演变呈现显著的时空分异特征. 从总体趋势看，全省碳排放总量持续增长，这一趋势与第二产业的扩张紧密相关，尤其是工业能源消费长期占据主导地位. 空间分布上，碳排放高值区集中于“沿江-沿海”经济走廊，该区域依托港口物流和重化工业形成了产业-能源耦合系统. 尽管苏南地区通过技术创新部分抑制了排放增速，但全省碳排放总量仍受区域发展路径差异的驱动. 此外，苏北地区在清洁能源替代上的滞后，进一步放大了产业转移的碳足迹. 这一过程反映了经济转型中产业结构调整与能源结构优化的复杂互动，也凸显了区域协调发展在低碳转型中的关键作用.

图 4 江苏省典型年份县域净碳排放量时空格局 Fig. 4 Spatial-temporal pattern of net carbon emissions in Jiangsu Province

在县域层面，江苏省净碳排放量变化同样呈现显著的时空特征. 从数量上看，净碳排放量较高的县域主要集中在徐州铜山区、无锡江阴市、徐州邳州市、苏州常熟市和南京江宁区，2023年以上县域的净碳排放量分别达到636×10⁴、594×10⁴、525×10⁴、517×10⁴和516×10⁴ t，分别占全省的2.7%、2.5%、2.3%、2.2%和2.2%. 以上县域的高排放量与当地经济活动强度和能源消费结构密切相关，尤其是能源密集型行业和高能耗产业的集中布局. 从空间分布来看，苏北地区（如徐州铜山区和邳州市等）虽然在2003年时碳排放量相对较低，但随着煤炭和钢铁产业的快速发展，碳排放量迅速攀升，到2023年已接近苏南部分高排放县域. 而苏南地区（如江阴市、常熟市和江宁区等）尽管近年来采取了碳减排政策和生态保护措施，但以上县域的经济活动强度主要体现在高度发达的制造业，导致其碳排放量仍保持较高水平，成为低碳转型的重点区域.

2.2 碳排放空间相关性分析 2.2.1 全局空间相关性

本研究对江苏省2003~2023年的碳排放量进行了空间自相关分析（表 6）. 结果显示，江苏省碳排放数据具有显著的空间正相关性，呈现出聚集态势. 全局莫兰指数呈现“先升后降”的趋势，碳排放的空间聚集效应在前期逐步加强，而在后期有所减弱.

表 6 江苏省县域净碳排放全局空间自相关 Table 6 Global spatial autocorrelation of net carbon emissions in Jiangsu Province

2.2.2 局部空间相关性

进一步计算了江苏省2003~2023年各区县的局部莫兰指数，并将全省碳排放空间格局划分为高-高聚集型、高-低聚集型、低-高聚集型、低-低聚集型和非显著这5种类型（图 5）. 其中，高-高聚集型的空间占比从8.2%缩减至2.3%，其空间分布由经济核心区向次中心收缩. 早期高排放聚集区集中在苏南的制造业重镇，如苏州工业园区、无锡滨湖区等工业集聚区. 以上地区作为长三角制造业基地的核心载体，形成了以第二产业为主导的碳源结构. 随着江苏省实施“沿江产业带绿色化改造”等政策，该类型占比持续下降，这些政策的推进有效抑制了传统工业区的碳排放强度.

图 5 江苏省典型年份县域局部莫兰指数时空演变 Fig. 5 Spatio-temporal evolution of localized Moran's I in Jiangsu Province

低-低聚集型占比从6.9%提升至8.2%，这类区域主要分布在洪泽湖等生态敏感区以及里下河等传统农作区. 其碳汇能力的形成具有双重机制. 自然碳汇方面，洪泽湖湿地生态系统通过植被固碳、土壤有机质积累等自然过程形成稳定碳汇，而里下河地区则依托稻田生态系统产生持续碳吸收. 人工碳汇方面，盐城沿海滩涂通过实施“退渔还湿”工程，新增滨海湿地面积约300 km²，这些人为干预措施显著增强了区域碳汇能力.

高-低聚集型占比从0.98%扩张到4.87%，这一趋势与快速城市化紧密相关. 以南京市为例，浦口区、江宁区在承接主城产业转移过程中，钢铁、建材等传统产业集聚度提升，导致该区域碳排放强度高于周边以农业主导的六合区. 这种空间异质性在镇江丹阳市也尤为突出，该市汽车零部件产业集群的能源需求与绿色能源示范基地形成碳排放梯度，反映出产业结构差异对碳排放空间分异的塑造作用.

低-高聚集型占比从1.23%衰减到0.12%，这一趋势揭示了区域协同减排的效果. 例如常州天宁区，该地区早期受周边工业区碳泄漏影响显著，但随着“苏锡常都市圈大气污染联防联控”机制的建立，区域间产业协作和环保标准逐步统一，有效缓解了碳排放的空间溢出. 这种变化在无锡-苏州交界地带同样明显，两地通过共建“环太湖绿色创新走廊”推动清洁能源基础设施共享，削弱了行政区划对碳排放的空间传导作用.

2.3 碳排放经济贡献系数分析

本研究基于2003~2023年江苏省县域碳排放与经济发展数据，计算了碳排放经济贡献系数（ECC），并将其划分为高值区（> 1.30）、中值区（0.80~1.30）与低值区（< 0.80）（图 6）. 本研究结果表明，ECC的空间分布与区域产业布局呈现显著对应关系.

图 6 江苏省典型年份县域碳排放经济贡献系数时空格局 Fig. 6 Spatiotemporal pattern of economy contributive coefficient of carbon emissions in Jiangsu Province

高值区集中分布于沪宁产业带，包括苏州工业园区（ECC=2.36）、南京江宁经济技术开发区（ECC=2.18）等国家级开发区. 以上区域以重工业为主导，产业能耗强度显著高于全省平均水平，形成了“高排放-高产出”的典型发展路径. 中值区主要分布于沿江城市带及转型中的资源型城市，其产业结构与能源体系正处于协同调整阶段. 例如，盐城市亭湖区通过降低火电比例并引入风电装备制造产业，有效推动了碳排放强度的稳步下降. 低值区则集中于环洪泽湖生态经济区及沿海县域，表现出显著的差异化发展特征. 以宿迁市泗洪县为例，通过推广稻虾共作生态农业模式，显著降低了农业碳排放强度，但受生态保护政策限制，工业用地开发强度严重不足. 徐州市沛县在承接产业转移过程中，虽形成了再生铝产业集群，但由于对传统能源依赖度较高，其工业制品碳强度显著高于行业基准水平.

从时序演变来看，高值区的ECC波动幅度较小，表明其产业发展已进入碳排放稳态阶段；中值区在环保政策驱动下呈现阶段性跃升特征；低值区的空间格局则与区域生态规划高度契合. 这一结果揭示了江苏省县域经济发展与碳排放之间的复杂关系，为区域低碳转型政策的制定提供了科学依据.

2.4 碳排放生态承载系数分析

进一步测算了江苏省2003~2023年的碳排放生态承载系数（ESC），划分为高值区（> 3.00）、中值区（1.00~3.00）与低值区（< 1.00）（图 7）. 结果表明江苏省ESC呈现显著的区域差异，这与生态保护、产业转型及能源结构调整密切相关.

图 7 江苏省典型年份县域碳排放生态承载系数时空格局 Fig. 7 Spatiotemporal pattern of ecological carrying coefficient of carbon emissions in Jiangsu Province

高值区主要分布于南京溧水区、常州溧阳市和淮安盱眙县等地. 地区通过生态保护、政策引导与产业转型的深度联动，构建了生态与经济双赢的发展模式. 如盐城市的黄海湿地保护工程与溧阳市的竹林碳汇项目，显著提升了区域碳汇能力，推动了新能源产业发展，成为江苏省绿色发展的核心枢纽. 中值区主要分布于扬州市、泰州市和淮安市部分区县，该区域正处于产业转型过渡期，传统产业制约与绿色动能培育交织并存. 如扬州新能源汽车产业与传统石化产业之间的转型实践，为中值区破解高碳困境提供了参考. 低值区主要集中于苏州张家港市、太仓市和无锡江阴市等地，呈现出高碳产业刚性锁定特征，呈现能源消费持续扩张与ESC持续下降的结构性矛盾. 如苏州工业园区能源密集型产业占据主导地位，碳排放与生态空间的矛盾日益尖锐，导致生态赤字扩大，严重制约区域低碳转型.

从时间演变来看，苏北地区的ESC呈现显著衰减趋势. 以徐州市为例，自2008年承接产业转移以来，传统产业规模不断扩张，至2023年，全市多数县域的ESC值已跌破0.8. 特别是贾汪区，ESC值较2003年下降超过30%. 这一变化揭示了传统工业化模式下经济增长与生态承载能力之间的深层矛盾，为区域可持续发展政策的优化提供了重要参考.

3 讨论

本研究从数据方法创新、空间解析精度及“双碳”治理应用3个维度，深化了县域碳排放研究的理论框架与实践路径，为区域低碳转型提供了新的科学依据.

首先，在数据方法层面，本研究在传统研究依赖统计数据的基础上^[49，50]，增加了NPP-VIIRS夜间灯光数据，显著提升了碳排放时空演变的实时监测能力. 该数据具备高频次更新特性，并通过辐射定标与时间序列校正，有效降低了年际数据波动性，其稳定辐射特征使得长时序碳排放强度变化趋势的可比性大幅提升.

其次，在研究尺度层面，本研究通过构建高分辨率碳排放评估框架，实现了空间解析精度的显著突破. 与钟金钦等^[6]、李梓赫等^[50]的研究相比，本研究不仅验证了碳排放效率的东西分异规律，还揭示了常熟-张家港沿江产业带的碳排放空间溢出效应. 这种微观机制解析能力为解决政策设计与执行脱节的难题提供了新视角，为精细化碳排放治理提供了科学支撑.

最后，在排放评估层面，本研究创新性地构建了生态承载系数（ESC）与经济贡献系数（ECC）双维度评估框架，有效破解了“双碳”目标实施中的同质化治理难题. 通过划定碳排放调控关键单元与碳汇能力培育优势区域，本研究提出的空间化分级评估体系突破了传统粗放式管控模式，为构建“分区施策、动态平衡”的双碳目标提供了理论参考与实践路径.

本研究仍存在局限性. 在当前卫星传感器技术条件下，夜间灯光遥感数据的空间分辨率为500 m，导致城市建成区微尺度空间特征难以有效辨识. 未来研究可依托能源消费大数据和动态空间分析模型，建立多尺度碳排放模拟平台，通过多维度数据融合与机制模型创新，进一步增强研究成果对区域低碳转型的实践指导价值.

4 结论

（1）碳排放空间异质性显著. 江苏省县域碳排放呈现“南高北低”的总体格局. 苏南地区因经济密集与产业集中，成为高排放核心区；苏北地区由于承接产业转移，碳排放增速显著，部分县域碳排放量已接近苏南水平.

（2）碳排放空间集聚效应呈动态演变特征. 江苏省碳排放空间正相关性逐渐减弱，区域减排政策对空间集聚格局产生了显著调控作用，表明生态保护与低碳转型初见成效.

（3）经济与生态指标揭示区域发展矛盾. 苏南地区ECC较高，表明其经济增长仍依赖高碳模式；苏中地区因生态资源丰富，ESC偏高；而苏南地区ESC普遍较低，凸显了产业升级与生态保护的紧迫性.

参考文献

[1]	IPCC. Climate change 2021: the physical science basis. Contribution of working group Ⅰ to the Sixth assessment report of the intergovernmental panel on climate change[M]. Cambridge: Cambridge University Press, 2023.
[2]	中华人民共和国中央人民政府. 中共中央国务院关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见[EB/OL]. https://www.gov.cn/zhengce/2021-10/24/content_5644613.htm, 2021-10-24.
[3]	刘良云, 陈良富, 刘毅, 等. 全球碳盘点卫星遥感监测方法、进展与挑战[J]. 遥感学报, 2022, 26(2): 243-267. Liu L Y, Chen L F, Liu Y, et al. Satellite remote sensing for global stocktaking: methods, progress and perspectives[J]. National Remote Sensing Bulletin, 2022, 26(2): 243-267.
[4]	石岳, 杨晨, 朱江玲, 等. 中国及省域碳排放、陆地碳汇及其相对减排贡献, 1980~2020[J]. 中国科学: 生命科学, 2024, 54(12): 2459-2478. Shi Y, Yang C, Zhu J L, et al. Estimation of national and provincial carbon emissions, terrestrial carbon sinks and their relative contribution to emission reductions during 1980~2020[J]. Scientia Sinica Vitae, 2024, 54(12): 2459-2478.
[5]	韩宇, 杨伶, 周文强, 等. 洞庭湖流域县域碳收支平衡与碳补偿功能分区[J]. 环境科学, 2025, 46(8): 4888-4899. Han Y, Yang L, Zhou W Q, et al. Functional zoning of carbon balance and carbon offset in Dongting lake basin counties[J]. Environmental Science, 2025, 46(8): 4888-4899.
[6]	钟金钦, 郭健翔, 王吉进, 等. "双碳"目标下省域碳排放影响因素分析及趋势预测: 以山东省为例[J]. 环境科学, 2025, 46(11): 6757-6769. Zhong J Q, Guo J X, Wang J J, et al. Analysis of factors influencing carbon emissions at the provincial level and trend prediction under the "Dual Carbon" goals: a case study of Shandong Province[J]. Environmental Science, 2025, 46(11): 6757-6769. DOI:10.13227/j.hjkx.202409001
[7]	王梓洋, 张学斌, 李雪红. 石羊河流域"三生"空间演变对碳固存和碳排放的影响机制[J]. 环境科学, 2025, 46(4): 2047-2056. Wang Z Y, Zhang X B, Li X H. Influence mechanism of "production-living-ecological" spatial evolution on carbon sequestration and emission in the Shiyang River basin[J]. Environmental Science, 2025, 46(4): 2047-2056. DOI:10.13227/j.hjkx.202404132
[8]	李渊, 张芝镪, 温慧, 等. 基于机器学习的中国碳排放影响因素分析与达峰情景模拟[J]. 环境科学, 2025, 46(10): 6097-6109. Li Y, Zhang Z Q, Wen H, et al. Analysis of the influencing factors of China's carbon emissions and simulation of peak scenarios based on machine learning[J]. Environmental Science, 2025, 46(10): 6097-6109. DOI:10.13227/j.hjkx.202409041
[9]	张之潇, 王玉罡, 叶子临, 等. 贵州省交通运输业碳排放影响因素及情景预测[J]. 环境科学, 2025, 46(11): 6819-6827. Zhang Z X, Wang Y G, Ye Z L, et al. Influencing factors and scenario prediction of carbon emissions in Guizhou's transportation sector[J]. Environmental Science, 2025, 46(11): 6819-6827. DOI:10.13227/j.hjkx.202408063
[10]	江苏省人民政府. 省政府关于印发江苏省加快经济社会发展全面绿色转型若干政策举措的通知[EB/OL]. https://www.jiangsu.gov.cn/art/2025/2/27/art_46143_11501330.html, 2025-02-15.
[11]	江苏省人民政府. "碳达峰""碳中和"未来已来江苏准备好了吗碳排放四问[EB/OL]. https://www.jiangsu.gov.cn/art/2021/1/12/art_60096_9639290.html, 2021-01-12.
[12]	国家统计局. 中国统计年鉴2024[M]. 北京: 中国统计出版社, 2024.
[13]	江苏省统计局, 国家统计局江苏调查总队. 江苏统计年鉴2024[M]. 北京: 中国统计出版社, 2024.
[14]	Chen Z Q, Yu B L, Yang C S, et al. An extended time series (2000-2018) of global NPP-VIIRS-like nighttime light data from a cross-sensor calibration[J]. Earth System Science Data, 2021, 13(3): 889-906. DOI:10.5194/essd-13-889-2021
[15]	Yang J, Huang X. The 30 m annual land cover datasets and its dynamics in China from 1985 to 2023[J]. Earth System Science Data, 2024, 13(1): 3907-3925.
[16]	国家统计局. 2004~2023年中国统计年鉴[M]. 北京: 中国统计出版社, 2024.
[17]	国家统计局. 2004~2024年中国能源统计年鉴[M]. 北京: 中国统计出版社, 2025.
[18]	江苏省统计局, 国家统计局江苏调查总队. 2004~2023年江苏统计年鉴[M]. 北京: 中国统计出版社, 2024.
[19]	张苗, 吴萌. 土地利用对碳排放影响的作用机制和传导路径分析——基于结构方程模型的实证检验[J]. 中国土地科学, 2022, 36(3): 96-103. Zhang M, Wu M. Analysis on the mechanism and transmission path of the impact of land use on carbon emissions: empirical test based on structural equation model[J]. China Land Science, 2022, 36(3): 96-103.
[20]	高亚培, 刘玮, 李成英, 等. 青藏高寒区"三生空间"演变及碳排放多情景模拟: 以青海省为例[J]. 环境科学, 2025, 46(8): 4923-4933. Gao Y P, Liu W, Li C Y, et al. Evolution of production-living-ecological spaces and multi-scenario simulation of carbon emissions in the Qinghai-Tibet Plateau vulnerable region: a case study of Qinghai province, China[J]. Environmental Science, 2025, 46(8): 4923-4933. DOI:10.13227/j.hjkx.202407052
[21]	李安佳, 尹旭, 魏慧. 京津冀区县土地利用碳排放时空演化及其驱动因子[J]. 环境科学, 2025, 46(9): 5391-5402. Li A J, Yin X, Wei H. Spatio-temporal evolution of carbon emission from land use and its driving factors in Beijing-Tianjin-Hebei districts and counties[J]. Environmental Science, 2025, 46(9): 5391-5402.
[22]	张玥, 代亚强, 陈媛媛, 等. 土地利用隐性转型与土地利用碳排放空间关联研究[J]. 中国土地科学, 2022, 36(6): 100-112. Zhang Y, Dai Y Q, Chen Y Y, et al. The study on spatial correlation of recessive land use transformation and land use carbon emission[J]. China Land Science, 2022, 36(6): 100-112.
[23]	吕倩, 张林野, 雒瑶. 黄河流域县域土地利用碳排放时空格局及碳平衡分区[J]. 环境科学, 2025, 46(10): 6209-6220. Lv Q, Zhang L Y, Luo Y. Spatial-temporal pattern and carbon balance zoning of county land use carbon emissions in the Yellow River Basin[J]. Environmental Science, 2025, 46(10): 6209-6220. DOI:10.13227/j.hjkx.202409082
[24]	Shi K F, Chen Y, Yu B L, et al. Modeling spatiotemporal CO₂ (Carbon dioxide) emission dynamics in China from DMSP-OLS nighttime stable light data using panel data analysis[J]. Applied Energy, 2016, 168: 523-533. DOI:10.1016/j.apenergy.2015.11.055
[25]	张斌, 卫丹琪, 丁乙, 等. 基于夜间灯光和土地利用的珠江流域城市碳排放估算及其时空动态特征研究[J]. 地球科学进展, 2024, 39(3): 317-328. Zhang B, Wei D Q, Ding Y, et al. Research on cities' carbon emissions and their spatiotemporal evolution coupled with nighttime light image and land use data in the Pearl River Basin[J]. Advances in Earth Science, 2024, 39(3): 317-328.
[26]	武爱彬, 赵艳霞, 郭小平, 等. 基于土地利用和夜间灯光数据的京津冀区域碳排放时空分异研究[J]. 地理与地理信息科学, 2022, 38(6): 36-42. Wu A B, Zhao Y X, Guo X P, et al. Spatio-temporal differentiation of carbon emissions in the Beijing-Tianjin-Hebei Region based on land use and nighttime light data[J]. Geography and Geo-Information Science, 2022, 38(6): 36-42.
[27]	武新姣, 袁金国, 赵锋, 等. 滹沱河流域碳排放与生态系统服务价值时空关系[J]. 环境科学, 2025, 46(11): 7197-7207. Wu X J, Yuan J G, Zhao F, et al. Spatiotemporal relationship between carbon emissions and ecosystem service value in Hutuo River Basin[J]. Environmental Science, 2025, 46(11): 7197-7207. DOI:10.13227/j.hjkx.202411111
[28]	杨元合, 石岳, 孙文娟, 等. 中国及全球陆地生态系统碳源汇特征及其对碳中和的贡献[J]. 中国科学: 生命科学, 2022, 52(4): 534-574. Yang Y H, Shi Y, Sun W J, et al. Terrestrial carbon sinks in China and around the world and their contribution to carbon neutrality[J]. Scientia Sinica Vitae, 2022, 52(4): 534-574.
[29]	杨琳绮, 赵锐锋, 康丽芳, 等. 甘肃省碳排放时空演变及其影响因素的多尺度[J]. 环境科学, 2025, 46(8): 4900-4910. Yang L Q, Zhao R F, Kang L F, et al. Multi-scale spatial and temporal evolution of carbon emissions and influencing factors in Gansu Province[J]. Environmental Science, 2025, 46(8): 4900-4910.
[30]	苑韶峰, 唐奕钰. 低碳视角下长江经济带土地利用碳排放的空间分异[J]. 经济地理, 2019, 39(2): 190-198. Yuan S F, Tang Y Y. Spatial differentiation of land use carbon emission in the Yangtze River economic belt based on low carbon perspective[J]. Economic Geography, 2019, 39(2): 190-198.
[31]	赵荣钦, 黄贤金. 基于能源消费的江苏省土地利用碳排放与碳足迹[J]. 地理研究, 2010, 29(9): 1639-1649. Zhao R Q, Huang X J. Carbon emission and carbon footprint of different land use types based on energy consumption of Jiangsu Province[J]. Geographical Research, 2010, 29(9): 1639-1649.
[32]	Cai Z C, Kang G D, Tsuruta H, et al. Estimate of CH₄ emissions from year-round flooded rice fields during rice growing season in China[J]. Pedosphere, 2005, 15(1): 66-71.
[33]	周汝波, 洪武扬. 社会网络分析视角下广东省土地利用碳排放空间关联与碳平衡优化分区[J]. 环境科学, 2025, 46(9): 5403-5414. Zhou R B, Hong W Y. Spatial correlation and optimization zoning of carbon emission from land use in Guangdong province from the perspective of social network analysis[J]. Environmental Science, 2025, 46(9): 5403-5414. DOI:10.13227/j.hjkx.202408268
[34]	李建强, 张飞云, 李倩, 等. 基于PLUS-InVEST模型的新疆土地利用碳排放与碳储量时空演变分析及模拟[J]. 农业资源与环境学报, 2025. Li J Q, Zhang F Y, Li Q, et al. Analysis and simulation of the spatial-temporal evolution of carbon emission/storage of landuse in Xinjiang based on PLUS-InVEST model[J]. Journal of Agricultural Resources and Environment, 2025. DOI:10.13254/j.jare.2024.0732
[35]	IPCC. IPCC国家温室气体排放清单指南[EB/OL]. https://www.ipcc-nggip.iges.or.jp/public/2006gl/chinese/index.html, 2025-02-05.
[36]	Anselin L. Local indicators of spatial association—LISA[J]. Geographical Analysis, 1995, 27(2): 93-115. DOI:10.1111/j.1538-4632.1995.tb00338.x
[37]	Zhang Y N, Pan J H, Zhang Y J, et al. Spatial-temporal characteristics and decoupling effects of China's carbon footprint based on multi-source data[J]. Journal of Geographical Sciences, 2021, 31(3): 327-349. DOI:10.1007/s11442-021-1839-7
[38]	Liu C, Hu S G, Wu S, et al. County-level land use carbon emissions in China: spatiotemporal patterns and impact factors[J]. Sustainable Cities and Society, 2024, 105. DOI:10.1016/j.scs.2024.105304
[39]	张音, 孙从建, 刘庚, 等. 基于GEE和改进型遥感生态指数的黄河流域生态环境质量评价[J]. 干旱区资源与环境, 2025, 39(11): 103-115. Zhang Y, Sun C J, Liu G, et al. Evaluation of ecological environment quality in the Yellow River Basin using GEE and modified remote sensing ecological index[J]. Journal of Arid Land Resources and Environment, 2025, 39(11): 103-115.
[40]	Getis A, Ord J K. The analysis of spatial association by use of distance statistics[J]. Geographical Analysis, 1992, 24(3): 189-206. DOI:10.1111/j.1538-4632.1992.tb00261.x
[41]	陈靖松, 张建军, 李金龙, 等. 京津冀地区碳排放时空格局变化及其驱动因子[J]. 生态学报, 2024, 44(6): 2270-2283. Chen J S, Zhang J J, Li J L, et al. Spatio-temporal pattern of carbon emissions and its driving factors in the Beijing-Tianjin-Hebei region[J]. Acta Ecologica Sinica, 2024, 44(6): 2270-2283.
[42]	吴春英, 陈飞平, 徐先堂, 等. 长江中游经济区土地利用碳排放变化及协调分区[J]. 环境科学, 2025, 46(12): 7438-7449. Wu C Y, Chen F P, Xu X T, et al. Land use carbon emission change and coordination zoning in the middle reaches of Yangtze River economic zone[J]. Environmental Science, 2025, 46(12): 7438-7449. DOI:10.13227/j.hjkx.202411054
[43]	陈颖彪, 郑子豪, 吴志峰, 等. 夜间灯光遥感数据应用综述和展望[J]. 地理科学进展, 2019, 38(2): 205-223. Chen Y B, Zheng Z H, Wu Z F, et al. Review and prospect of application of nighttime light remote sensing data[J]. Progress in Geography, 2019, 38(2): 205-223.
[44]	卢秀, 李佳, 段平, 等. 基于夜间灯光和土地利用数据的云南沿边地区GDP空间差异性分析[J]. 地球信息科学学报, 2019, 21(3): 455-466. Lu X, Li J, Duan P, et al. Spatial difference of GDP in Yunnan border area based on nighttime light and land use data[J]. Journal of Geo-Information Science, 2019, 21(3): 455-466.
[45]	苏泳娴, 陈修治, 叶玉瑶, 等. 基于夜间灯光数据的中国能源消费碳排放特征及机理[J]. 地理学报, 2013, 68(11): 1513-1526. Su Y X, Chen X Z, Ye Y Y, et al. The characteristics and mechanisms of carbon emissions from energy consumption in China using DMSP/OLS night light imageries[J]. Acta Geographica Sinica, 2013, 68(11): 1513-1526.
[46]	李建豹, 陈红梅, 张彩莉, 等. 长三角地区碳源碳汇时空演化特征及碳平衡分区[J]. 环境科学, 2024, 45(7): 4090-4100. Li J B, Chen H M, Zhang C L, et al. Spatiotemporal evolution characteristics of carbon sources and carbon sinks and carbon balance zoning in the Yangtze River delta region[J]. Environmental Science, 2024, 45(7): 4090-4100. DOI:10.13227/j.hjkx.202308149
[47]	刘耀彬, 邓伟凤, 李硕硕, 等. 基于碳汇潜力的碳排放空间关联网络结构特征及影响因素——以长江中游城市群为例[J]. 中国人口·资源与环境, 2024, 34(3): 1-15. Liu Y B, Deng W F, Li S S, et al. Structural characteristics and influencing factors of carbon emission spatial association networks based on carbon sink potential: a case study of urban agglomerations in the middle reaches of the Yangtze River[J]. China Population, Resources and Environment, 2024, 34(3): 1-15.
[48]	盱眙县人民政府. 盱眙县国家森林城市建设总体规划(2023-2032年)政策解读[EB/OL]. http://www.xuyi.gov.cn/col/902_172783/art/17040384/1706682795930J5z5wj8w.html, 2024-01-15.
[49]	王亚娟, 翟晨曦, 刘彩玉, 等. 宁夏土地利用碳排放时空差异及影响因素分析[J]. 环境科学, 2024, 45(9): 5049-5059. Wang Y J, Zhai C X, Liu C Y, et al. Analysis of spatiotemporal differences and influencing factors of land use carbon emissions in Ningxia[J]. Environmental Science, 2024, 45(9): 5049-5059. DOI:10.13227/j.hjkx.202310111
[50]	李梓赫, 周冬梅, 江晶, 等. 甘肃省土地利用碳排放时空演变特征及影响因素[J]. 环境科学, 2024, 45(9): 5040-5048. Li Z H, Zhou D M, Jiang J, et al. Spatial and temporal evolution characteristics of carbon emission from land use and influencing factors in Gansu province[J]. Environmental Science, 2024, 45(9): 5040-5048. DOI:10.13227/j.hjkx.202309123


环境科学 2026, Vol. 47 Issue (4): 2153-2164	PDF