Escalation effect of fossil-based CO2 emissions improves green energy innovation
1
2021
... 过度的化石燃料消耗所排放出的二氧化碳等温室气体,是导致全球变暖的主要原因[1].据美国海洋大气管理局公布的数据,2021年地球大气中二氧化碳平均浓度达到人类历史上二氧化碳浓度最高的记录,并且超过了400万年地质记录中的最高记录,严重威胁到人类未来的生存.中国作为世界上最大的碳排放国,承受着巨大的减排压力.中国政府也在第七十五届联合国大会上提出2030年前碳达峰、2060年前碳中和的目标[2].在经济快速发展的同时,能源消耗量也在不断攀升,使得如期实现双碳减排目标面临许多不确定性[3].因此,了解市区一级的二氧化碳排放量以及空间分布的差异性能够为不同地区提供合理的碳减排措施.然而,由于市、区县一级的能源消耗数据获取困难,无法准确地计算出二氧化碳排放量,造成了数据的不一致性,给系统研究带来了一定的困难. ...
实现碳达峰碳中和的中国方案
1
... 过度的化石燃料消耗所排放出的二氧化碳等温室气体,是导致全球变暖的主要原因[1].据美国海洋大气管理局公布的数据,2021年地球大气中二氧化碳平均浓度达到人类历史上二氧化碳浓度最高的记录,并且超过了400万年地质记录中的最高记录,严重威胁到人类未来的生存.中国作为世界上最大的碳排放国,承受着巨大的减排压力.中国政府也在第七十五届联合国大会上提出2030年前碳达峰、2060年前碳中和的目标[2].在经济快速发展的同时,能源消耗量也在不断攀升,使得如期实现双碳减排目标面临许多不确定性[3].因此,了解市区一级的二氧化碳排放量以及空间分布的差异性能够为不同地区提供合理的碳减排措施.然而,由于市、区县一级的能源消耗数据获取困难,无法准确地计算出二氧化碳排放量,造成了数据的不一致性,给系统研究带来了一定的困难. ...
实现碳达峰碳中和的中国方案
1
... 过度的化石燃料消耗所排放出的二氧化碳等温室气体,是导致全球变暖的主要原因[1].据美国海洋大气管理局公布的数据,2021年地球大气中二氧化碳平均浓度达到人类历史上二氧化碳浓度最高的记录,并且超过了400万年地质记录中的最高记录,严重威胁到人类未来的生存.中国作为世界上最大的碳排放国,承受着巨大的减排压力.中国政府也在第七十五届联合国大会上提出2030年前碳达峰、2060年前碳中和的目标[2].在经济快速发展的同时,能源消耗量也在不断攀升,使得如期实现双碳减排目标面临许多不确定性[3].因此,了解市区一级的二氧化碳排放量以及空间分布的差异性能够为不同地区提供合理的碳减排措施.然而,由于市、区县一级的能源消耗数据获取困难,无法准确地计算出二氧化碳排放量,造成了数据的不一致性,给系统研究带来了一定的困难. ...
碳达峰目标下我国能源转型的现状、挑战与突破
1
2021
... 过度的化石燃料消耗所排放出的二氧化碳等温室气体,是导致全球变暖的主要原因[1].据美国海洋大气管理局公布的数据,2021年地球大气中二氧化碳平均浓度达到人类历史上二氧化碳浓度最高的记录,并且超过了400万年地质记录中的最高记录,严重威胁到人类未来的生存.中国作为世界上最大的碳排放国,承受着巨大的减排压力.中国政府也在第七十五届联合国大会上提出2030年前碳达峰、2060年前碳中和的目标[2].在经济快速发展的同时,能源消耗量也在不断攀升,使得如期实现双碳减排目标面临许多不确定性[3].因此,了解市区一级的二氧化碳排放量以及空间分布的差异性能够为不同地区提供合理的碳减排措施.然而,由于市、区县一级的能源消耗数据获取困难,无法准确地计算出二氧化碳排放量,造成了数据的不一致性,给系统研究带来了一定的困难. ...
碳达峰目标下我国能源转型的现状、挑战与突破
1
2021
... 过度的化石燃料消耗所排放出的二氧化碳等温室气体,是导致全球变暖的主要原因[1].据美国海洋大气管理局公布的数据,2021年地球大气中二氧化碳平均浓度达到人类历史上二氧化碳浓度最高的记录,并且超过了400万年地质记录中的最高记录,严重威胁到人类未来的生存.中国作为世界上最大的碳排放国,承受着巨大的减排压力.中国政府也在第七十五届联合国大会上提出2030年前碳达峰、2060年前碳中和的目标[2].在经济快速发展的同时,能源消耗量也在不断攀升,使得如期实现双碳减排目标面临许多不确定性[3].因此,了解市区一级的二氧化碳排放量以及空间分布的差异性能够为不同地区提供合理的碳减排措施.然而,由于市、区县一级的能源消耗数据获取困难,无法准确地计算出二氧化碳排放量,造成了数据的不一致性,给系统研究带来了一定的困难. ...
基于夜间灯光数据的陕西省县域相对贫困水平时空差异分析
1
2022
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
基于夜间灯光数据的陕西省县域相对贫困水平时空差异分析
1
2022
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
基于夜间灯光的2000-2018年成渝地区城市化过程研究
0
2022
基于夜间灯光的2000-2018年成渝地区城市化过程研究
0
2022
利用夜间灯光分析胡焕庸线两侧社会经济发展不均衡状况
1
2022
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
利用夜间灯光分析胡焕庸线两侧社会经济发展不均衡状况
1
2022
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
基于卫星夜间灯光数据的中国分省碳排放时空模拟
1
2017
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
基于卫星夜间灯光数据的中国分省碳排放时空模拟
1
2017
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
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
1
2019
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
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
1
2019
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
基于DMSP/OLS与NDVI的江苏省碳排放空间分布模拟
1
2016
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
基于DMSP/OLS与NDVI的江苏省碳排放空间分布模拟
1
2016
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
夜间灯光遥感与城市问题研究:数据、方法、应用和展望
1
2021
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
夜间灯光遥感与城市问题研究:数据、方法、应用和展望
1
2021
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
京津冀县域夜间灯光数据碳排放时空动态分析
1
2021
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
京津冀县域夜间灯光数据碳排放时空动态分析
1
2021
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
基于夜间灯光数据的长江上游地区能源消费碳排放及影响因素研究
1
2020
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
基于夜间灯光数据的长江上游地区能源消费碳排放及影响因素研究
1
2020
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
利用珞珈一号夜间灯光数据的广东省GDP空间化
1
2021
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
利用珞珈一号夜间灯光数据的广东省GDP空间化
1
2021
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
基于“珞珈一号”夜光遥感数据融合的乡村人口空间化方法研究
0
2021
基于“珞珈一号”夜光遥感数据融合的乡村人口空间化方法研究
0
2021
基于珞珈一号夜间灯光数据的人口空间化研究
0
2021
基于珞珈一号夜间灯光数据的人口空间化研究
0
2021
基于珞珈一号夜间灯光数据的大连市甘井子区人口空间化研究
1
2021
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
基于珞珈一号夜间灯光数据的大连市甘井子区人口空间化研究
1
2021
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
结合“珞珈一号”夜间灯光与城市功能分区的广州市碳排放空间分布模拟及其影响因素分析
1
2022
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
结合“珞珈一号”夜间灯光与城市功能分区的广州市碳排放空间分布模拟及其影响因素分析
1
2022
... 夜间灯光数据的应用较为广泛,学者们利用灯光数据进行过贫困水平、城市化以及经济发展领域等方面的研究[4-6].已有的研究表明,由美国国防气象卫星搭载的可见光成像线性扫描业务系统(DMSP-OLS)和国家极轨卫星搭载的可见光近红外成像辐射仪(NPP-VIIRS)采集的夜间灯光数据能够进行碳排放多尺度空间研究,可用于碳排放的分析[7].基于DMSP-OLS夜间灯光数据,许燕燕等[8]通过建立碳排放量与夜间灯光数据的回归模型,反演了能源统计数据缺失区县的碳排放量,并应用空间自相关模型,说明了碳排放量的空间集聚性.郭忻怡等[9]结合了NDVI数据,构建了江苏省碳排放的空间滞后回归模型,对江苏省碳排放进行空间分布模拟.相比于DMSP-OLS灯光数据,NPP-VIIRS灯光数据具有更高的空间分辨率和更广泛的辐射探测范围,具有更好的成像效果[10].李峰等[11]分别校正了DMSP-OLS和NPP-VIIRS两种夜间灯光数据,分析了长时间序列京津冀碳排放的时空格局变化特征及影响因素.孙贵艳等[12]在校正两种夜间灯光数据的基础上,结合了Moran’sI指数和STIRPAT模型,对长江中上游地区能源消费碳排放量的空间特征及影响因素进行研究.在灯光数据估算碳排放的研究中,目前多数集中于DMSP-OLS和NPP-VIIRS两种夜间灯光数据来估算区域碳排放量.由于珞珈一号卫星发射时间较晚,仅仅记录了少量年份的夜间灯光数据,近年来,已有部分学者利用珞珈一号灯光数据在城市GDP、人口空间化、城市空间格局演变等领域进行了研究[13-16].针对于区域碳排放领域,目前有少量学者利用珞珈一号灯光数据进行了城市碳排放的空间化分布研究[17].考虑到珞珈一号灯光数据对比于DMSP-OLS和NPP-VIIRS灯光数据,具有更好的精度,本文拟利用珞珈一号夜间灯光数据,探寻西北地区重要的中心城市——西安市的碳排放空间分布情况,并进行相关分析. ...
基于GFI模型的西安市能源消费碳排放因素分解研究
1
2018
... 西安位于中国大陆腹地黄河流域中部的关中平原,陕西省省会城市,是关中平原城市群核心城市,也是中国西部地区重要的中心城市.由于城市的快速发展,西安市的能源消费碳排放总体呈现上升趋势,近年来,全市能源利用结构有效转变,低耗能、低碳排的能源消费逐年上升,碳排放增长率有所减缓,能源强度不断下降[18-19].西安境内北部为冲积平原,南部为剥蚀山体,属于大陆性季风气候,冷暖干湿、四季分明.2020年,西安市总面积10 108 km2,下辖11个区、2个县,常住人口1 295.29万人,GDP总量达10 020.39亿元.研究区范围如图1所示. ...
基于GFI模型的西安市能源消费碳排放因素分解研究
1
2018
... 西安位于中国大陆腹地黄河流域中部的关中平原,陕西省省会城市,是关中平原城市群核心城市,也是中国西部地区重要的中心城市.由于城市的快速发展,西安市的能源消费碳排放总体呈现上升趋势,近年来,全市能源利用结构有效转变,低耗能、低碳排的能源消费逐年上升,碳排放增长率有所减缓,能源强度不断下降[18-19].西安境内北部为冲积平原,南部为剥蚀山体,属于大陆性季风气候,冷暖干湿、四季分明.2020年,西安市总面积10 108 km2,下辖11个区、2个县,常住人口1 295.29万人,GDP总量达10 020.39亿元.研究区范围如图1所示. ...
西安市碳排放峰值预测及控制策略研究
1
2020
... 西安位于中国大陆腹地黄河流域中部的关中平原,陕西省省会城市,是关中平原城市群核心城市,也是中国西部地区重要的中心城市.由于城市的快速发展,西安市的能源消费碳排放总体呈现上升趋势,近年来,全市能源利用结构有效转变,低耗能、低碳排的能源消费逐年上升,碳排放增长率有所减缓,能源强度不断下降[18-19].西安境内北部为冲积平原,南部为剥蚀山体,属于大陆性季风气候,冷暖干湿、四季分明.2020年,西安市总面积10 108 km2,下辖11个区、2个县,常住人口1 295.29万人,GDP总量达10 020.39亿元.研究区范围如图1所示. ...
西安市碳排放峰值预测及控制策略研究
1
2020
... 西安位于中国大陆腹地黄河流域中部的关中平原,陕西省省会城市,是关中平原城市群核心城市,也是中国西部地区重要的中心城市.由于城市的快速发展,西安市的能源消费碳排放总体呈现上升趋势,近年来,全市能源利用结构有效转变,低耗能、低碳排的能源消费逐年上升,碳排放增长率有所减缓,能源强度不断下降[18-19].西安境内北部为冲积平原,南部为剥蚀山体,属于大陆性季风气候,冷暖干湿、四季分明.2020年,西安市总面积10 108 km2,下辖11个区、2个县,常住人口1 295.29万人,GDP总量达10 020.39亿元.研究区范围如图1所示. ...
珞珈一号新型夜间灯光数据应用潜力分析
1
2019
... 本研究主要应用到的数据包括西安市能源统计数据、各区县人口密度数据和珞珈一号夜间灯光数据.人口密度数据和能源消耗数据来源于2019年西安市统计年鉴,分别为统计年鉴中1~2土地面积和常住人口密度部分和13~3规模以上工业企业能源购进、消费及库存部分.能源消耗数据为主要能源的年度消耗量,包含有焦炭、原煤、原油、柴油、天然气等11种能源种类.珞珈一号夜间灯光数据来源于高分辨率对地观测系统数据与应用网,网址为http:∥59.175.109.173:8888/index.html.“珞珈一号”是全球首颗专业夜光遥感卫星,由武汉大学团队与相关机构共同研发制作,于2018年6月2日成功发射升空,其精度达到地面分辨率100 m,理想条件下可在15 d内绘制完成全球夜光影像.相比于早期的DMSP-OLS和NPP-VIIRS夜间灯光数据,珞珈一号夜间灯光数据更有利于小尺度研究的高空间分辨率[20-21].辅助数据为中国1∶400万的地级市行政边界数据,通过国家基础地理信息系统网站查询. ...
珞珈一号新型夜间灯光数据应用潜力分析
1
2019
... 本研究主要应用到的数据包括西安市能源统计数据、各区县人口密度数据和珞珈一号夜间灯光数据.人口密度数据和能源消耗数据来源于2019年西安市统计年鉴,分别为统计年鉴中1~2土地面积和常住人口密度部分和13~3规模以上工业企业能源购进、消费及库存部分.能源消耗数据为主要能源的年度消耗量,包含有焦炭、原煤、原油、柴油、天然气等11种能源种类.珞珈一号夜间灯光数据来源于高分辨率对地观测系统数据与应用网,网址为http:∥59.175.109.173:8888/index.html.“珞珈一号”是全球首颗专业夜光遥感卫星,由武汉大学团队与相关机构共同研发制作,于2018年6月2日成功发射升空,其精度达到地面分辨率100 m,理想条件下可在15 d内绘制完成全球夜光影像.相比于早期的DMSP-OLS和NPP-VIIRS夜间灯光数据,珞珈一号夜间灯光数据更有利于小尺度研究的高空间分辨率[20-21].辅助数据为中国1∶400万的地级市行政边界数据,通过国家基础地理信息系统网站查询. ...
星数据与应用服务
1
01
... 本研究主要应用到的数据包括西安市能源统计数据、各区县人口密度数据和珞珈一号夜间灯光数据.人口密度数据和能源消耗数据来源于2019年西安市统计年鉴,分别为统计年鉴中1~2土地面积和常住人口密度部分和13~3规模以上工业企业能源购进、消费及库存部分.能源消耗数据为主要能源的年度消耗量,包含有焦炭、原煤、原油、柴油、天然气等11种能源种类.珞珈一号夜间灯光数据来源于高分辨率对地观测系统数据与应用网,网址为http:∥59.175.109.173:8888/index.html.“珞珈一号”是全球首颗专业夜光遥感卫星,由武汉大学团队与相关机构共同研发制作,于2018年6月2日成功发射升空,其精度达到地面分辨率100 m,理想条件下可在15 d内绘制完成全球夜光影像.相比于早期的DMSP-OLS和NPP-VIIRS夜间灯光数据,珞珈一号夜间灯光数据更有利于小尺度研究的高空间分辨率[20-21].辅助数据为中国1∶400万的地级市行政边界数据,通过国家基础地理信息系统网站查询. ...
星数据与应用服务
1
01
... 本研究主要应用到的数据包括西安市能源统计数据、各区县人口密度数据和珞珈一号夜间灯光数据.人口密度数据和能源消耗数据来源于2019年西安市统计年鉴,分别为统计年鉴中1~2土地面积和常住人口密度部分和13~3规模以上工业企业能源购进、消费及库存部分.能源消耗数据为主要能源的年度消耗量,包含有焦炭、原煤、原油、柴油、天然气等11种能源种类.珞珈一号夜间灯光数据来源于高分辨率对地观测系统数据与应用网,网址为http:∥59.175.109.173:8888/index.html.“珞珈一号”是全球首颗专业夜光遥感卫星,由武汉大学团队与相关机构共同研发制作,于2018年6月2日成功发射升空,其精度达到地面分辨率100 m,理想条件下可在15 d内绘制完成全球夜光影像.相比于早期的DMSP-OLS和NPP-VIIRS夜间灯光数据,珞珈一号夜间灯光数据更有利于小尺度研究的高空间分辨率[20-21].辅助数据为中国1∶400万的地级市行政边界数据,通过国家基础地理信息系统网站查询. ...
重庆市人口规模、结构对碳排放影响的实证研究——基于STIRPAT模型的分析
1
2015
... 由于西安市区县一级行政区能源消耗数据统计不完善,不能准确查询出各区县能源消耗数据,给区县一级的碳排放计算带来一定的困难.人口规模在多项研究中已经被证明是影响碳排放的最主要驱动力,说明碳排放量与人口规模存在密切关系[22-25].已经有学者利用权重法来进行不同领域的碳排放分配,比如通过市、县级人口权重对省域碳排放进行分配,进而估算出市、县一级碳排放量[26,27].本文拟采用人口权重进行县域碳排放分配,对能源统计数据缺失的区县一级行政区进行碳排放量的计算[27].人口密度是影响经济活动的主要因素,使用人口占比作为权重因子具有一定的可靠性. ...
重庆市人口规模、结构对碳排放影响的实证研究——基于STIRPAT模型的分析
1
2015
... 由于西安市区县一级行政区能源消耗数据统计不完善,不能准确查询出各区县能源消耗数据,给区县一级的碳排放计算带来一定的困难.人口规模在多项研究中已经被证明是影响碳排放的最主要驱动力,说明碳排放量与人口规模存在密切关系[22-25].已经有学者利用权重法来进行不同领域的碳排放分配,比如通过市、县级人口权重对省域碳排放进行分配,进而估算出市、县一级碳排放量[26,27].本文拟采用人口权重进行县域碳排放分配,对能源统计数据缺失的区县一级行政区进行碳排放量的计算[27].人口密度是影响经济活动的主要因素,使用人口占比作为权重因子具有一定的可靠性. ...
人口与消费对二氧化碳排放的动态影响——基于变参数模型的实证分析
0
2012
人口与消费对二氧化碳排放的动态影响——基于变参数模型的实证分析
0
2012
中部地区碳排放测度及其驱动因素动态特征研究
0
2022
中部地区碳排放测度及其驱动因素动态特征研究
0
2022
江西省人口变动对碳排放的影响——基于STIRPAT扩展模型
1
2017
... 由于西安市区县一级行政区能源消耗数据统计不完善,不能准确查询出各区县能源消耗数据,给区县一级的碳排放计算带来一定的困难.人口规模在多项研究中已经被证明是影响碳排放的最主要驱动力,说明碳排放量与人口规模存在密切关系[22-25].已经有学者利用权重法来进行不同领域的碳排放分配,比如通过市、县级人口权重对省域碳排放进行分配,进而估算出市、县一级碳排放量[26,27].本文拟采用人口权重进行县域碳排放分配,对能源统计数据缺失的区县一级行政区进行碳排放量的计算[27].人口密度是影响经济活动的主要因素,使用人口占比作为权重因子具有一定的可靠性. ...
江西省人口变动对碳排放的影响——基于STIRPAT扩展模型
1
2017
... 由于西安市区县一级行政区能源消耗数据统计不完善,不能准确查询出各区县能源消耗数据,给区县一级的碳排放计算带来一定的困难.人口规模在多项研究中已经被证明是影响碳排放的最主要驱动力,说明碳排放量与人口规模存在密切关系[22-25].已经有学者利用权重法来进行不同领域的碳排放分配,比如通过市、县级人口权重对省域碳排放进行分配,进而估算出市、县一级碳排放量[26,27].本文拟采用人口权重进行县域碳排放分配,对能源统计数据缺失的区县一级行政区进行碳排放量的计算[27].人口密度是影响经济活动的主要因素,使用人口占比作为权重因子具有一定的可靠性. ...
High resolution carbon emissions simulation and spatial heterogeneity analysis based on big data in Nanjing City, China
1
2019
... 由于西安市区县一级行政区能源消耗数据统计不完善,不能准确查询出各区县能源消耗数据,给区县一级的碳排放计算带来一定的困难.人口规模在多项研究中已经被证明是影响碳排放的最主要驱动力,说明碳排放量与人口规模存在密切关系[22-25].已经有学者利用权重法来进行不同领域的碳排放分配,比如通过市、县级人口权重对省域碳排放进行分配,进而估算出市、县一级碳排放量[26,27].本文拟采用人口权重进行县域碳排放分配,对能源统计数据缺失的区县一级行政区进行碳排放量的计算[27].人口密度是影响经济活动的主要因素,使用人口占比作为权重因子具有一定的可靠性. ...
中国县域能源消费碳排放估算及其空间分布
3
2020
... 由于西安市区县一级行政区能源消耗数据统计不完善,不能准确查询出各区县能源消耗数据,给区县一级的碳排放计算带来一定的困难.人口规模在多项研究中已经被证明是影响碳排放的最主要驱动力,说明碳排放量与人口规模存在密切关系[22-25].已经有学者利用权重法来进行不同领域的碳排放分配,比如通过市、县级人口权重对省域碳排放进行分配,进而估算出市、县一级碳排放量[26,27].本文拟采用人口权重进行县域碳排放分配,对能源统计数据缺失的区县一级行政区进行碳排放量的计算[27].人口密度是影响经济活动的主要因素,使用人口占比作为权重因子具有一定的可靠性. ...
... [27].人口密度是影响经济活动的主要因素,使用人口占比作为权重因子具有一定的可靠性. ...
... 根据2019年西安市统计年鉴中各区县人口密度数据和常住人口数据,按照人口权重法计算区县碳排放量[27],计算公式如下: ...
中国县域能源消费碳排放估算及其空间分布
3
2020
... 由于西安市区县一级行政区能源消耗数据统计不完善,不能准确查询出各区县能源消耗数据,给区县一级的碳排放计算带来一定的困难.人口规模在多项研究中已经被证明是影响碳排放的最主要驱动力,说明碳排放量与人口规模存在密切关系[22-25].已经有学者利用权重法来进行不同领域的碳排放分配,比如通过市、县级人口权重对省域碳排放进行分配,进而估算出市、县一级碳排放量[26,27].本文拟采用人口权重进行县域碳排放分配,对能源统计数据缺失的区县一级行政区进行碳排放量的计算[27].人口密度是影响经济活动的主要因素,使用人口占比作为权重因子具有一定的可靠性. ...
... [27].人口密度是影响经济活动的主要因素,使用人口占比作为权重因子具有一定的可靠性. ...
... 根据2019年西安市统计年鉴中各区县人口密度数据和常住人口数据,按照人口权重法计算区县碳排放量[27],计算公式如下: ...
Industrial carbon emission intensity: A comprehensive dataset of European regions
1
2021
... 碳排放强度是指每单位国民生产总值所带来的二氧化碳排放量,主要用来衡量经济发展与碳排放量之间的关系[28].经济规模、能源强度、能源结构和产业结构等都是影响碳排放强度的因素[29].一般情况下,碳强度指标是随着技术进步和经济增长而下降的,碳排放强度越低,意味着碳排放效率越高.为体现各地区发展的差异性,引入碳排放强度,即地区碳排放量与GDP总量的比值,公式如下: ...
Direct and indirect contributions of energy consumption structure to carbon emission intensity
1
2021
... 碳排放强度是指每单位国民生产总值所带来的二氧化碳排放量,主要用来衡量经济发展与碳排放量之间的关系[28].经济规模、能源强度、能源结构和产业结构等都是影响碳排放强度的因素[29].一般情况下,碳强度指标是随着技术进步和经济增长而下降的,碳排放强度越低,意味着碳排放效率越高.为体现各地区发展的差异性,引入碳排放强度,即地区碳排放量与GDP总量的比值,公式如下: ...
西咸一体化过程与城市扩展研究
1
2018
... 结合珞珈一号灯光栅格数据,提取出单个栅格灯光值,绘制出西安市碳排放量的精细尺度空间核密度图(图3).由图3可知,西安市碳排放集中区域为雁塔区、莲湖区和未央区.并且可以清楚地看出碳排放空间分布状态,依次由雁塔区、莲湖区、新城区、未央区逐步向外扩张,且碳排放分布向北聚集效果明显.由于市区南面土地类型多为山地、林地,城区发展趋于饱和,发展速度减慢.相比于南郊,北城区具有广阔的平原和河流,拥有更好的区位优势.以未央区为代表的西安市北郊,政府实施大力开发北城区的政策方略,推动西咸一体化建设[30].导致经济重心的北移,北郊的城市化建设取得一定成效,大量的工业企业迁入、以及诸多商业区规划建设,改变了西安长期以来“北轻南重”的城市空间格局.城市化进程伴随着一定碳排放量的增加,因此,北城区的碳排放也较为集中. ...
西咸一体化过程与城市扩展研究
1
2018
... 结合珞珈一号灯光栅格数据,提取出单个栅格灯光值,绘制出西安市碳排放量的精细尺度空间核密度图(图3).由图3可知,西安市碳排放集中区域为雁塔区、莲湖区和未央区.并且可以清楚地看出碳排放空间分布状态,依次由雁塔区、莲湖区、新城区、未央区逐步向外扩张,且碳排放分布向北聚集效果明显.由于市区南面土地类型多为山地、林地,城区发展趋于饱和,发展速度减慢.相比于南郊,北城区具有广阔的平原和河流,拥有更好的区位优势.以未央区为代表的西安市北郊,政府实施大力开发北城区的政策方略,推动西咸一体化建设[30].导致经济重心的北移,北郊的城市化建设取得一定成效,大量的工业企业迁入、以及诸多商业区规划建设,改变了西安长期以来“北轻南重”的城市空间格局.城市化进程伴随着一定碳排放量的增加,因此,北城区的碳排放也较为集中. ...
基于STIRPAT模型的山西省能源碳排放影响因素及峰值预测
1
2021
... 产业结构、城镇化水平、工业生产总值等因素已经被证明是影响碳排放的主要因素[31-34].在各个碳排放级别区域中,平均城镇化率、工业生产总值占比(不包括西咸新区)如图4.由雁塔区为代表的中等以上碳排放区域作为西安市的中心城区,经济体量大,商业活动密集,是全市最为重要的行政区.城区城市化进程起步早、发展时间长,4个行政区的平均城镇化率高达89.5%,并且拥有大量的工业企业和工业设施,工业总产值占比56%.重工业分布相对集中,在工业内部中,高耗能的化学制品制造业、非金属矿物制造业以及机电制造业等高耗能产业分布密集,能源需求量较大,消耗大量的煤、石油、天然气等化石能源,对二氧化碳排放有着正向作用,增加二氧化碳的排放量.中等级别碳排放区域相对于高碳排放级别区域来说,商业活动相对较少.虽然中等碳排放区县城市化率也较高,但其区域内工业化水平较低,只有少量的工业企业,工业总产值仅占比9 %.且区域内高耗能工业产业较少,是造成碳排放量低于高碳排区县的主要原因.较低和低等两个级别碳排放区县城市化率和工业企业数量都处于相对较低的水平,由于城市发展趋势以及能源结构转型的目标,在城市现代化发展的同时,政府有意识地将低碳产业、节能技术引入到中心城区外围的区县.这也造成了分组内的工业总产值绝大多数来源于高陵区的高新技术产业和阎良区的航空制造业,占到分组内工业总产业值的86.5%,特别是阎良区作为中国著名的航空城,以技术创新为动力,围绕航空产业链构建和城市环境建设两大主线[35].近年来,阎良区、高陵区不断加快发展科技研发、汽车制造、生物医药、节能环保、科技服务等低碳产业,实现能源结构的转型[36],在工业产值增长的同时,有效控制了碳排放量的上升.而分组内其他县区由于工业规模较小,且工业内部行业多数为轻工制造业、烟草加工业等低碳行业,化石能源的消耗远低于高碳排放级别的中心城区.且在城郊及县城区域中,由于城市发展滞后,城区规模小,土地类型也多为山地、林地等,大量的植物通过光合作用吸收大气中的二氧化碳,也在一定程度上中和了当地的碳排放,使得城郊、县区域碳排放处于较低水平. ...
基于STIRPAT模型的山西省能源碳排放影响因素及峰值预测
1
2021
... 产业结构、城镇化水平、工业生产总值等因素已经被证明是影响碳排放的主要因素[31-34].在各个碳排放级别区域中,平均城镇化率、工业生产总值占比(不包括西咸新区)如图4.由雁塔区为代表的中等以上碳排放区域作为西安市的中心城区,经济体量大,商业活动密集,是全市最为重要的行政区.城区城市化进程起步早、发展时间长,4个行政区的平均城镇化率高达89.5%,并且拥有大量的工业企业和工业设施,工业总产值占比56%.重工业分布相对集中,在工业内部中,高耗能的化学制品制造业、非金属矿物制造业以及机电制造业等高耗能产业分布密集,能源需求量较大,消耗大量的煤、石油、天然气等化石能源,对二氧化碳排放有着正向作用,增加二氧化碳的排放量.中等级别碳排放区域相对于高碳排放级别区域来说,商业活动相对较少.虽然中等碳排放区县城市化率也较高,但其区域内工业化水平较低,只有少量的工业企业,工业总产值仅占比9 %.且区域内高耗能工业产业较少,是造成碳排放量低于高碳排区县的主要原因.较低和低等两个级别碳排放区县城市化率和工业企业数量都处于相对较低的水平,由于城市发展趋势以及能源结构转型的目标,在城市现代化发展的同时,政府有意识地将低碳产业、节能技术引入到中心城区外围的区县.这也造成了分组内的工业总产值绝大多数来源于高陵区的高新技术产业和阎良区的航空制造业,占到分组内工业总产业值的86.5%,特别是阎良区作为中国著名的航空城,以技术创新为动力,围绕航空产业链构建和城市环境建设两大主线[35].近年来,阎良区、高陵区不断加快发展科技研发、汽车制造、生物医药、节能环保、科技服务等低碳产业,实现能源结构的转型[36],在工业产值增长的同时,有效控制了碳排放量的上升.而分组内其他县区由于工业规模较小,且工业内部行业多数为轻工制造业、烟草加工业等低碳行业,化石能源的消耗远低于高碳排放级别的中心城区.且在城郊及县城区域中,由于城市发展滞后,城区规模小,土地类型也多为山地、林地等,大量的植物通过光合作用吸收大气中的二氧化碳,也在一定程度上中和了当地的碳排放,使得城郊、县区域碳排放处于较低水平. ...
Impact of renewable energy investment on carbon emissions in China - An empirical study using a nonparametric additive regression model
0
2021
Effect of population migration on spatial carbon emission transfers in China
0
2021
The impact of land urbanization on carbon dioxide emissions in the Yangtze River Delta, China: A multiscale perspective
1
2021
... 产业结构、城镇化水平、工业生产总值等因素已经被证明是影响碳排放的主要因素[31-34].在各个碳排放级别区域中,平均城镇化率、工业生产总值占比(不包括西咸新区)如图4.由雁塔区为代表的中等以上碳排放区域作为西安市的中心城区,经济体量大,商业活动密集,是全市最为重要的行政区.城区城市化进程起步早、发展时间长,4个行政区的平均城镇化率高达89.5%,并且拥有大量的工业企业和工业设施,工业总产值占比56%.重工业分布相对集中,在工业内部中,高耗能的化学制品制造业、非金属矿物制造业以及机电制造业等高耗能产业分布密集,能源需求量较大,消耗大量的煤、石油、天然气等化石能源,对二氧化碳排放有着正向作用,增加二氧化碳的排放量.中等级别碳排放区域相对于高碳排放级别区域来说,商业活动相对较少.虽然中等碳排放区县城市化率也较高,但其区域内工业化水平较低,只有少量的工业企业,工业总产值仅占比9 %.且区域内高耗能工业产业较少,是造成碳排放量低于高碳排区县的主要原因.较低和低等两个级别碳排放区县城市化率和工业企业数量都处于相对较低的水平,由于城市发展趋势以及能源结构转型的目标,在城市现代化发展的同时,政府有意识地将低碳产业、节能技术引入到中心城区外围的区县.这也造成了分组内的工业总产值绝大多数来源于高陵区的高新技术产业和阎良区的航空制造业,占到分组内工业总产业值的86.5%,特别是阎良区作为中国著名的航空城,以技术创新为动力,围绕航空产业链构建和城市环境建设两大主线[35].近年来,阎良区、高陵区不断加快发展科技研发、汽车制造、生物医药、节能环保、科技服务等低碳产业,实现能源结构的转型[36],在工业产值增长的同时,有效控制了碳排放量的上升.而分组内其他县区由于工业规模较小,且工业内部行业多数为轻工制造业、烟草加工业等低碳行业,化石能源的消耗远低于高碳排放级别的中心城区.且在城郊及县城区域中,由于城市发展滞后,城区规模小,土地类型也多为山地、林地等,大量的植物通过光合作用吸收大气中的二氧化碳,也在一定程度上中和了当地的碳排放,使得城郊、县区域碳排放处于较低水平. ...
打造特色产业集群建设现代航空新城国家级陕西航空经济技术开发区西安阎良国家航空高技术产业基地
1
2012
... 产业结构、城镇化水平、工业生产总值等因素已经被证明是影响碳排放的主要因素[31-34].在各个碳排放级别区域中,平均城镇化率、工业生产总值占比(不包括西咸新区)如图4.由雁塔区为代表的中等以上碳排放区域作为西安市的中心城区,经济体量大,商业活动密集,是全市最为重要的行政区.城区城市化进程起步早、发展时间长,4个行政区的平均城镇化率高达89.5%,并且拥有大量的工业企业和工业设施,工业总产值占比56%.重工业分布相对集中,在工业内部中,高耗能的化学制品制造业、非金属矿物制造业以及机电制造业等高耗能产业分布密集,能源需求量较大,消耗大量的煤、石油、天然气等化石能源,对二氧化碳排放有着正向作用,增加二氧化碳的排放量.中等级别碳排放区域相对于高碳排放级别区域来说,商业活动相对较少.虽然中等碳排放区县城市化率也较高,但其区域内工业化水平较低,只有少量的工业企业,工业总产值仅占比9 %.且区域内高耗能工业产业较少,是造成碳排放量低于高碳排区县的主要原因.较低和低等两个级别碳排放区县城市化率和工业企业数量都处于相对较低的水平,由于城市发展趋势以及能源结构转型的目标,在城市现代化发展的同时,政府有意识地将低碳产业、节能技术引入到中心城区外围的区县.这也造成了分组内的工业总产值绝大多数来源于高陵区的高新技术产业和阎良区的航空制造业,占到分组内工业总产业值的86.5%,特别是阎良区作为中国著名的航空城,以技术创新为动力,围绕航空产业链构建和城市环境建设两大主线[35].近年来,阎良区、高陵区不断加快发展科技研发、汽车制造、生物医药、节能环保、科技服务等低碳产业,实现能源结构的转型[36],在工业产值增长的同时,有效控制了碳排放量的上升.而分组内其他县区由于工业规模较小,且工业内部行业多数为轻工制造业、烟草加工业等低碳行业,化石能源的消耗远低于高碳排放级别的中心城区.且在城郊及县城区域中,由于城市发展滞后,城区规模小,土地类型也多为山地、林地等,大量的植物通过光合作用吸收大气中的二氧化碳,也在一定程度上中和了当地的碳排放,使得城郊、县区域碳排放处于较低水平. ...
“高陵制造”驶向“高陵智造”
1
... 产业结构、城镇化水平、工业生产总值等因素已经被证明是影响碳排放的主要因素[31-34].在各个碳排放级别区域中,平均城镇化率、工业生产总值占比(不包括西咸新区)如图4.由雁塔区为代表的中等以上碳排放区域作为西安市的中心城区,经济体量大,商业活动密集,是全市最为重要的行政区.城区城市化进程起步早、发展时间长,4个行政区的平均城镇化率高达89.5%,并且拥有大量的工业企业和工业设施,工业总产值占比56%.重工业分布相对集中,在工业内部中,高耗能的化学制品制造业、非金属矿物制造业以及机电制造业等高耗能产业分布密集,能源需求量较大,消耗大量的煤、石油、天然气等化石能源,对二氧化碳排放有着正向作用,增加二氧化碳的排放量.中等级别碳排放区域相对于高碳排放级别区域来说,商业活动相对较少.虽然中等碳排放区县城市化率也较高,但其区域内工业化水平较低,只有少量的工业企业,工业总产值仅占比9 %.且区域内高耗能工业产业较少,是造成碳排放量低于高碳排区县的主要原因.较低和低等两个级别碳排放区县城市化率和工业企业数量都处于相对较低的水平,由于城市发展趋势以及能源结构转型的目标,在城市现代化发展的同时,政府有意识地将低碳产业、节能技术引入到中心城区外围的区县.这也造成了分组内的工业总产值绝大多数来源于高陵区的高新技术产业和阎良区的航空制造业,占到分组内工业总产业值的86.5%,特别是阎良区作为中国著名的航空城,以技术创新为动力,围绕航空产业链构建和城市环境建设两大主线[35].近年来,阎良区、高陵区不断加快发展科技研发、汽车制造、生物医药、节能环保、科技服务等低碳产业,实现能源结构的转型[36],在工业产值增长的同时,有效控制了碳排放量的上升.而分组内其他县区由于工业规模较小,且工业内部行业多数为轻工制造业、烟草加工业等低碳行业,化石能源的消耗远低于高碳排放级别的中心城区.且在城郊及县城区域中,由于城市发展滞后,城区规模小,土地类型也多为山地、林地等,大量的植物通过光合作用吸收大气中的二氧化碳,也在一定程度上中和了当地的碳排放,使得城郊、县区域碳排放处于较低水平. ...
“高陵制造”驶向“高陵智造”
1
... 产业结构、城镇化水平、工业生产总值等因素已经被证明是影响碳排放的主要因素[31-34].在各个碳排放级别区域中,平均城镇化率、工业生产总值占比(不包括西咸新区)如图4.由雁塔区为代表的中等以上碳排放区域作为西安市的中心城区,经济体量大,商业活动密集,是全市最为重要的行政区.城区城市化进程起步早、发展时间长,4个行政区的平均城镇化率高达89.5%,并且拥有大量的工业企业和工业设施,工业总产值占比56%.重工业分布相对集中,在工业内部中,高耗能的化学制品制造业、非金属矿物制造业以及机电制造业等高耗能产业分布密集,能源需求量较大,消耗大量的煤、石油、天然气等化石能源,对二氧化碳排放有着正向作用,增加二氧化碳的排放量.中等级别碳排放区域相对于高碳排放级别区域来说,商业活动相对较少.虽然中等碳排放区县城市化率也较高,但其区域内工业化水平较低,只有少量的工业企业,工业总产值仅占比9 %.且区域内高耗能工业产业较少,是造成碳排放量低于高碳排区县的主要原因.较低和低等两个级别碳排放区县城市化率和工业企业数量都处于相对较低的水平,由于城市发展趋势以及能源结构转型的目标,在城市现代化发展的同时,政府有意识地将低碳产业、节能技术引入到中心城区外围的区县.这也造成了分组内的工业总产值绝大多数来源于高陵区的高新技术产业和阎良区的航空制造业,占到分组内工业总产业值的86.5%,特别是阎良区作为中国著名的航空城,以技术创新为动力,围绕航空产业链构建和城市环境建设两大主线[35].近年来,阎良区、高陵区不断加快发展科技研发、汽车制造、生物医药、节能环保、科技服务等低碳产业,实现能源结构的转型[36],在工业产值增长的同时,有效控制了碳排放量的上升.而分组内其他县区由于工业规模较小,且工业内部行业多数为轻工制造业、烟草加工业等低碳行业,化石能源的消耗远低于高碳排放级别的中心城区.且在城郊及县城区域中,由于城市发展滞后,城区规模小,土地类型也多为山地、林地等,大量的植物通过光合作用吸收大气中的二氧化碳,也在一定程度上中和了当地的碳排放,使得城郊、县区域碳排放处于较低水平. ...
辽宁省碳排放的环境库兹涅茨曲线实证研究
1
2021
... 产业结构的变化能够有效地降低碳排放强度,实现碳排放模式的转变[37].相比较于第一、第二产业,第三产业的碳排放效率更高,全市分区县的产业占比如图7所示,碳排放强度较高的临潼区、周至县、蓝田县第一产业相对于其他10个区县来说占比较大,第二产业占有量偏低,以农业、渔业、畜牧业为主的第一产业经济仍是当地部分居民不可缺少的经济来源,工业化水平相对落后,抑制了碳排放效率的提高.而以雁塔区、莲湖区为代表的低碳排放强度区县,形成以服务业、商业为主的第三产业成为新的支柱性产业,并且由于近年来西安市低碳工业体系的完善绿色技术创新能力不断加强,产业升级加快,在工业保持快速发展的同时,碳排放强度也在不断下降. ...
辽宁省碳排放的环境库兹涅茨曲线实证研究
1
2021
... 产业结构的变化能够有效地降低碳排放强度,实现碳排放模式的转变[37].相比较于第一、第二产业,第三产业的碳排放效率更高,全市分区县的产业占比如图7所示,碳排放强度较高的临潼区、周至县、蓝田县第一产业相对于其他10个区县来说占比较大,第二产业占有量偏低,以农业、渔业、畜牧业为主的第一产业经济仍是当地部分居民不可缺少的经济来源,工业化水平相对落后,抑制了碳排放效率的提高.而以雁塔区、莲湖区为代表的低碳排放强度区县,形成以服务业、商业为主的第三产业成为新的支柱性产业,并且由于近年来西安市低碳工业体系的完善绿色技术创新能力不断加强,产业升级加快,在工业保持快速发展的同时,碳排放强度也在不断下降. ...