前言
夜间灯光数据凭借其长时间序列、广域覆盖以及开放获取的特点，已成为研究人类夜间经济与社会活动的重要数据来源。特别是在碳排放监测领域，夜间灯光数据因其能够反映人类活动强度，已广泛应用于碳排放量的估算与模拟研究。已有研究表明，夜间灯光亮度值与碳排放量之间存在显著相关性，因此，夜间灯光数据成为了估算和分析碳排放的有效工具。
目前，国内外学者基于能源消费统计数据和夜间灯光数据，针对不同尺度的碳排放进行研究，尤其集中于经济较为发达的国家、地区和省级层面的时空格局及影响因素分析。
研究方法
研究方法通常为：将夜间灯光数据与能源消费统计数据进行拟合，将碳排放量进行格网化处理，从而揭示能源消费与碳排放之间的时空变化特征。
与上一篇《【碳汇】基于土地利用的区域尺度碳排放效应及时空格局分析》方法相似，本研究同样基于土地利用类型（不包括建设用地）及其对应的碳排放（吸收）系数，计算各类土地的碳排放（吸收）量。不同之处在于，上一篇文章中，县域尺度的建设用地碳排放量是通过县与省GDP比值来估算总能源消耗，而本研究则是利用县域夜间灯光的总亮度值，通过建立的回归关系，直接计算建设用地的碳排放量。进一步地，我们还可以利用计算出的县域总碳排放量，结合该县建设用地的夜间灯光数据，进一步推算建设用地各栅格的碳排放量。如果你尚未阅读上一篇推文，建议先查看那篇文章，作为对本篇研究方法的补充理解。
数据准备与处理
-
夜间灯光数据：
在GEE平台下载NOAA/VIIRS灯光数据，其数据于2012年更新，目前已更新到2023年。下载连续几年该省的夜间灯光数据，目的是与能源消耗数据建立回归关系。NPP/VIIRS数据不存在灯光饱和与溢出现象，这里不需要使用EVI指数进行校正。
Map.addLayer(table,{color:"red"})
var dataset = ee.ImageCollection('NOAA/VIIRS/DNB/ANNUAL_V22')
.filter(ee.Filter.date('2022-01-01', '2023-01-01'))
.first().clip(table)
var nighttime = dataset.select('median_masked');
Export.image.toDrive({
image: nighttime,
description: "anhui_night2022",
scale: 500,
crs:"EPSG:4326",
region: table,
maxPixels: 1e13
});
-
土地覆盖数据：
下载Modis的landcover数据 -
能源消耗与对应能源碳排放系数：
该区域的建设用地碳排放量是利用能源消耗量乘以标准煤系数乘以排放系数求得。
数据分析
在数据处理完成后，我参考了些文献，发现许多研究通常会进行以下几类分析，这些内容写在报告里还是吸引人的：
-
碳排放量的时序特征分析、空间分布特征及空间关联特征分析
首先，我们关注碳排放量随时间变化的趋势，以揭示碳排放的动态演变特征。这通常指碳排放量的年度变化。其次，空间分布特征分析能够帮助我们识别碳排放的高值和低值区域，以及这些区域的空间分布模式。这些信息对于理解不同区域的碳排放差异非常重要。进一步地，空间关联特征分析利用Moran's I指数来度量碳排放在空间上的自相关性，分析各县域与其邻近县域是否呈现相似的碳排放变化趋势。通过这些分析，我们可以识别出碳排放的空间聚集性或分散性，并揭示不同区域间的碳排放相互影响关系。
- 影响因素分析。
影响因素分析旨在探讨与碳排放密切相关的各类因素，并评估这些因素对碳排放量的影响程度。常见的影响因素包括GDP、城镇化水平、产业结构、能源结构等。在分析过程中，我们通过统计方法探讨这些因素与碳排放之间的相关性，进而分析经济发展、能源消费模式以及社会结构变化如何影响碳排放量。例如，GDP的增加通常意味着能源需求和消费的上升，从而可能导致碳排放的增加；而城镇化水平的提升可能引发能源结构和交通方式的变化，对碳排放产生不同的影响。通过综合分析这些因素，我们能够更全面地理解碳排放的驱动因素，为政策制定提供科学依据。
参考：
《黄河流域能源消费碳排放时空格局演变及影响因素——基于DMSP/OLS与NPP/VIIRS夜间灯光数据》 杜海波
《县域尺度下湖南省碳排放空间分异特征与影响因素》 周航
《浙江省县域碳排放时空格局及影响因素研究》 蓝皓新
