基于卫星夜间灯光数据的中国分省碳排放时空模拟

马忠玉+肖宏伟

摘要 中国能源统计数据“横向不可比，纵向不可加”现象依然突出，尤其是分省能源消费统计千差万别，给分省碳排放评估带来了较大困难，如何利用卫星遥感数据科学合理地估算中国分省碳排放是当前亟须研究的问题。本文运用DMSP/OLS全球稳定夜间灯光数据，在通过相互校正、年内融合和年际间校正等系列处理得到中国分省稳定夜间灯光数据的基础上，首先分别构建中国分省稳定夜间灯光亮度DN值与人均碳排放和单位面积碳排放之间的时空地理加权回归模型，两个模型整体效果均较好，拟合优度分别高达96.74%和99.24%；其次运用稳定夜间灯光亮度DN值对分省人均碳排放和单位面积碳排放进行时空模拟；最后运用人口规模和土地面积对分省碳排放进行估算。估算结果显示：①整体来看，2000—2013年年均碳排放模拟值与实际值6.3349×109 t较为接近，两个模型的相对误差均在0.5%以内。②分年度来看，所有年份的相对误差均在5%以内，2006年分省加总碳排放模拟值与实际碳排放6.2036×109 t最为接近，绝对误差和相对误差均较小，两个模型模拟值的相对误差均为0.04%。③分省域来看，2000—2013年年均碳排放模拟值与实际碳排放均非常接近，除海南和宁夏外，其余28个省区市的相对误差均在1%以内。④分年度分省域来看，以2013年为例，40%省份的相对误差在2%以內，70%省份的相对误差在5%以内。从整体、分年度、分省域、分年度分省域的估算结果来看，基于稳定夜间灯光数据的中国分省碳排放时空模拟效果良好。因此，运用卫星夜间灯光数据可以较为准确地对中国分省碳排放进行估算和预测，为卫星遥感影像数据服务分省碳排放监测和评估提供一种补充性参考。

关键词 DMSP/OLS夜间灯光数据；碳排放；时空地理加权回归；模拟

中图分类号 F205文献标识码 A文章编号 1002-2104（2017）09-0143-08DOI：10.12062/cpre.20170502

中国政府高度重视应对气候变化问题，向全世界负责任地承诺到2030年单位GDP碳排放比2005年下降60%—65%，2030年左右碳排放达峰，同时北京、广州、镇江等部分省市承诺2020年左右达峰，四川、海南、延安等多个省市承诺2030年左右达峰，这既是中国积极应对气候变化，承担合理国际责任的决心，也是中国彰显引领全球走绿色低碳发展道路的信心。目前中国能源统计数据之间“横向不可比，纵向不可加”现象依然突出，尤其是分省能源消费总量与结构的统计千差万别，给分省碳排放评估带来了较大困难。随着中国卫星遥感技术的飞速发展，2016年12月22日中国首颗碳卫星成功发射，卫星影像数据将不断丰富，如何利用卫星遥感数据科学合理地估算中国分省碳排放，进而根据分省碳排放时空变化特征有针对性地制定省域碳减排政策，成为卫星遥感大数据时代下亟须研究的重大课题。美国军事气象卫星DMSP搭载的OLS传感器获取的全球夜间灯光数据，是监测人类活动强度的理想数据源，而碳排放与人类生产生活密切相关，因此可以运用DMSP/OLS全球夜间灯光数据对碳排放进行有效估算。本文综合运用全球夜间灯光数据和CO2排放、人口规模、土地面积等统计数据，在考虑区域空间异质性的基础上，建立基于DMSP/OLS夜间灯光数据的分省碳排放时空地理加权回归模型，开展分省碳排放估算，为利用卫星遥感影像数据开展分省碳排放监测和评估提供一种补充性参考。

1 文献综述

从20世纪80年代以来，随着DMSP/OLS全球夜间灯光影像数据的逐步完善，国内外学者围绕夜间灯光数据在城镇化监测、经济增长评估、电力消费模拟等方面的应用研究越来越多，但在碳排放估算方面的应用研究相对较少。

全球和国家层面的研究主要首先探寻全球主要经济体夜间灯光亮度与碳排放之间的相关性，在确定两者存在相关关系的基础上，建立回归分析模型对碳排放进行估算。如Elvidge[1]等人基于DMSP/OLS全球夜间灯光影像数据，对全球21个国家夜间灯光亮度与GDP、电力消耗、碳排放等指标进行相关性分析，最先发现夜间灯光亮度与碳排放之间存在相关性。Doll[2]等人运用1994年10月至1995年3月期间全球不同发展水平的46个国家的DMSP/OLS夜间灯光亮度值与碳排放进行统计分析，发现夜间灯光亮度值与碳排放在统计上显著高度相关，表明运用全球夜间灯光数据来描绘碳排放空间分布是有效的。Oda[3]等人利用1980—2007年全球各国夜间灯光数据与能源消费碳排放总量之间的相关关系，构建了基于夜间灯光数据的全球碳排放空间分布反演模型，通过反演得到全球国家尺度的化石燃料碳排放清单。Raupach[4]等人选取中国、美国、日本、印度、欧洲、前苏联作为研究区域，对化石燃料碳排放与夜间灯光亮度值进行了相关性探寻，发现两者存在显著的线性关系，表明可以运用全球夜间灯光数据进行化石燃料碳排放的估算。Ghosh[5]等人通过中国、日本、加拿大、俄罗斯、印度及美国等国家夜间灯光亮度与化石燃料碳排放之间的相关性分析，发现两者之间线性相关，相关系数达0.76，表明可以借助卫星夜间灯光图像较为准确地将主要国家的碳排放分解到全球网络。

省级和城市层面的研究与全球和国家层面的研究类似，亦主要是基于全球夜间灯光影像和能源消费碳排放数据，建立反演模型对省级和城市层面的碳排放进行估算。如Meng[6]等人基于全球夜间灯光图像和能源统计数据，提出了一种自上而下的中国城市碳排放估算方法，研究发现夜间灯光数据适合中国城市碳排放估算。苏泳娴[7-9]基于DMSP/OLS夜间灯光影像数据，开发了一套中国城市级能源消费碳排放遥感评估方法，能够一定程度解决中国城市级能源消费统计数据缺失以及国家—省域—城市数据之间不一致等问题，并对1992—2010年30个省市区和66个地级市的碳排放进行了模拟，模拟值与统计数据计算值最大相差26 998.25万t，最小相差6万t，均方误差为943.8万t，相对误差为7.7%。Shi[10]等人通过整合全球夜间稳定灯光数据与碳排放统计数据，提出了面向中国更高分辨率的时空碳排放动态模型，模型评价结果显示，中国在1997—2012年间夜间稳定灯光数据与碳排放统计数据之间存在显著的正相关关系，该模型可能适合于估算1 km分辨率以下的碳排放。郭忻怡[11]等人综合利用DMSP/OLS和NDVI数据，结合经济社会发展相关指标数据，构建了碳排放空间滞后回归模型，并对江苏省碳排放的空间分布网格进行了模拟。endprint

上述研究在全球-国家-省级-城市等多尺度证明了全球夜间灯光数据与碳排放之间存在线性相关关系，表明运用夜间灯光数据对碳排放进行估算具有一定的可行性。但是，目前运用全球夜间灯光数据模拟中国碳排放的研究较少，还处在初步研究阶段，大部分是建立夜间灯光数据亮度值与碳排放之间的线性回归模型，未考虑夜间灯光数据亮度与碳排放之间模型参数在不同时间不同区域的时空差异，模型的拟合优度和模拟效果还有待提高。

2 卫星夜间灯光数据来源及处理

2.1 数据来源

本文使用的DMSP/OLS夜间灯光数据来源于美国国家海洋和大气管理局NOAA（National Oceanic and Atmospheric Administration）下属的国家地球物理数据中心NGDC（National Geophysical Data Center）网站，该网站目前发布的最新数据为1992—2013年共22年全球夜间灯光影像数据，分别由F10、F12、F14、F15、F16、F18六代卫星传感器探测获取，其中第10号DMSP卫星F10负责探测1992—1994年全球夜间灯光影像数据，第12号DMSP卫星F12负责探测1994—1999年全球夜间灯光影像数据，第14号DMSP卫星F14负责探测1997—2003年全球夜间灯光影像数据，第15号DMSP卫星F15负责探测2000—2007年全球夜间灯光影像数据，第16号DMSP卫星F16负责探测2004—2009年全球夜间灯光影像数据，第18号DMSP卫星F18负责探测2010—2013年全球夜间灯光影像数据。提供下载的DMSP/OLS夜间灯光数据产品主要包括无云观测频次、平均灯光、稳定灯光、平均可见灯光4种影像，其中无云观测频次影像数据质量与观测次数的多少有着密切的关系，当观测次数较少时，数据质量会相对较低，当观测次数较多时，数据质量则会相对较高；平均灯光影像数据未进行过多的偶然噪声降噪处理，灯光影像中依然含有短暂光源等噪声；稳定灯光影像数据对火光和偶然噪声进行了一系列的去除处理，处理后的灯光影像数据质量较高，其DN值的范围为0—63；平均可见灯光影像数据将灯光观测周期内偶然噪声所占频率的百分比纳入考虑范围，能够在一定程度上减少火光和偶然噪声带来的影响，但当探测次数较多时，依然无法将火光和偶然噪声大部分去除。纵观4种DMSP/OLS夜间灯光数据产品对火光和偶然噪声的去除程度，本文选择稳定灯光影像数据作为夜间灯光强度变量用于分省碳排放的时空模拟研究。

2.2 数据处理

1992—2013年DMSP/OLS夜间灯光数据部分年份由新旧两代卫星传感器同时探测获取，如第10号DMSP卫星F10和第12号DMSP卫星F12同时负责探测1994年全球夜间灯光影像数据，第12号DMSP卫星F12和第14号DMSP卫星F14同时负责探测1997—1999年全球夜间灯光影像数据，第14号DMSP卫星F14和第15号DMSP卫星F15同时负责探测2000—2003年全球夜间灯光影像数据，第15号DMSP卫星F15和第16号DMSP卫星F16同时负责探测2004—2007年全球夜间灯光影像数据，通过比较1994年、1997—2007年新旧两代卫星传感器探测获取的夜间灯光影像数据发现，同一年份新旧两代卫星传感器探测获取的影像数据存在较大差异。为了提高衛星夜间灯光影像数据对中国分省碳排放的刻画程度，本文采用Liu[12]等人的处理方法，对1992—2013年DMSP/OLS稳定夜间灯光影像数据进行相互校正、年内融合和年际间校正等预处理。对于相互校正，一是选取1992—2013年间经济社会发展相对稳定的黑龙江省鸡西市市辖区作为待校正的影像像元参考区；二是选取第16号DMSP卫星F16探测的2007年夜间灯光影像作为校正稳定灯光影像的参考影像；三是选取二次多项式回归模型

DNcorrect=α×DN2+β×DN+γ来构建校正方程，不同年份不同卫星校正方程参数α、β、γ通过当年卫星探测的鸡西市稳定夜间灯光亮度DN值与第16号DMSP卫星F16探测的2007年鸡西市稳定夜间灯光亮度DN值进行比较经验得出；四是运用二次多项式回归模型和相应的校正方程经验参数α、β、γ对每年稳定夜间灯光亮度DN值进行相互校正。对于年内融合，对比1994年和1997—2007年新旧两代卫星传感器探测获取的夜间灯光影像像元，如果该影像像元仅在其中一代卫星影像中有亮度，则将该影像像元标示为不稳定像元，相应地将其DN值年内融合为0；如果该影像像元在新旧两代卫星影像中均有亮度，则将该影像像元标示为稳定像元，相应地将其DN值年内融合为新旧两代卫星影像像元DN值的平均。对于年际间校正，对比年际间同一个影像像元，如果该影像像元仅在较早年份有亮度，则将该影像像元标示为不稳定像元，相应地将其DN值年际间校正为0；如果该影像像元在探测周期内均有亮度，则将该影像像元标示为稳定像元，相应地需要确保早期影像像元DN值不超过后期影像像元DN值。

3 分省碳排放模拟模型构建

中国是一个幅员辽阔的国家，受资源禀赋、人口规模、经济发展、产业结构、技术水平等多种因素影响，各省能源消费总量和结构存在较大差异，从而引致分省碳排放亦存在较大时空差异。为了更为科学准确地模拟中国分省碳排放，本文在消除规模因素对碳排放总量影响的基础上，选取人均碳排放和单位面积碳排放作为研究对象，首先分别构建人均碳排放和单位面积碳排放与稳定夜间灯光亮度DN值（DN总值/栅格数）之间的时空地理加权回归模型，记为模型1和模型2，其次运用稳定夜间灯光亮度DN值对分省人均碳排放和单位面积碳排放进行时空模拟，最后运用人口规模和土地面积对分省碳排放进行估算。

为了全面考察稳定夜间灯光亮度DN值及其空间外溢效应在不同省级区域的异质性，本文构建包含稳定夜间灯光亮度DN值空间滞后项W*lnDNit的时空地理加权回归模型如下：endprint

式（1）中，PCEit为省级区域i在年度t的人均碳排放，SCEit为省级区域i在年度t的单位面积碳排放，DNit为省级区域i在年度t的稳定夜间灯光亮度DN值，W为空间权重矩阵，本文采用肖宏伟[13]等人提出的地理和经济信息相结合的空间权重矩阵，（ui，vi）为省级区域的经度、纬度，

α0（ui，vi，ti）、β0（ui，vi，ti）分别为省级区域i在年度t人均碳排放和单位面积碳排放与稳定夜间灯光亮度DN值之间时空地理加权回归模型的截距项，α1（ui，vi，ti）、 β1（ui，vi，ti）为省级区域i在年度t稳定夜间灯光亮度DN值对人均碳排放和单位面积碳排放的回归系数，α2（ui，vi，ti）、 β2（ui，vi，ti）为省级区域i在年度t稳定夜间灯光亮度DN值的空间外溢效应对人均碳排放和单位面积碳排放的回归系数，εit、φit为省级区域i在年度t模型1和模型2的残差项。时空地理加权回归模型的核心是时空权重矩阵，通常选取不同的时空权函数来刻画时空关系，本文采用高斯函数法和时空距离相结合的时空权函数。时空权函数形式如下：

2[KF）]为时空距离，bST为时空权函数的带宽，通常通过交叉验证来选择最优带宽。

基于稳定夜间灯光数据的中国分省碳排放测算模型如下：

式（3）中，CE1it、CE2it分别为通过人均碳排放和单位面积碳排放测算的省级区域i在年度t的碳排放，Pit、Sit分别为省级区域i在时间t的人口规模和土地面积。

4 分省碳排放模拟效果检验

4.1 模型变量数据选取

国家统计局根据第三次全国经济普查结果，对2000年以来能源消费总量和结构数据进行了修正，以2013年为例，修正后的能源消费总量上调4.2亿t标准煤，煤炭消费占能源消费总量的比重上调1.4个百分点，石油和天然气消费占能源消费总量的比重分别下调1.3和0.5个百分点，一次电力及其他能源占能源消费总量的比重上调0.4个百分点，能源消费总量上调和煤炭消费占能源消费总量比重上升给碳排放基础数据带来了较大影响，为了与修正后的能源统计数据口径保持一致，本文选取2000年以来的分省碳排放数据作为研究对象。最新的DMSP/OLS数据为1992—2013年共22年全球夜间灯光影像数据，因此，本文基于卫星夜间灯光数据的中国分省碳排放时空模拟研究时间跨度区间为2000—2013年。夜间稳定灯光数据来源于美国国家海洋和大气管理局下属的国家地球物理数据中心网站，碳排放数据来源于中国碳排放数据库（China emission accounts and datasets），該数据库由英美中欧等多国研究机构的科研人员共同开发，包含全国、30个省区市（因西藏能源统计数据缺失，暂不包含西藏）和100余个地级以上城市的多尺度碳排放数据，分省人口规模、土地面积等数据来源于《中国统计年鉴》。

4.2 模型模拟整体效果

在通过相互校正、年内融合和年际间校正等系列处理获得2000—2013年30个省区市DMSP/OLS稳定夜间灯光亮度DN值的基础上，运用时空地理加权回归模型估计稳定夜间灯光亮度DN值及其空间滞后项W·lnDNit在不同年份对分省人均碳排放和单位面积碳排放的影响系数，通过交叉验证确定模型1与模型2的最优带宽分别为0.242 9和0.244 8，两个模型整体效果均较好，拟合优度分别高达96.74%和99.24%。从表1和表2的模型参数

估计描述统计结果来看，无论是人均碳排放还是单位面积碳排放，稳定夜间灯光亮度DN值及其空间滞后项W·lnDNit对其的影响系数变异较大，进一步表明基于卫星稳定夜间灯光数据对中国分省碳排放进行时空模拟时，需要将卫星夜间灯光数据的时空异质性纳入考虑范围，亦进一步证明选择时空地理加权回归模型来捕捉分省碳排放的时空动态特征更为科学。

在运用卫星稳定夜间灯光数据模拟中国分省人均碳排放和单位面积碳排放的基础上，根据各个省级区域的人口规模和人均碳排放、土地面积和单位面积碳排放对分省碳排放进行间接模拟（见表3—表5）。模拟结果显示，2000—2013年年均碳排放模拟值与实际值较为接近，两个模型相对误差均在0.5%以内，其中模型1模拟的2000—2013年年均碳排放为6.318 5×109 t，与实际年均碳排放6.334 9×109 t较为接近，绝对误差为-16.5×106 t，相对误差为0.3%；模型2模拟的2000—2013年年均碳排放为6.321 9×109 t，与实际年均碳排放6.334 9×109 t亦较为接近，绝对误差为-13.0×106 t，相对误差为0.2%。

4.3 模型模拟分年度分省域效果

分年度、分省域、分年度分省域的模型模拟结果（见表3—表5）显示，基于卫星夜间灯光数据的中国分省碳排放时空模拟效果良好。

分年度来看，所有年份的相对误差均在5%以内，其中2006年分省加总碳排放模拟值与实际碳排放最为接近，绝对误差和相对误差均较小，模型1与模型2的碳排放模拟值分别为6.200 9×109 t和6.206 2×109 t，与2006年实际碳排放6.203 6×109 t均非常接近，相对误差仅为0.04%（见表3）。

分省域来看，2000—2013年年均碳排放模拟结果与实际碳排放均非常接近，除海南和宁夏外，其余28个省区市的相对误差均在1%以内。其中模型1碳排放模拟相对误差在0.2%以内的省区市有天津、河北、山西、内蒙古、辽宁、上海、浙江、江西、广东、广西、重庆、甘肃、青海、新疆等地，模型2碳排放模拟相对误差在0.2%以内的省区市有北京、天津、河北、山西、内蒙古、辽宁、安徽、江西、广东、重庆、四川、贵州、甘肃、青海、新疆等地（见表4）。

分年度分省域来看，以2013年为例，除内蒙古、江苏、江西、河南、湖北、海南、重庆、青海、新疆等地外，其余省份的相对误差均在5%以内。其中模型1碳排放模拟相对误差在2%以内的省区市有河北、山西、辽宁、黑龙江、上海、浙江、广西、四川、贵州、云南、陕西、宁夏等地，绝对误差和相对误差最小的省份为四川，模型模拟值与实际碳排放几乎相等；模型2碳排放模拟相对误差在2%以内的省区市有天津、山西、辽宁、黑龙江、上海、浙江、广西、四川、贵州、云南、陕西、甘肃、宁夏等地，绝对误差和相对误差最小的 省份为甘肃，模型模拟值与实际碳排放非常接近，其相对误差只有0.1%（见表5）。endprint

4.4 模型模擬应用方向

从整体、分年度、分省域、分年度分省域的碳排放估算结果来看，基于稳定夜间灯光数据的中国分省碳排放时空模拟效果良好，表明运用卫星夜间灯光数据进行中国分省碳排放快速估算总体可行。《中国能源统计年鉴》是开展分省碳排放核算的重要数据基础，亦是开展分省降碳目标考核的重要依据，目前《中国能源统计年鉴》数据更新通常滞后一年，给分省碳排放核算和降碳目标考核带来较为严重的滞后性，难以满足对分省碳排放进行快速监测评估的要求。随着我国高分卫星数据应用面不断扩大，卫星遥感在应对气候变化领域亦发挥了全天候、立体、连续观测的独特优势，通过构建卫星遥感数据与碳排放之间的时空地理加权回归模型对分省碳排放进行反演，为分省碳排放监测和评估提供较为准确的数据参考，不失为卫星遥感大数据时代快速开展分省碳排放监测和评估的有效补充。

5 结论与讨论

本文综合运用DMSP/OLS全球夜间灯光影像数据及分省碳排放、人口规模、土地面积等统计数据，在经过相互校正、年内融合和年际间校正等系列处理获得中国分省稳定夜间灯光亮度DN值的基础上，构建了中国分省卫星稳定夜间灯光数据与人均碳排放和单位面积碳排放之间的时空地理加权回归模型，在对分省人均碳排放和单位面积碳排放模拟的基础上，基于人口规模和土地面积对中国分省碳排放进行了估算。估算结果显示，模型模拟值与实际碳排放较为接近，模型的拟合优度高达95%以上。从2000—2013年年均碳排放来看，两个模型全国年均碳排放的相对误差均在0.5%以内，大部分省份的相对误差在1%以内；从分年度分省域来看，大部分省份的相对误差在5%以内。

模型估算结果表明基于稳定夜间灯光影像数据的中国分省碳排放时空模拟效果良好，可以运用卫星夜间灯光数据对中国分省碳排放进行估算和预测，为卫星遥感影像数据服务分省碳排放监测和评估提供了一种补充性参考。随着全球和中国卫星遥感技术和应用水平的提高，开发应用卫星影像数据服务全球-国家-区域碳排放监测是未来的应用方向。重点是发挥遥感卫星影像数据全天候、广覆盖、客观准确的天然优势，充分利用中国自主遥感卫星影像数据和国外遥感卫星资源，将卫星影像数据与人口规模、土地面积等其他统计数据库进行对接并关联应用，形成卫星影像数据与统计数据耦合算法，对中国分省碳排放进行模拟，为区域碳排放监测和评估提供数据支撑。

参考文献（References）

[1]ELVIDGE C D， BAUGH K E， KIHN E A， et al. Relation between satellite observed visiblenear infrared emissions， population， economic activity and electric power consumption [J]. International journal of remote sensing， 1997， 18（6）：1373-1379.

[2]DOLL C N H， MULLER J P， ELVIDGE C D. Nighttime imagery as a tool for global mapping of socioeconomic parameters and greenhouse gas emissions [J]. Ambio， 2000， 29（3）：157-162.

[3]ODA T， MAKSYUTOV S. A very highresolution （1 km×1 km） global fossil fuel CO2 emission inventory derived using a point source database and satellite observations of nighttime lights [J]. Atmospheric chemistry & physics， 2010， 10（7）：16307-16344.

[4]RAUPACH M R， RAYNER P J， PAGET M. Regional variations in spatial structure of nightlights， population density and fossilfuel CO2 emissions[J]. 2010， 38（9）：4756-4764.

[5]GHOSH T， ELVIDGE C D， SUTTON P C， et al. Creating a global grid of distributed fossil fuel CO2 emissions from nighttime satellite imagery[J]. Energies， 2010， 3（12）：1895-1913.

[6]MENG L， GRAUS W， WORRELL E， et al. Estimating CO2， （carbon dioxide） emissions at urban scales by DMSP/OLS （defense meteorological satellite programs operational linescan system） nighttime light imagery： methodological challenges and a case study for China [J]. Energy， 2014， 71（7）：468-478.

[7]SU Y， ChEN X， LI Y， et al. Chinas 19year citylevel carbon emissions of energy consumptions， driving forces and regionalized mitigation guidelines [J]. Renewable & sustainable energy reviews， 2014， 35（C）：231-243.endprint

[8]苏泳娴.基于DMSP/OLS夜间灯光数据的中国能源消费碳排放研究[D].北京：中国科学院大学， 2015：97-102.[SU Yongxian. Study on the carbon emissions from energy consumption in China using DMSP/OLS night light imageries [D]. Beijing： University of Chinese Academy of Sciences， 2015：97-102.]

[9]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 Yongxian， CHEN Xiuzhi， YE Yuyao， 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.]

[10]SHI K， CHEN Y， YU B， et al. Modeling spatiotemporal CO2， （carbon dioxide） emission dynamics in China from DMSPOLS nighttime stable light data using panel data analysis[J]. Applied energy， 2016， 168（4）：523-533.

[11]郭忻怡，闫庆武，谭晓悦，等.基于 DMSP/OLS 与 NDVI 的江苏省碳排放空间分布模拟[J]. 世界地理研究， 2016， 25（4）： 102-110.[ GUO Xinyi， YAN Qingwu， TAN Xiaoyue， et al. Spatial distribution of carbon emissions based on DMSP/OLS nighttime light data and NDVI in Jiangsu Province [J]. World regional studies， 2016， 25（4）：102-110.]

[12]LIU Z， HE C， ZHANG Q， et al. Extracting the dynamics of urban expansion in China using DMSPOLS nighttime light data from 1992 to 2008[J]. Landscape & urban planning， 2012， 106（1）：62-72.

[13]肖宏偉，易丹辉.中国区域工业碳排放空间计量研究[J].山西财经大学学报，2013， 235（8）：53-62.[ XIAO Hongwei， YI Danhui. Spatial econometric study of Chinas regional industrial carbon emissions [J]. Journal of Shanxi Finance and Economics University， 2013， 235（8）：53-62.]endprint