夜间光源化石燃料二氧化碳排放图及其局限性外文翻译资料

英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

夜间光源化石燃料二氧化碳排放图及其局限性

赵肇星，李克森，林森，Nathan A. Currit

摘要

夜间照明的亮度已经被用作二氧化碳排放空间分解的指标，它基于夜间光影像数字数（DN）值与二氧化碳排放量之间的假定线性关系。然而，这些变量的线性关系的可靠性尚未得到彻底检查。在这项研究中，我们发现实际的整体相关性是指数的而不是线性的。更具体的分析显示，夜间光影像的DN值首先呈线性（从3到50），然后呈指数（从51到63），与二氧化碳排放量相关。不管使用线性或分段功能，我们开发的方法都有一些明显的局限性。在显著的局限性中，二氧化碳排放量在不照亮的地区无法观察到，夜间光照相同DN值的区域存在差异。最后，城市核心区域的二氧化碳排放量被大大低估。

引言

最初旨在收集关于月光的信息（Doll，2008）的国防气象卫星计划的运行线路系统（DMSP-OLS）的图像已被广泛用于评估和映射社会经济活动（如财富生产，电力消耗和化石燃料二氧化碳排放量（以下简称二氧化碳排放量））（Doll等人，2000; Doll等人，2006; Sutton等，2007）。 由于国家海洋和大气管理局（NOAA）国家地球物理数据中心（NGDC）发布了稳定的年度图像产品，其中删除了短暂灯（Baugh等，2010），定量估计了DMSP-OLS，使社会经济数据变得更加可靠方便。 DMSP-OLS夜间光图像数据是一种独特的遥感数据集，以相对较高的空间分辨率监测全球人类活动（Chen和Nordhaus，2010）。

空间分解的社会经济因素是夜间光影像的重要应用。自Doll等人（2000年）首先使用夜间光图像数据来分解国内生产总值（GDP）和二氧化碳排放量，具有相对较好的空间分辨率（从1公里times;1公里到1°times;1°）的全球和大陆GDP和二氧化碳排放量图基于社会经济因素和夜间照明亮度（或社会经济因素的对数和夜间亮度对数的对数）在国家或地方的尺度上的线性关系（Doll等，2006; Sutton和 Costanza ，2002）。近年来，按国家或省/州级别报告的人口统计数据（如国内生产总值（GDP），电力消耗和二氧化碳排放量）按照夜间光源像素的DN值分配给每个像素，随后在更精细的尺度上完成了社会经济因素的空间分析（Ghosh等，2010a和2010b; Oda和Maksyutov，2011;赵 等。，2011; 赵 等2012）。这些研究依赖于夜间光图像的数字数（DN）值与像素级的社会经济因素之间的假定线性关系。但是，准确性在像素级别的线性关系从未测试过。尽管在国家和地区层面上确实存在夜间光图像的DN值与社会经济因素之间的线性关系（Doll 等，2000; Lo，2002; Sutton等。，2007; 赵等。，2012）不能说这个由于可修改的面积单位问题，在空间尺度上获得的统计结果可能会在不同的空间尺度上变化，因此像素级别上仍然存在这种线性关系（Wrigley等，1996）。缺乏线性关系真实性测试的主要原因是不存在其他可靠的网格数据，具有足够精细的空间分辨率，可用作基准参考数据（赵等。，2012）。

在这项研究中，我们研究了夜间灯光亮度与美国连续二氧化碳排放量之间的关系。大气中二氧化碳浓度被广泛认为是主要原因之一，对于全球气候变化（Allen等人，2009; Cox等人，2000; Solomon等人，2009），因此映射二氧化碳排放可以大大有助于CO2的管理排放和预测全球气候变化。更重要的是，Vulcan美国化石燃料二氧化碳排放清单可用作测试遥感结论的基准参考数据。 Vulcan美国化石燃料二氧化碳排放清单由八个个别行业/使用部门建立。根据社会和地理属性，使用GIS工具，县级报告或以1°times;1°的空间分辨率收集的部门数据被缩减为10 kmtimes;10 km / 0.1°times;0.1°空间分辨率（Gurney et al ，，2009）。到目前为止，考虑到数据准确性和空间分辨率，Vulcan二氧化碳排放清单可能是美国最可靠的二氧化碳排放数据集（Ghosh等，2010a）。

本研究的主要目的是：（a）探讨夜间灯光亮度（稳定的轻型年度图像产品的DN值）与二氧化碳排放量之间的实际功能关系形式，（b）分析当夜间灯光的亮度仅用作映射二氧化碳排放的代理。为了实现这些目标，我们首先为连续的美国使用了夜间光图像的DN值与二氧化碳排放量之间的线性关系生成二氧化碳排放图，然后，我们建立了2002年稳定的轻年度图像复合材料的DN值与像素级二氧化碳排放量之间的实际相关性，并使用这些相关性生成了二氧化碳排放图。最后，我们比较了将假设和实际相关性应用于地图二氧化碳排放的优缺点，然后讨论了仅使用夜间光图像数据的缺点（而不是进一步的GIS 操纵或进一步使用遥感数据）来绘制二氧化碳排放量。

数据

从NOAA的NGDC（2012年地球观测组织）获得了2002年版本-4 DMSP-OLS稳定的年度图像复合材料。 这个年度图像复合材料是在NGDC数字档案馆中的特定日历年的所有可用的无云夜间照明图像产生的。 每一个通过卫星F15具有可见至近红外波段（0.4-1.1mu;m）的传感器收集无云夜间光图像。 短暂的灯光（通常是火灾）和背景噪音已经从年度图像复合材料中移除。 夜间灯光的年平均亮度由6位DN表示，因此在图像复合体中从0到63变化。 DN值为63的像素被定义为饱和像素（Elvidge 等，2009; Doll，2008）。 年度图像复合材料的详细算法和过程已被Baugh等人描述 （2010）。

2002年的Vulcan美国化石燃料二氧化碳排放清单用作基准参考二氧化碳排放数据，并从亚利桑那州立大学获得（可从http://vulcan.project.asu.edu/research.php获得）。火山灰二氧化碳总排放量由八个部门排放组成：住宅，商业，工业，电力生产，道路移动，非道路移动，飞机和水泥生产行业的排放。美国人口普查管理层的人口统计数据对住房，商业和工业部门排放量进行了缩减。道路上的排放量由GIS道路日期空间缩小。最后，火山灰排放总量和每个扇区排放光栅化到10公里times;10公里。将Vulcan清单与综合尺度的独立估计进行比较（Gurney等，2009）。与美国能源部和美国环境保护局在国家层面建立的二氧化碳排放数据相比，火山库存量达到非常高的一致，并且比二氧化碳排放0.1°times;0.1°的空气分辨率更接近实际的二氧化碳排放量。基于人口的方法产生的排放数据集（参见Gurney等人，2009年第5539页）。 Vulcan库存中最大的不确定性来源于车辆行驶里程的估计，因为车辆行驶里程可以直接影响道路和非道路行动部门的二氧化碳排放量（Gurney等人，2009年）。 Gurney等人已经详细描述了生产Vulcan CO2排放清单的方法（2009）。

连续的美国边界的向量层是由环境系统研究所（Esri）（Denko，1992）从世界数字图表中获取的。

方法

空间分解或映射二氧化碳排放的基本逻辑是，拥有更多商业和工业以及人口较多的地区，夜间通常会有更亮的灯光，并排放更多的二氧化碳。 但是，电厂是点二氧化碳排放源，其中排放大量的二氧化碳，夜间的灯光不足以与排放的二氧化碳量相称。 此外，由于电厂是点二氧化碳排放源，因此不需要分解源自发电厂的二氧化碳排放。

发电厂和发电厂地理坐标排放的二氧化碳排放量可以从亚利桑那州立大学获得（可从：http://vulcan.project.asu.edu/research.php），美国环境保护署（可从：http//www.epa.gov/ghgreporting/ghgdata/index.html）和碳监测行动（可从http://carma.org获得）。在以前研究使用夜间光图像数据来分解或映射二氧化碳排放量，排除了发电厂的排放（Ghosh等，2010a; Oda and Maksyutov，2011）。因此，在这项研究中，我们还将瓦努阿图二氧化碳排放总量中的电力生产部门排放量作为主要步骤。 Ghosh等人（2010a）和Oda和Maksyuto（2011）的方法，国家二氧化碳排放按照夜间光图像的DN值与每个像素分类，我们覆盖了瓦尔坎二氧化碳排放光栅层上的连续的美国边界层（图1），以获得连续美国的二氧化碳排放总量（减去二氧化碳排放量）。再次，我们在稳定的年度年度图像上覆盖了连续的美国边界层，以获得等于连续美国边界中所有点亮像素的DN值之和的总和光（SL）。然后计算一个总和光（由U表示）表示的二氧化碳排放量。最后，通过将稳定光图像与U的系数相乘来生成二氧化碳排放图（图2a）。通过等式1可以简化生成二氧化碳排放图（图2a）的整个过程：

其中DN是稳定灯图像的DN值。

上述线性函数是以稳定光图像的DN值和二氧化碳排放量之间的假定关系开发的。 为了探索稳定光图像的DN值与二氧化碳排放量之间的实际相关关系，我们将稳定的年度年度图像复合材料和瓦肯二氧化碳排放光栅图层叠加，以计算与具有相同DN值的像素相对应的平均CO2排放量 的夜间图像。 图3a示出了指数函数（等式2），可以更精确地描述夜间图像的DN值与邻近的美国的二氧化碳排放量之间的关系。

基于图3a中的指数函数生成了连续的美国的二氧化碳排放图（图2b）。 我们特别指出，使用指数函数，DN值为0的像素对应的二氧化碳排放量应为78.77吨C / km2 /年。 在这个分析中，我们假设，像以前的研究一样，没有观察到夜间灯光的地区是不发达的地区，因此不应该产生任何估计的社会经济因素（Ghosh 等，2010a; Oda 和 Maksyutov，2011; 赵等，2012）。 我们假设DN值为0的像素的CO2排放量为0吨C / km2 /年。

虽然指数相关性非常显着（R2 = 0.88，P lt;0.01），二氧化碳排放量在当DN值大于60时，DN值为50〜60，大大低估（图3a）。当DN值小于50时，线性函数更准确地描述了相关性。然而，在DN值达到50之后，指数函数最适合描述夜间光图像的DN值与二氧化碳排放量之间的关系。

图1.不包括发电二氧化碳排放量的总体二氧化碳排放量。

图2.（a）线性，（b）指数和（c）和分段函数产生的二氧化碳排放图。

图3.夜间光图像的DN值与连续美国的二氧化碳排放量之间的相关性。 由于其与稳定光图像产品中的其他DN值不相容，因此，图3c中的DN值不包括在图3c的回归中。

为了在郊区检测昏暗的灯光，通常为OLS设定相对较大的增益值。虽然这样的设置提供了更多的夜间检测灯，他们也导致在城市非常明亮的灯光下观察到像素饱和度的出现（Doll，2008）。在6位稳定的光图像中复合最大DN值为63被分配给饱和像素。 63的值没有缩放到其他较低的DN值，因此被排除在指数函数的回归之外（图3c）。通过覆盖Vulcan二氧化碳排放栅格层上的夜间光图像，我们获得了2,736.69吨C作为DN值为63的像素的平均CO2排放量。由于所有饱和像素的实际DN值绝对大于50 ，线性和指数函数之间的转换点，饱和像素的亮度和二氧化碳排放量之间的定量相关性应该通过指数函数（即图3c中的方程式）比线性函数更准确地描述（即，方程式）。因此，在指数函数（即图3c中的等式）之后回归，我们将2,736.69的值置于指数函数中，得到相应的DN值为71.61。所以我们重新估算所有的饱和像素DN为71.61。已经发现，当选择50作为线性和指数函数之间的转变点时，两个回归函数的精度（即回归函数的R2）同时达到最大程度。推进我们的方法，我们将整个回归分为两个部分（图3b和3c），并将指数函数（即图3a中的方程）修改为分段函数：

基于公式3生成了连续美国的另一个二氧化碳排放图（图2c）。

为了比较上述三种不同功能（即方程式1,2和3）生成的地图的精度，我们制作了另外三张地图（图1a，1b和1c），显示了二氧化碳排放空间分布之间的差异，通过从线性，指数和分段函数产生的二氧化碳排放图中减去瓦尔坎二氧化碳排放量图，分别预测夜间灯图像数据和二氧化碳排放量的实际空间分布。 我们还计算了三个二氧化碳排放图的均方根误差（RMSE）

板块1.通过（a）线性，（b）指数和（c）分段函数估算的实际二氧化碳排放和二氧化碳排放之间的差异。 （差异=估计二氧化碳 - 蒸气CO2）。

图4.加利福尼亚夜间光图像的DN值与二氧化碳排放量之间的相关性。 由于与稳定光图像产品中的其他DN值不相容，图4c中的DN值从图4c中的回归中排除。

其中n是每个差值图（板1a，b和c）中的像素总数，CO2是由夜间光图像数据估计的每个像素的CO 2排放量，CO 2是 二氧化碳排放量的二氧化碳排放量图。

为了测试不同地理尺度下稳定光图像的DN值和二氧化碳排放量之间的相关性是否相异，我们在国家规模下再次建立了相关性（图4,5和6）。 三个州（加利福尼亚州，德克萨斯州和佛罗里达州）被选中，因为它们在美国的照明面积相对较大。 大型照明区域提供了统计分析中涉及的足够数量的像素，从而导致随机误差的相对较小的不利影响。

图5.德克萨斯州夜间光图像的DN值与二氧化碳排放量的相关性。 由于与稳定光图像产品中的其他DN值不相容，图5c中的DN值被排除在图5c的回归中。

图6.佛罗里达州夜间光照图像的DN值与二氧化碳排放量之间的相关性。 由于其与稳定光图像产品中的其他DN值不相容，图6c的回归中排除了63的DN值。

结果与讨论

图3，图4，图5和图6显示了夜间灯光亮度与国家和国家层面不变的二氧化碳排放量之间的功能关系：（a）总体相关性是指数型而不是线性的; （b）在夜间光图像的D

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[26126]，资料为PDF文档或Word文档，PDF文档可免费转换为Word