doi10.12006/j.issn.1673-1719.2018.069范志欣 , 方修琦 , 苏筠 . 全球碳排放格网化格局的变化 [J]. 气候变化研究进展 , 2018, 14 5 505-512全球碳排放格网化格局的变化范志欣1,2，方修琦1,2，苏 筠1,21 北京师范大学环境演变与自然灾害教育部重点实验室，北京 100875；2 北京师范大学地理科学学部，北京 100875气候变化研究进展第 14 卷 第 5 期 2018 年 9 月 CLIMATE CHANGE RESEARCHVol. 14 No. 5September 2018摘 要 基于世界各国年碳排放总量数据和人口密度数据，将人口密度作为一项经济 - 人口综合指标来对碳排放进行空间分配，运用 ArcGIS空间分析工具，做出了 1950年、 1980年、 2014年共 3期的全球碳排放空间分布格局图 （ 0.1˚ 0.1˚，并对各期分布格局及变化进行了比较分析。结果显示 1950 年主要碳排放区为美国的东部和欧洲地区， 1980 年新增中国东部、日本、韩国等为全球碳排放的主要区域， 2014 年新增印度、东南亚为主要排放区。各碳排放区的排放量总体上大幅增加，少数地区略有减少，这与其工业发展所处的不同阶段有关。该数据能够反映当前全球不同区域的碳排放水平的空间格局，为全球变化研究提供基础数据。关键词 碳排放；空间分布；高分辨率；气候变化；全球收稿日期 2018-05-08； 修回日期 2018-06-24资助项目 国家重点研发计划“全球变化与应对”专项（ 2016YFA0602704）作者简介 范志欣，女，硕士研究生；方修琦（通信作者 ，男，教授， 引 言人口和经济增长导致的温室气体排放增多，极有可能是 20 世纪中叶以来观测到的全球变暖的主要原因[1]。由于世界区域经济发展水平不均、人口密度差距较大，人为温室气体排放量在不同区域存在较大的差异。而随着全球变化研究的逐渐深入，陆地系统结构及其服务功能未来情景研究对基础输入数据空间分辨率的要求越来越高。如何提高全球气候模拟数据的分辨率，以满足全球、区域乃至局地陆地生态系统全球变化响应的定量分析，并提供友好的、可存取的气候资料大数据，从而让社会公众和政策制定者有可能通过利用气候资料的大数据，减少对气候变化与变率的脆弱性[2]，是当今全球气候变化研究的核心内容之一[3]。因此，有必要温室气体排放把碳排放数据映射到地理网格、提高空间分辨率、模拟和反映小尺度上的细致结构变化，实现碳排放空间分布信息像元栅格的转换。当前全球尺度的空间碳排放差异主要是从国家层面展开的[4]，受限于国家或者较大的空间尺度，在实际利用过程中难以提供细节信息。而在碳排放网格化产品的研究中目前已有的主要产品包括嗅探卫星产品[5-7]和数据库产品[8-11]两大类。但是嗅探卫星产品主要是测量大气中的温室气体浓度状态，无法体现不同区域的排放差异。而现有的碳排放网格化数据库基本是计算 1990 2014 年的数据，且分辨率较低，存在着年份单一、分辨率较低、数据偏重现状等问题。由于世界经济和人口不断增长、区域发展政策的转变、工业发展进程差异等原因[12]，全球碳排放空间格局不断发生气候变化研究进展 2018 年506温室气体排放变化。两类产品都无法体现不同历史时期碳排放网格化分布格局的变化情况，相关研究也有所欠缺。因此，建立高分辨率、不同时期的碳排放空间格局并分析其变化，可以为理解区域碳排放变化与经济发展过程、制定差别责任下的减排政策等提供依据，并能为气候变化、极端事件等研究提供高分辨率模式数据[13]。本研究基于人口密度数据，利用 ArcGIS 空间分析功能对碳排放数据进行空间格网化，建立1950年、 1980年、 2014年的全球碳排放 0.1 0.1的空间数据分布图，并分析全球碳排放格局的变化特点。1 数据来源及方法已有碳排放网格化数据库产品根据不同的指标进行空间分配，主要的指标有人口数据[8]、夜间灯光数据[14]以及各部门的代用指标[15]。其中，人口是一个常用的指标。人口数量与温室气体的排放量之间存在密切的关系，人口规模对二氧化碳排放量的弹性系数在 1 ～ 1.65 之间[16-18]。人口密度网格化比人口密度行政单元化更接近人口的实际分布，而且是实现人口数据与其他社会经济统计数据、资源数据、环境数据复合，提高人口、资源、环境综合管理能力的重要途径之一[19]。因此，本文将网格化人口密度作为经济 - 人口综合影响因素，用以计算人口密度加权的全球碳排放空间分布格局的基础数据。本文所需的基础数据主要为不同时期的世界各国碳排放数据和同期对应的人口密度网格数据。1.1 数据来源碳排放数据来自美国橡树岭国家实验室二氧化碳信息分析中心（ CDIAC）化石燃料燃烧释放二氧化碳总量数据[20]。数据年份为 1950 年、 1980 年和 2014 年，分别包含 157、 191 和 220 个国家或地区（以下简称国家。该数据主要代表化石燃料（包括固体燃料、液体燃料、气体燃料）燃烧释放的二氧化碳，以及水泥生产过程排放和天然气系统火炬排放。数据年份从 1800 年到 2014 年。数据具有代表性和可用性。其中 1950 年和 1980 年存在尚未独立的国家和地区，则并入其当年的殖民地国家进行计算。人口密度数据为栅格数据。其中 1950 年和1980 年人口密度数据来源于荷兰环境评价局“全球历史环境数据集”①（ Historical Database of the Global Environment，以下称为 HYDE 数据集）全球人口密度网格化数据， 2014 年人口密度数据（缺乏，用 2015 年数据替代）来源于美国哥伦比亚大学 SEDAC 数据库②的全球人口分布网格化数据，能体现当前世界人口密度分布的现状。两个数据集都具有代表性和典型性[21]。另外，本文使用ArcGIS 相关工具将两个数据进行分辨率的一致化处理。1.2 研究方法本研究旨在比较不同历史时段的世界碳排放分布格局变化，因此选取 1950 年、 1980 年和 2014年 3 年的数据，分别代表 20 世纪 50 年代、 20 世纪 80 年代、 21 世纪 10 年代（现在）的世界碳排放格局，时间间隔约 30 年。研究中将全球各国碳排放数据按照其当年的人口密度分布进行加权处理，即将原本每一个国家的统一碳排放总量数据（ 1950 年、 1980 年、 2014 年，依照人口密度空间分布方式重新进行网格化的分布，以得到人口密度加权的全球碳排放的空间分布格局（图 1。主要算法及步骤如下① http//themasites.pbl.nl/tridion/en/themasites/hyde/。② http//sedac.ciesin.columbia.edu/。式中 i 表示栅格， Ei表示某国第 i 个栅格的碳排放量（ kt C， Pi表示该国第 i 个栅格的人口密Ei E′。 1PiSP5 期 507范志欣，等全球碳排放格网化格局的变化图 1 碳排放分布方法流程图Fig. 1 Flow chart of carbon emissions distribution全球碳排放基础数据 人口密度基础数据人口密度网格化数据全球碳排放网格化数据属性表相连确定国家边界栅格化处理加权比重重新分配的全球碳排放空间分布数据度（人 /km2，SPi为该国人口密度栅格总和， E′为该国年碳排放总量（ kt C。通过 1 式对国家的碳排放总量数据进行空间分布的重新分配，得到基于人口密度的碳排放空间分布格局数据。最终，得到的数据集基本属性如表 1。表 1 全球 0.1˚ 0.1˚ 碳排放空间分布图数据集元数据信息Table 1 Global 0.1˚ 0.1˚ carbon emissions metadata profile条目 描述数据集名称数据集英文简称地理区域数据年代时间分辨率空间分辨率数据格式全球 0.1˚ 0.1˚ 碳排放空间分布图数据集Carbon Emissions 2014,1980,1950除南极大陆以外的全球陆域范围1950 年， 1980 年， 2014 年1 年0.1˚ 0.1˚Tiff, ArcGIS Layer2 结果与分析2.1 不同时期全球碳排放的空间分布计算得到的 1950 年、 1980 年和 2014 年的碳排放空间分布格局分别见图 2、图 3 和图 4。1950 年（图 2，全球每 0.1 0.1网格碳排放区间为 [0,332] kt C。全球的碳排放网格化平均值为0.78 kt C，高于平均值的网格面积占比为 9.65，这一阶段的主要碳排放区（网格碳排放值 2 kt C 的集中区域）为美国的东部和欧洲西部的英国、法国、德国、波兰、捷克、斯洛伐克等地区。1980 年（图 3，全球每 0.1 0.1网格碳排放区间为 [0,684] kt C，全球的碳排放网格化平均值为2.29 kt C，高于平均值的网格面积占比为 11，美国东部和欧洲地区仍为主要碳排放区域，包括英国、法国、德国、波兰、捷克、斯洛伐克、匈牙利、罗马尼亚、荷兰、比利时。亚洲东部（中国东部地区、90˚N60˚N30˚NEQ30˚S60˚S90˚S90˚W150˚W 30˚E30˚W 90˚E 150˚E0 ～ 2010 ～ 202 ～ 5 5 ～ 1020 ～ 50 50 ～ 100 100 ～ 332网格碳排放 /kt C图 2 1950 年全球碳排放格网化分布Fig. 2 Distribution of global carbon emissions in the year 195090˚N60˚N30˚NEQ30˚S60˚S90˚S90˚W150˚W 30˚E30˚W 90˚E 150˚E0 ～ 2010 ～ 202 ～ 5 5 ～ 1020 ～ 50 50 ～ 100 100 ～ 684网格碳排放 /kt C图 3 1980 年全球碳排放格网化分布Fig. 3 Distribution of global carbon emissions in the year 198090˚N60˚N30˚NEQ30˚S60˚S90˚S90˚W150˚W 30˚E30˚W 90˚E 150˚E0 ～ 2020 ～ 502 ～ 5 5 ～ 1050 ～ 100 100 ～ 700 700 ～ 7936网格碳排放 /kt C10 ～ 20图 4 2014 年全球碳排放格网化分布Fig. 4 Distribution of global carbon emissions in the year 气候变化研究进展 2018 年508温室气体排放日本等）和南非地区新增为碳排放高值区。2014 年（图 4，全球 0.1 0.1网格的碳排放区间为 [0,7936] kt C，全球的碳排放网格化平均值为 6.21 kt C，高于平均值的网格面积占比为 12，并且这一阶段除北美东部和欧洲西部外，亚洲东部、南部地区（中国东部、日本、印度、泰国、菲律宾、印度尼西亚、马来西亚等国家）亦成为碳排放的主要高值区（网格碳排放值高于 2 kt C 的集中区域 ，非洲的南非、尼日利亚等国家以及阿尔及利亚和摩洛哥的北部地区也有明显增加。对比不同历史时期排放值的最高值， 1980 年最高碳排放值是 1950 年的 2.06 倍， 2014 年最高碳排放值分别是 1950 年和 1980 年最高排放值的 23.81、11.56 倍，网格碳排放的最大值明显增大。另外，对比网格碳排放数值区间所占比例（图 5 可见， 1950年、 1980 年、 2014 年 3 个时段分布最多的数据区间均为 [0,1]， 1950 年排放量 1 kt C 的网格所占比例为 91.78， 1980 年为 83.12， 2014 年为 72.66，网格碳排放量逐渐向更高的排放值转移，表明全球更多地区碳排放值增加，且更高排放值区间比例越来越高。2.2 全球碳排放的空间变化特点分别用 1980 年的碳排放格网化值减去 1950 年的碳排放格网化值， 2014 年的碳排放格网化值减去1980 年的碳排放格网化值，可以得到两个 30 年间全球碳排放量格网化的格局变化图（图 6，图 7。从 1950 年到 1980 年期间，全球大部分区域的碳排放均呈现增加的趋势，但是增加的数值及速率相对较小。这一阶段碳排放增加最显著的地区为欧洲地区，其他地区虽然增加但增加相对较慢。主要原因是欧洲地区最先完成现代工业化进程，而第二次世界大战之后发展中国家的工业和经济仍处于刚刚起步阶段，依赖化石能源消耗的重工业还未得到大力发展。这一阶段主要有两个碳排放减少的区域，分别为美国中部、非洲南部地区，但是减少的幅度都较低。美国碳排放总量和东、西部的碳排放均呈现增加的现象，而中部的碳排放则减少，主要是由于其人口分布情况发生了变化， 1945 年以后美国人口逐渐从东北、中部地区向南部和西部各州迁移[22]。非洲南部碳排放减少的国家主要有坦桑尼亚、赞比亚、津巴布韦、博茨瓦纳，主要是由于 1950 年其仍属于英国的殖民地，故而 1950 年的碳排放数据是将图 5 不同时段全球网格化碳排放量的分段比例Fig. 5 Fractional proportion of global gridded carbon emissions at different times701950 年 1980 年 2010 年1950 年1980 年2010 年38.9137.4311.860 0～ 152.8745.6960.803.005.106.461.342.363.400.831.542.400.521.111.660.622.934.370.481.252.320.650.641.430.430.872.400.160.360.960.060.190.520.050.130.320.080.360.970.000.030.110.000.000.010.000.000.000.000.000.001～ 2 2～ 3 3～ 4 4～ 5 5～ 10 10～ 1515～ 2020～ 4040～ 6060～ 8080～100100～500500～15001500～35003500～65006500～80006050403020100百分比/分段碳排放 /kt C5 期 509范志欣，等全球碳排放格网化格局的变化90˚N60˚N30˚NEQ30˚S60˚S90˚S90˚W150˚W 30˚E30˚W 90˚E 150˚E-10～- 5-55～- 105 ～ 20-5 ～ 0020 ～ 50 50 ～ 100 100 ～ 542网格碳排放 /kt C0 ～ 5图 6 1980 年与 1950 年对比碳排放格网化差值分布Fig. 6 Change in carbon emission between 1980 and 195090˚N60˚N30˚NEQ30˚S60˚S90˚S90˚W150˚W 30˚E30˚W 90˚E 150˚E-100～- 10-6600～- 1005 ～ 20-10～- 50 20 ～ 5050 ～ 100 100 ～ 600网格碳排放 /kt C0 ～ 5-5～ 0600 ～ 2377图 7 2014 年与 1980 年对比碳排放格网化差值分布Fig. 7 Change in carbon emission between 2014 and 1980英国的碳排放数据按照人口总数比例进行分配的，而它们在 20 世纪 60 年代中期先后脱离英国走向独立，故而 1980 年独立后数据减少。另外，伊朗也是一个 1980 年碳排放明显减少的地区，主要原因是1980 年伊朗与伊拉克的“两伊战争”使得其经济、工业等受损严重，碳排放量减少。另外一方面，非洲在 20 世纪经历了两次经济转型。 20 世纪初，在西方资本主义扩张浪潮中，殖民者推动非洲从传统经济向殖民地经济转型。 1960 年代非洲国家独立后，开始建立独立的民族经济，并且向现代化过渡，但效果并不理想[23]。非洲国家的经济转型也是导致其碳排放减少的主要原因。从 1980 年到 2014 年期间，全球不同区域呈现了不同的碳排放变化趋势。其中增加幅度最大的地区为亚洲东部、南部地区，主要为中国东部、印度、日本、韩国等，主要减少区域为北美洲和欧洲部分地区。 1980 年以后，亚欧大陆部分地区和北美洲等地区出现了碳排放减少的现象，北美洲减少幅度较低，欧洲地区减少幅度较大。主要原因有两点首先由于 1992 年之前苏联为统一的碳排放值， 1992年苏联解体，各国开始分别统计各自碳排放数据，导致独立出来的原苏联国家的碳排放减少。另外，与不同国家和地区在不同时间所处的工业和经济发展阶段不同有一定的关系。苏联解体后，经济动荡，重工业严重萎缩，这些国家进入经济转型阶段，转型初期普遍经历了大幅度产量下滑的过程， 21 世纪以来才逐渐恢复转型前水平[24]。另外亚洲西部地区从1950 年到 2014 年表现为高排放量的面积逐渐扩大，东亚和南亚地区为 1980 年之后的碳排放高值区。2.3 讨论目前，大多数研究和最新验证都支持碳排放与经济发展存在“倒 U 型”曲线关系，即环境库兹涅茨曲线（ EKC）[25]，不同经济发展阶段的碳排放模式有所不同。 1950 1980 年全球大部分地区空间碳排放均呈现增加的趋势，而 1980 年以后部分区域开始出现减少趋势，这一阶段碳排放量迅速增加的区域主要是由其工业进入快速增长的发展阶段所决定的。以中国为例， 1978 年之后中国开始实行改革开放的政策，大力招商引资和发展工业。在 1980 年到2014 年这一阶段中国的工业发展处于工业化初级阶段和初级产品生产阶段，人均能源消耗量和人均电力消耗量与人均 GDP 之间存在高度相关关系[26]。经济对能源的依赖程度很大，因此经济的快速发展必然会导致碳排放量的大幅度增加，在 2000 年以后中国的碳排放增加尤为迅速。另外，不同工业发展阶段的碳排放量也存在一定的差异。主要工业化发达国家的碳排放强度随时间呈现出先增加而后逐渐减小的过程，随着时间的推进呈现出趋同的态势，且工业化发达国家的工业化进程遵循先轻工业化、后重工业化、再高加工组合化的规律[12]。而新兴经济体国家的工业化进程显著缩短，呈现出一种压缩型的工业化发展模式[27]。自 1850 年工业革命以来全球碳排放持续增加，但是不同阶段主要排放国家不同。发达国家的碳排放累积主要在 1990 年之前， 1850 1990 年累积排放气候变化研究进展 2018 年510温室气体排放占总累积排放的 70；而发展中国家的碳排放累积主要在 1990 年以后。发达国家之中，除美国持续线性增长，日本 20 世纪 70 年代短期剧增外，大部分发达国家自 20 世纪 70 年代开始趋于平稳， 1990 年以后平稳或略有下降[28]。因此本研究所对比的 1980年和 2014 年两期数据，大部分发达国家基本完成了工业化初级阶段，开始走向工业转型，它们已经完成了碳排放的累积过程。这使得发达国家的碳排放现状有所减少，甚至已经小于部分发展中国家。而包括中国、印度、巴西等在内的发展中国家在 1950年之后碳排放才开始呈指数增加， 1970 年之后增加更为显著，成为全球碳排放的重要来源，正是本文所研究的 1980 年到 2014 年这一阶段，这也正是发展中国家工业快速发展的阶段，碳排放量必然较多。另外，现今阶段发展中国家产生的碳排放，很多是由发达国家进行消费的，而碳排放责任应由生产者与消费者以一定的分配比例共同承担[29]，现阶段等量的碳排放对发展中国家有更大的边际效益[30-31]，因此减排对发展中国家的经济发展和人民生活水平的提高的限制和影响也都更大[32]。此外，本数据集存在一定的不确定性。本文的计算基于假设一个国家内人均碳排放是均等的，一个地区的碳排放与人口数量正相关，但是现实不会完全符合此假设前提。比如，由于我国存在能源基地与经济中心分离的现象，能源大规模长距离输送的数量非常可观，这会导致西部某些能源大省的排放量被低估，能源跨区域调配现象在其他国家也有存在。又如，由于城市与乡村人口的生活方式存在差异，其人均碳排放量不同。因此，该假设及其简化算法会产生一定的不确定性。目前，减排的发展理念已逐渐被全球大多数国家所接受，许多国家陆续提出多种减排方案。但是在制定相关减排方案的时候，也要关注不同国家所处的工业发展阶段不同，应在遵循联合国气候变化框架公约“共同但有区别的责任”原则的基础上，结合不同国家的经济发展现状，考虑社会、经济和气候相互结合的评估模式[33]，合理制定方案，明确发达国家的碳排放历史责任，分别制定适合于发达国家和发展中国家的减排方案。3 结 论本文将人口密度作为经济-人口综合影响因素，基于各国年碳排放总量数据（ CDIAC）和人口密度数据（ SEDAC，将人口密度作为一项经济-人口综合指标来对碳排放进行加权，运用 ArcGIS空间分析工具，做出了 1950 年、 1980 年、 2014 年共 3 期的碳排放空间分布情景，得到了全球人口加权碳排放量数据集（ 0.1 0.1，并将每 30 年的情景进行了比较分析，更细致地反映了碳排放空间格局的变化，主要结论如下。1 1950 年全球每 0.1 0.1网格碳排放的区间为 [0,332] kt C，全球的碳排放网格化平均值为0.78 kt C，高于平均值的网格面积占比为 9.65。1980 年全球网格碳排放区间为 [ 0,684] kt C，全球的碳排放网格化平均值为 2.29 kt C，高于平均值的网格面积占比为 11。 2014 年全球网格的碳排放区间为 [0,7936] kt C，全球的碳排放网格化平均值为6.21 kt C，高于平均值的网格面积占比为 12。2 1950 年主要碳排放区为美国的东部和欧洲地区， 1980 年新增中国东部、日本、韩国等为全球碳排放的主要区域， 2014 年新增印度、东南亚为主要排放区，各碳排放区的排放量大幅增加，且更高碳排放值区间所占的比例越来越高。3 1950 年到 1980 年期间，全球大部分区域的碳排放均呈现增加的趋势，但是增加的趋势相对较小，这一阶段碳排放增加最显著的地区为欧洲地区。1980 年到 2014 年期间增加幅度最大的地区为亚洲东部地区，主要为中国东部地区、印度、日本、韩国等，主要减少区域为北美洲和欧洲部分地区。碳排放空间上的变化差异与不同国家所处的工业发展阶段有关。参考文献IPCC. Climate change 2014 synthesis report [M]. Geneva IPCC, 2014赵宗慈 , 罗勇 , 黄建斌 . 对气候资料的新挑战 [J]. 气候变化研究进展 , 2017, 13 6 629-630范泽孟 , 岳天祥 , 陈传法 . 全球平均气温未来情景的降尺度分析 [J]. 地理科学进展 , 2012, 31 3 267-274佟昕 , 李学森 . 区域碳排放和减排路径文献前沿理论综述 [J]. 经济[1][3][2][4]5 期 511范志欣，等全球碳排放格网化格局的变化[9][10][11][18][19][20][21][22][23][24][7][8][12][13][14][15]问题探索 , 2017 1 169-176Yokota T, Yoshida Y, Eguchi N, et al. Global concentrations of CO2 and CH4 retrieved from GOSAT first preliminary results [J]. Scientific Online Letters on the Atmosphere Sola, 2009, 5 1 160-163 Frankenberg C, Fisher J B, Worden J, et al. New global observations of the terrestrial carbon cycle from GOSAT patterns of plant fluorescence with gross primary productivity [J]. Geophysical Research Letters, 2011, 38 17 351-365Liu Y, Duan M, Cai Z, et al. Chinese carbon dioxide satellite TanSat status and plans [C]// AGU Fall Meeting. AGU Fall Meeting Abstracts, 2012 Andres R J, Marland G, Fung I Y, et al. A 1˚ 1˚ distribution of carbon dioxide emissions from fossil fuel consumption and cement manufacture, 1950-1990 [J]. Global Biogeochemical Cycles, 1996, 10 3 419-429Rayner P J, Raupach M R, Paget M, et al. A new global gridded data set of CO2 emissions from fossil fuel combustion ology and uation [J]. Journal of Geophysical Research Atmospheres, 2010, 115 D19 1485-1490Oda T, Maksyutov S, Elvidge C D. Disaggregation of national fossil fuel CO2 emissions using a global power plant database and DMSP nightlight data [J]. Proceedings of the Asia-Pacific Advanced Network, 2010, 30 219-228Fan Z X, Su Y, Fang X Q. Population based global carbon emissions dataset in 0.1˚ resolution 2014 [J]. Journal of Global Change Data 2 Faculty of Geographical Science, Beijing Normal University, Beijing 100875, ChinaAbstract Based on the global carbon emissions data from the Carbon Dioxide Ination Analysis Center, and population density data from the Socioeconomic Data and Applications Center, the ArcGIS spatial analysis tools were used to integrate population density as an economic-population composite indicator for weighted carbon emissions for 1950, 1980, and 2014. The resulting Global Population-Weighted Carbon Emissions Dataset at 0.1 0.1 resolution shows that In 1950, the main carbon emission areas were the eastern part of the United States and Europe. In 1980, the eastern part of China, Japan, and South Korea were added as the main areas of global carbon emissions. In 2014, India and Southeast Asia were newly added as major emission areas. Carbon emissions have increased substantially in general and decreased slightly in a few areas, which is related to the different stages of industrial development. The dataset can reflect the change of global carbon emissions spatial distribution and provide basic data for global climate change research.Keywords Carbon emissions; Spatial distribution; High resolution; Climate change; GlobeFAN Zhi-Xin1, 2, FANG Xiu-Qi1, 2, SU Yun1, 2