高分辨率地图显示了中国工业碳排放的时空动态及其规模分布规律

《Resources, Conservation and Recycling》：High-resolution mapping reveals spatiotemporal dynamics and scaling law of industrial carbon emissions in China

　　刘子岩|刘伟|冯琦|朱萌|薛圆圆|王凌格|尹新伟|王波|苏英青|高向龙|闫欣|张菊涛|李安远|张琪
中国科学院西北生态环境资源研究院干旱地区生态安全与可持续发展重点实验室，兰州730000，中国

**摘要**
工业领域占中国碳排放量的70%，使其成为实现国家碳中和目标的关键部门。然而，对中国工业碳排放的时空动态的高精度理解仍然有限。在此，我们提出了一个基于土地利用概率和机器学习的映射框架，生成了2000-2020年期间30米分辨率的工业碳排放地图。此外，我们分析了工业排放的时空演变及其与城市规模的关系。结果表明，所提出的方法具有较高的建模精度（R2 = 0.77）和强大的空间精度。我们发现工业排放变得更加集中，区域极化现象加剧。我们还发现了显著的区域异质性，表现为明显的南北差异：由于工业遗产和能源结构的差异，北方城市的工业碳排放通常高于人口规模相似的南方城市。这项研究为理解中国的工业碳排放提供了更准确的数据基础，为制定实现双重碳目标所需的区域特定减排政策提供了重要的科学支持，并为全球碳排放监测提供了一种可转移的方法论框架。

**引言**
全球气候变化是当今人类面临的最严峻挑战之一，对生态系统和人类福祉产生了重大影响（Denissen等人，2022；Hulme等人，2018；Rowland等人，2025；Wernberg等人，2025）。鉴于碳排放是全球变暖的主要驱动因素，有效控制这些排放已成为全球气候行动的核心问题（Allan等人，2023；Friedlingstein等人，2011；Solecki等人，2024）。作为世界上最大的碳排放国，中国的减排战略和成果在实现全球气候目标中起着关键作用（Liu等人，2022，2015）。目前，中国设定了双重碳目标：到2030年达到碳排放峰值，到2060年实现碳中和（Liu等人，2025；中华人民共和国国务院，2021）。这一目标要求其经济和社会发展模式发生深刻变革。工业部门作为中国经济的支柱，贡献了40%的国内生产总值，并占全国碳排放量的70%以上（Ouyang和Lin，2015；Zhang等人，2014）。因此，工业排放的脱碳对于中国能否按时实现双重碳目标至关重要。

有效的工业减排政策需要高分辨率的时空数据，以便精确定位排放热点、跟踪随时间的变化，并在细粒度空间尺度上评估缓解措施的影响。根据政府间气候变化专门委员会（IPCC）的指南，“自下而上”的方法（依赖于详细的官方能源平衡表）被认为是估算工业排放的标准（IPCC，2019；Xia等人，2024；Xu等人，2024）。然而，在中国，能源统计数据通常仅在省级层面可用，限制了这种方法在更细粒度空间尺度上的应用。为了克服这一问题，一些研究尝试使用工业产出等代理变量进行降尺度分析（例如，碳排放账户和数据集CEADS），但由于数据稀疏和不一致，这些方法在更细的尺度上存在局限性（Oda和Maksyutov，2011；Shan等人，2017；Zhang等人，2024）。这一尺度挑战促使学术界转向“自上而下”的遥感估算方法，夜间光照（NTL）数据因其与经济活动的关联而被广泛使用（Liu等人，2023；Meng等人，2014；Wang等人，2024，2023；Yang等人，2020，2023；Zhang等人，2023）。然而，NTL数据主要反映居民和商业用电情况，与工业活动的关联较弱（Cai等人，2023；Guo等人，2023；Gurney等人，2019；Yao等人，2025）。这对于连续运行且远离城市中心的重工业设施（如钢铁和水泥厂）尤其如此（Lu和Liu，2014；Wei等人，2021）。NTL数据可能会严重低估或忽略这些关键来源的排放强度（Doll等人，2000；Ghosh等人，2010）。为了解决NTL的偏差，一些研究尝试使用工业用地的空间分布来约束排放源位置（Luo等人，2023；Wang和Ren，2025；Wu等人，2021）。虽然这种方法有前景，但面临两个挑战：（1）缺乏高精度、时间一致的国家级工业用地数据（Yoo等人，2025，2024）；（2）工业用地的二元分类未能捕捉到地块内的排放强度变化，从而限制了其空间精度。

数据可用性和方法论方法的局限性限制了目前对中国工业碳排放时空演变的理解，目前的研究主要集中在省级和城市层面的宏观分析（Liu等人，2024）。现有研究主要关注省级和城市层面的宏观分析，揭示了诸如东西部地区排放不平衡以及排放中心逐渐向内陆转移等总体趋势（Lamb等人，2021；Wang等人，2019；Xiong等人，2025）。像长江三角洲、珠江三角洲和京津冀这样的城市集群在排放分布、不平等现象和缓解策略方面已被广泛研究（Chen等人，2021，2019；Xu等人，2017）。然而，这种宏观视角掩盖了省和城市集群内部的巨大异质性，因为城市层面的汇总数据无法捕捉其组成县区的细微排放动态（Vagnini等人，2025）。重要的是，政策是在县级层面制定、实施、监测和评估的（Chen等人，2020；Liu和Ge，2025；Liu等人，2023）。然而，诸如工业排放的空间聚集和时空演变等关键问题在这个层面上仍不够深入探讨，阻碍了自上而下的国家战略与自下而上的地方行动之间的协调。

在此基础上，出现了一个更根本的科学探究——超越了单纯描述时空模式的问题：是什么潜在机制驱动了细粒度工业排放动态的演变？毫无疑问，城市化是过去二十年重塑中国工业地理和排放模式的核心驱动力（Qiao等人，2024；Xu和Jiao，2021）。在这里，我们可以应用城市科学的缩放定律来分析城市工业碳排放（C）与人口规模（P）之间的数学关系，表示为C∝Pβ（Bettencourt和Lobo，2016；Zhao和Wu，2025）。缩放指数β直接反映了城市规模与排放效率之间的联系。如果β <1，表明大城市的排放具有规模经济性；相反，如果β >1，则表明大城市的排放增长失控（“城市缩放定律”，2025）。以往的研究试图在全国范围内报告城市人口规模对碳排放的缩放效应，但它们仅将其视为静态指标，缺乏跨地区缩放效应的长期时间序列比较（Gudipudi等人，2019；Wu等人，2020；Yang等人，2025）。这种单一视角忽略了中国不同地区和不同发展阶段的城市所遵循的不同发展路径。准确评估这种动态缩放关系不仅本身是一个核心科学问题，还有助于从机制上解释我们在细粒度尺度上观察到的时空模式。

在这项研究中，我们对理解中国的工业碳排放做出了几项贡献：首先，我们使用基于土地利用的方法开发了一个覆盖2000至2020年的30米分辨率工业排放数据集，该方法整合了多个地理空间数据集。与传统依赖夜间光照的方法相比，这种方法为每个像素分配了排放概率，提供了更高的空间精度。其次，我们利用空间自相关、LISA时间路径和时空转换分析等工具分析了县级层面的时空排放模式，以识别排放热点、冷点和随时间的变化。最后，我们探讨了城市规模与工业排放之间的缩放关系，揭示了这种动态关系如何随地区和时间的不同而变化，为设计区域特定的缓解策略提供了见解。

我们的研究不仅为工业碳排放数据提供了更高精度、时空一致的基础，还为地方层面的工业碳排放动态提供了新的见解。这些发现为制定中国的区域特定和有针对性的减排政策提供了强有力的科学支持，这对于实现国家的双重碳目标至关重要。此外，这里开发的可转移方法论框架为世界其他国家和地区的高分辨率碳排放监测提供了一个稳健的模型。

**数据来源**
我们使用了来自公开来源的地理空间和统计数据。土地利用样本基于OpenStreetMap（OSM）数据生成（https://www.openstreetmap.org/export#map=5/51.50/-0.10）。用于建模工业用地概率的遥感特征来自Google Earth Engine（GEE），包括Landsat 8影像、Sentinel-1SAR后向散射系数、全球人类改造数据（gHM）、局部气候区（LCZ）分类和VIIRS夜间数据。

**工业碳排放的建模结果**
基于工业用地（INDL）的模型在所有评估的五种机器学习框架中，其估算碳排放的表现始终优于基于夜间光照（NTL）的模型。Taylor图（图1a）显示，基于INDL的模型与参考数据的相关性显著更高（r = 0.87～0.92），而基于NTL的模型相关性强（r = 0.68～0.83）。此外，INDL模型的RMSE为39.6～50.4 Mt，而NTL模型的RMSE高出43%。

**与现有网格化碳排放数据集的比较**
现有的网格化碳排放数据集通常采用基于代理的分解框架。首先使用统计清单在国家级或省级层面约束排放总量，然后使用反映排放相关活动可能性的空间代理将其重新分配到网格单元。广泛使用的数据集如EDGAR、ODIAC、CHRED和MEIC遵循这一通用范式，尽管它们在空间分辨率、行业覆盖范围和代理选择上有所不同。

**结论**
本研究通过结合多源地理空间数据得出的土地利用概率与TabPFN模型，提出了一个高分辨率的框架，用于绘制中国的工业碳排放图。通过表示地块内的排放强度差异，该方法相对于传统的基于夜间光照的方法提高了空间精度，表现为更强的相关性、更低的RMSE和更高的R2值。该框架还提供了一个空间一致的数据集。

**作者贡献声明**
刘子岩：撰写——原始草稿、可视化、方法论、正式分析。
刘伟：撰写——审稿与编辑、验证、监督、资金获取。
冯琦：方法论、资金获取、概念化。
朱萌：撰写——审稿与编辑、资源、正式分析、数据管理。
薛圆圆：调查、正式分析。
王凌格：验证、监督。
尹新伟：监督、调查。
王波：验证、监督。
苏英青：验证、监督。

**利益冲突声明**
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。

**致谢**
本研究得到了甘肃省科技规划项目（编号23ZDFA018和23ZDKA017）、国家自然科学基金（编号U24A20178和52539002）、甘肃省知识产权计划项目（编号23ZSCQD001）、榆林市自然科学重大重点项目（编号YLKJ-2024-RCZD-001）、滨州关键领域技术攻关项目（编号2025AB046）以及国家重点实验室区域环境专项基金的支持。