The Construction of Carbon Emission Dataset and the Analysis of Its Spatiotemporal Characteristics Based on Trajectory Data: A Case Study of Shenzhen
-
摘要:
汽车碳排放(即汽车消耗能源排放的CO2)占总碳排放的25%，对于局地生态环境产生重要影响。然而，无论是以统计年鉴数据为依托的汽车碳排放估算方法还是以数值模式为主的碳排放模拟方法，其时间空间分辨率均较差，精度也有待提高，无法满足现有研究的需求。因此，文章以深圳市为研究区，提出一种顾及时空非稳态的交通碳排放反演方法。其具体步骤包含：(1)将道路区分为城市中心道路、郊区道路及高速公路；(2)在典型道路上选择高峰时段与非高峰时段开展实测实验，获得汽车碳排放系数；(3)结合实测数据，利用随机森林方法，建立汽车碳排放与道路建成环境、时间标签等变量之间的关联；(4)结合轨迹数据，实现研究区域内高精度交通碳排放数据集的构建。最后，探讨交通碳排放时空变化特征，挖掘其与城市功能区之间的关联。结果显示：(1)研究区域内日均汽车碳排放介于2.2×104~3.0×104 kg之间；(2)汽车碳排放具有明显的时空分异特征，工作日的日均排放量为2.4×104 kg，休息日的日均排放量为2.9×104 kg；(3)深圳市的汽车碳排放高值区位于该市的西南部，即南山、宝安、福田区，且此区域的聚类类型为高-高集聚。研究表明交通轨迹数据可以为大范围汽车碳排放计算提供数据基础，顾及时空非稳态的交通碳排放反演方法可以有效提升汽车碳排放数据的时空精度且准确度较高。
Abstract:Vehicle carbon emissions (i.e., CO2 emitted from vehicle energy consumption) account for 25% of total carbon emissions and have a significant impact on local ecological environments. However, at present, both the vehicle carbon emission estimation method based on statistical yearbook data and the carbon emission simulation method primarily using numerical models exhibit poor temporal and spatial resolution and accuracy, which need improvement to meet the demands of existing research. Therefore, Shenzhen city was taken as the research area, a traffic carbon emission inversion method that considers temporal and spatial non-stationarity was proposed. The specific steps include: (1) Differentiating roads into urban center roads, suburban roads, and highways; (2) Conducting field experiments during peak and non-peak hours on typical roads to obtain vehicle carbon emission coefficients; (3) Establishing a correlation between vehicle carbon emissions and variables such as the built environment of roads and time tags using the Random Forest method, combined with measured data; (4) Ultimately constructing a high-precision traffic carbon emission dataset within the study area by integrating trajectory data. The temporal and spatial variation characteristics of traffic carbon emissions are explored, and their associations with urban functional zones are uncovered. The results show that: (1) The daily vehicle carbon emissions within the study area range from 2.2×104 to 3.0×104 kg; (2) Vehicle carbon emissions exhibit obvious temporal and spatial differentiation, with average daily emissions of 2.4×104 kg on weekdays, and 2.9×104 kg on weekends; (3) High vehicle carbon emission areas in Shenzhen are located in the southwest of the city, namely Nanshan District, Bao'an District, and Futian District, and these areas show a high-high clustering pattern. The research indicates that traffic trajectory data can provide a data foundation for large-scale vehicle carbon emission calculations, and the traffic carbon emission inversion method that considers temporal and spatial non-stationarity can effectively improve the temporal and spatial accuracy and precision of vehicle carbon emission data.
-
IPCC第六次评估报告气候变化2021分册指出，相较于1850—1900年，2011—2020年间的全球地表气温上升了1.09 ℃，伴随着温室气体的继续排放，此升温趋势在未来仍将无可避免[1]。由此导致接近36亿人口属于气候脆弱人群，产生的经济损失高达数百亿[2-4]。与交通相关的碳排放作为温室气体的重要组成部分，约占总碳排放的25%，其对于局地气温的贡献最大可达到1 ℃[5-8]。因此，交通相关碳排放定量评估是实现碳减排的重要支撑之一。
碳排放定量评估的重要任务是提供碳排放数据清单，即生成交通碳排放时空数据集。当前交通碳排放时空数据集的构建主要有2种方法：(1)统计年鉴的大尺度交通碳排放统计方法[9-10]；(2)基于模型的微观尺度交通碳排放模拟方法[11-13]。第1种方法以统计年鉴数据为基础，在获得研究区域内车辆总量的基础上，假定每辆汽车年均行驶里程、单位距离燃油/电消耗量等数值，进而获得研究区域内交通碳排放的总量[14-17]。但是，由于受限于原始数据的时空分辨率，第1种方法获取的交通碳排放时空数据集的空间精度较低，只能提供大尺度研究区域月度或年度反演结果；由于车辆行驶历程、单位距离燃油/电消耗量等数值均为经验参数值，导致反演结果准确度较低。第2种方法采用的模型以Comprehensive Modal Emission Model(CMEM)、International Vehicle Emission Model为代表，可以模拟获得秒级的交通碳排放。虽然第2种方法模拟获得的研究区域的交通碳排放精度较高，但由于该类方法的参数化方案太过于复杂，数据量较大，限制了其在大尺度研究中的应用[18-21]。因此，亟需提出一种既快速简单又能精确反映多时空尺度下交通碳排放规律的研究方法。
伴随着时空大数据时代的到来，交通轨迹数据为以上难题的破解提供了可能。浮动车数据/车辆轨迹数据由车载GPS/北斗设备提供，具有高时空分辨率的特性，已被广泛应用于出行目的地推断、道路提取、能源消耗反演等研究[22-26]。当前已有部分学者探讨了应用车辆轨迹数据开展交通碳排放研究的可能性，如：CHEN等[27]应用14 534辆出租车轨迹数据探讨了武汉市燃气替代情境下碳排放优化效果；ZHAO等[28]应用出租车轨迹数据绘制了武汉市交通碳排放空间图，并探讨其时空变化格局；LUO等[29]将CPERT模型与出租车轨迹数据结合，分析了上海市交通碳排放及交通能源消耗的时空格局。然而，已有研究以平均速度为参考指标，无法探究车辆复杂行驶状态下碳排放的时空特征。因此，在引入车辆轨迹的同时，仍需将车辆不同时段的运行状态纳入模型，以提升车辆碳排放估算精度。
综上所述，文章提出一种顾及时空非稳态的交通碳排放反演方法：(1)将道路区分为城市中心道路、郊区道路及高速公路；(2)在典型道路上选择高峰时段与非高峰时段开展实测实验，获得汽车碳排放系数；(3)结合实测数据，利用随机森林方法，建立汽车碳排放与道路建成环境、时间标签等变量之间的关联；(4)结合轨迹数据，实现研究区域内高精度交通碳排放数据集的构建。最后，分析研究区域内汽车碳排放时空变化特征，并探讨城市功能分区与汽车碳排放之间的定量关系，以期为交通碳中和提供基础数据与方法支撑、为交通规划提供破题方向。
1. 研究区域、数据与方法
1.1 研究区域
选择深圳市(113.71° E~114.63° E，22.04° N~22.86° N)为研究区域，该市是全国经济中心城市，粤港澳大湾区的核心引擎城市之一。自改革开放以来，深圳市经济实现了跨越式增长，由此导致汽车保有量呈现指数级增加。截至2021年，深圳市民用汽车保有量超过30万辆[30]，导致碳排放急剧增加。深圳市是智慧城市建设的试点城市，交通轨迹数据采集来源丰富，数据量充足。以上特征为本研究提供了实验的理想场地，也奠定了良好的数据基础。
1.2 数据及数据预处理
1.2.1 浮动车轨迹数据
鉴于数据可获取性及时段覆盖完整性，本研究应用的车辆轨迹数据为2018年10月8—14日的1 155 654条浮动车(均为出租车)的GPS轨迹点数据，包含车辆编号、GPS定位时刻、GPS点位经度、GPS点位纬度、车辆速度、车辆行驶方向和载客状态。其中：2018年10月13、14日为休息日代表，2018年10月8—12日为工作日代表；车辆编号为车辆唯一标识码，GPS定位时刻表示GPS为支点记录时的时间信息，GPS点位经纬度信息表示GPS所记录的车辆轨迹点经纬度，车辆速度为GPS记录时刻车辆的行驶速度，车辆行驶方向是根据GPS定位信息提供的车辆行驶方向，载客状态的取值为1或0(1表示正在载客，0表示无载客)。
浮动车轨迹数据在应用前需要进行预处理，预处理主要包括点数据拆解、轨迹线数据生成及不合理路径剔除。以车辆编号为依据，根据GPS点位信息生成的时间顺序，结合OSM道路数据，将浮动车轨迹点转化为轨迹线，并剔除不合理的轨迹路径。
1.2.2 POI等感知数据
本研究中应用的兴趣点共167 139个，均来自于百度地图服务(https://map.baidu.com)。所有兴趣点被分为6个类别：餐饮服务、购物、娱乐休闲、居民区、生活服务和工作类型，占比分别为：22.3%、10.1%、7.2%、26.7%、1.6%、32.1%。感兴趣点数据主要应用于城市功能区的提取。
1.3 主要方法
1.3.1 汽车碳排放反演方法
由于车辆在不同时段、不同道路上的行驶状态均有差异，导致产生的汽车碳排放也存在差异，因此，在构建汽车碳排放时空数据集时，应考虑车辆行驶时段、道路类型等因素。基于此，本研究提出顾及时空非稳态的交通碳排放反演方法。由于车辆轨迹数据的数据量较大，无法实现所有路段碳排放的实地测试，因此借助地理空间智能手段，开展研究区域内交通轨迹上的汽车碳排放反演。其基本思路是：(1)将道路分为城市中心道路、郊区道路及高速公路；(2)选用浮动车轨迹相同车辆类型，在高峰时段与非高峰时段开展汽车碳排放实测；(3)利用随机森林方法建立汽车碳排放实测数据与道路建成区环境数据、时间标签、车速等变量的非线形关系；(4)将训练结果推广至所有交通轨迹数据上，最终实现研究区域内汽车碳排放的精细表达。根据道路上轨迹数量占比及其区位，选取深南大道作为城市中心道路代表、听海大道作为郊区道路代表、京港澳高速深圳段作为高速公路代表。实验路段如图 1所示。
根据实验测算不同道路类型上的车辆碳排放系数，结果(表 1)表明：无论是在高峰时段还是非高峰时段，深南大道的碳排放系数均最高，听海大道的碳排放系数小于深南大道，但高于京港澳高速深圳段。
表 1 深圳市多时空尺度碳排放系数Table 1. CO2 emission coefficient at multi spatiotemporal scales in Shenzhen序号 实验道路 时段 速度/(km·h-1) 碳排放系数/(kg·km-1) 1 深南大道 高峰时段 < 30 0.19 2 深南大道 非高峰时段 40~60 0.18 3 听海大道 高峰时段 40~60 017 4 听海大道 非高峰时段 >60 0.17 5 京港澳高速深圳段 全时段 80~120 0.16 1.3.2 城市功能区提取方法
城市功能区应用POI密度方法进行提取: 首先，应用高分影像提取建筑物形态；然后，计算每个建筑物单体内各类POI的密度，并依照密度计算结果进行排序，按照排序结果确定建筑物单体的所属的城市功能区；最后，将相同的城市功能区类型进行合并，形成最终的城市功能区结果。POI密度的计算公式[31]如下：
Fi,l=ni,l/niNl/N, (1) 其中，Fi, l为第i个建筑物内l类POI的密度计算结果，ni, l为第i个建筑物内l类POI点的个数，ni为第i个建筑物内POI点的总数，Nl为l类POI点的总数，N为所有POI点的总数。
1.3.3 城市功能区与汽车碳排放空间关联分析方法
由于汽车碳排放及城市功能区均存在较强的空间异质性，传统的回归分析方法无法反映汽车碳排放与城市功能区空间关联的非稳定性特征，因此应用地理加权回归来识别汽车碳排放与城市功能区之间的关联。其计算公式[31]如下：
yi=β0(ui,vi)+n∑j=1βj(ui,vi)xij+εi, (2) 其中，yi为i网格内的碳排放数值，β0(ui, vi)为位置函数，ui、vi为i网格的位置变量，βj为局部回归系数，xij为局部自变量，εi为残差。本研究中用R2表征拟合精度，局部回归系数表示碳排放与城市功能区之间的关联。
2. 结果与分析
2.1 汽车碳排放时间变化规律
由汽车碳排放日变化特征分析结果(图 2)可知：(1)研究区日均汽车碳排放介于2.2×104~3.0×104 kg之间，最大值发生在2018年10月14日，最小值发生在2018年10月10日。(2)汽车交通碳排放呈现双峰态势，即先上升后降低再上升，2个峰值分别位于2018年10月9、14日。整体趋势呈现上升趋势，线性拟合斜率为0.11，即研究时段内汽车人为热每日增加0.11×104 kg。(3)工作日汽车碳排放与休息日汽车碳排放之间具有明显差异，工作日(2018年10月8—12日)的汽车碳排放总值为12×104 kg，平均值为2.4×104 kg；休息日(2018年10月13—14日)的汽车碳排放总量为5.8×104 kg，平均值为2.9×104 kg。
![]()
图 2 深圳市2018年10月8—14日的汽车碳排放日变化特征Figure 2. Daily variation characteristics of car CO2 emissions in Shenzhen from October 8 to 14, 2018交通碳排放在日尺度上的非稳态表现可能与以下2个原因相关：(1)出行目的地的差异；(2)出行方式的差异。已有研究[31-33]表明，工作日人群出行主要以早间从居住地到工作地、晚间从工作地到居住地为主。较为单一的出行目的地使得工作日期间的交通流以短距出行为主。由于出行距离短，使得工作日的交通碳排放量整体较低且时间异质性较低。与工作日相比，休息日的出行目的地较丰富、出行距离更长，因而导致休息日的交通碳排放量更大。此外，工作日出行多以公共交通为主，而休息日的出行方式中，私家车等非公共交通出行方式的占比增加，这也是休息日的交通碳排放量增加的潜在原因之一。
2.2 模拟结果精度分析
将本研究结果与ZHAO等[34]的结果进行对比，结果(图 3)显示：(1)本文获得的汽车碳排放结果与文献[34]的结果在空间分布较为一致，均为西高东低，高值区多集中于福田、南山区等地。(2)本研究的汽车碳排放量整体低于文献[34]的。主要原因为分析数据的差异：文献[34]利用的是货车数据，由于货车自身载重原因，导致其燃油消耗量较高，因此其碳排放量较高；本研究中的浮动车为电动出租车，其碳排放量较小。
2.3 汽车碳排放空间部分特征
由汽车碳排放空间分布特征分析结果(图 4)可知：(1)研究区的日均汽车碳排放呈现西高东低的态势，高值区位于深圳市西南部，低值区位于中南部。(2)各区的日均汽车碳排放由高至低依次为：南山区(4 275.0 kg)、宝安区(3 336.7 kg)、福田区(2 838.6 kg)、龙华区(2 633.4 kg)、龙岗区(2 553.6 kg)、罗湖区(2 314.2 kg)、坪山区(2 166.0 kg)、盐田区(2 063.4 kg)、光明新区(1 892.4 kg)、大鹏新区(1 596.0 kg)。
汽车碳排放存在4类聚集特征，分别为高-高聚类、高-低聚类、低-高聚类和低-低聚类。由研究区的日均汽车碳排放空间集聚特征(图 5)可知：高-高聚类、低-高聚类主要位于研究区域的西南部，面积占比分别为20.68%、19.50%；高-低聚类、低-低聚类主要位于研究区域的中部，面积占比分别为7.33%、44.06%。以上结果表明，研究区域内汽车碳排放具有明显的空间异质性，且整体呈现中心区域为汽车碳排放高值区、郊区为汽车碳排放低值区。此现象的出现可能与人群流动模式相关。城市中心区域的主要功能包含工作、居住，也是工作日人群出行的主要起点与终点，这使得浮动车的行驶轨迹也聚集于此区域内，因而在城市中心区域形成交通碳排放的汇集区域。而城市非核心区往往城市功能较为单一，如“睡城”只具备居住属性，这使得该区域多为成为人群流动的起点或者终点，区域内浮动车轨迹数量较少，直接导致区域内汽车碳排放位于低值[35-37]。
2.4 汽车碳排放影响因素分析
由日均汽车碳排放与城市功能区关联分析结果(表 2)可知深圳市的汽车日均碳排放与城市功能区之间存在关联，且此关联存在时空异质性：(1)城市功能区与汽车日均碳排放量之间拟合精度较高(R2介于0.40~0.72之间)，城市功能区至少可解释63%的汽车日均碳排放空间分布特征；(2)所有城市功能区与汽车日均碳排放之间均是正相关；(3)无论是工作日或是休息日，汽车日均碳排放量均与餐饮服务、工作区、居民区存在较强的关联；(4)购物、娱乐休闲和生活服务3类城市功能区与汽车日均碳排放之间关联较弱；(5)城市功能区与汽车日均碳排放之间的关联在工作日与休息日存在差异，餐饮服务、购物、居民区及生活服务4个功能区与汽车日均碳排放之间的关联在休息日更强，其他功能区与汽车日均碳排放之间的关联则在工作日更强。
表 2 汽车日均碳排放量与城市功能区关联Table 2. Associations between daily mean car CO2 emission and urban functional zones城市功能区 工作日的汽车日均碳排放量 休息日的汽车日均碳排放量 R2 回归系数 R2 回归系数 餐饮服务 0.67 0.7 0.69 1.1 工作 0.72 1.2 0.68 0.6 购物 0.51 0.1 0.66 0.5 娱乐休闲 0.44 0.2 0.40 0.5 居民区 0.69 1.3 0.71 1.3 生活服务 0.60 0.4 0.63 0.5 注：所有分析结果均在P < 0.1水平上具有统计学意义。 以上研究结果表明城市规划手段会影响交通碳排放的时空异质性。已有的针对土地利用与交通碳排放的关联分析也获得了类似的结论[38-43]。用地类型的变化往往与人类出行方向、出行方式直接关联，因此城市功能分区可能是碳排放空间异质性的重要影响因素。如ZUO等[44]利用珞珈卫星识别了不同功能区内建筑物形态特征与居民、交通碳排放的关联，其结果表明不同功能区城市建筑物结构特征与碳排放之间存在显著相关关系，解释力度达到45%。
3. 讨论与结论
汽车碳排放作为全球碳排放的重要组成部分，对城市生态过程产生重要影响，开展科学有效的汽车碳排放量估算是减缓其负面影响的重要前提。然而，当前由于数据等因素的限制，已有汽车碳排放数据集无法满足研究需求。因此，构建高时空精度汽车碳排放反演方法，形成汽车碳排放时空数据集是当前研究的重点。
本研究以深圳市为例，提出一种顾及时空非稳态的交通碳排放反演方法，该方法证明了轨迹大数据在交通碳排放中的可用性。相较于传统统计年鉴数据，车辆轨迹数据的时空分辨率高，且可真实反映车辆行驶状态，可以对汽车碳排放进行更加精准的刻画。文献[27-28]的研究也验证了此结论。本研究发现汽车碳排放具有较强的时空分宜特征，周日的碳排放量高于工作日的碳排放量，这与已有研究[38-42]的结论一致。
前人研究多将经验参数值与轨迹数据结合起来，通过计算经验参数值和轨迹路径的乘积获得汽车碳排放量。然而，经验参数值无法准确反映车辆不同行驶状态下的碳排放特征。本研究在构建顾及时空非稳态汽车碳排放估算时，开展实测实验，测定汽车不同行驶状态下的车辆碳排放特征，将此实测值与车辆轨迹结合，最终获得更加精准的汽车碳排放值。
本文主要结论如下：
(1) 轨迹数据的应用可有效提高汽车碳排放评估的准确性；
(2) 汽车碳排放具有明显的时间变化特征，休息日的碳排放量高于工作日的碳排放量，且时间变化趋势明显区域位于非核心区；
(3) 汽车日均碳排放量高值区位于研究区域核心区。
本研究仍存在以下不足，如研究中应用的轨迹数据多以小型车辆为主，但事实上交通碳排放来源广，除小型车辆外，地铁、公共交通等均对交通碳排放有较高贡献，后续研究可尝试获取不同出行方式的轨迹数据，从而构建更加完善的交通碳排放数据集。
-
![]()
图 2 深圳市2018年10月8—14日的汽车碳排放日变化特征
Figure 2. Daily variation characteristics of car CO2 emissions in Shenzhen from October 8 to 14, 2018
表 1 深圳市多时空尺度碳排放系数
Table 1 CO2 emission coefficient at multi spatiotemporal scales in Shenzhen
序号 实验道路 时段 速度/(km·h-1) 碳排放系数/(kg·km-1) 1 深南大道 高峰时段 < 30 0.19 2 深南大道 非高峰时段 40~60 0.18 3 听海大道 高峰时段 40~60 017 4 听海大道 非高峰时段 >60 0.17 5 京港澳高速深圳段 全时段 80~120 0.16 
下载: 导出CSV
表 2 汽车日均碳排放量与城市功能区关联
Table 2 Associations between daily mean car CO2 emission and urban functional zones
城市功能区 工作日的汽车日均碳排放量 休息日的汽车日均碳排放量 R2 回归系数 R2 回归系数 餐饮服务 0.67 0.7 0.69 1.1 工作 0.72 1.2 0.68 0.6 购物 0.51 0.1 0.66 0.5 娱乐休闲 0.44 0.2 0.40 0.5 居民区 0.69 1.3 0.71 1.3 生活服务 0.60 0.4 0.63 0.5 注：所有分析结果均在P < 0.1水平上具有统计学意义。
下载: 导出CSV
-
[1] MASSON P, ZHAI A, PIRANI S, et al. IPCC, 2021: climate change 2021: the physical science basis. contribution of working group I to the sixth assessment report of the intergovernmental panel on climate change[R]. New York: Cambridge, 2021.
[2] BALLESTER J, QUIJAL M, MENDEZ F, et al. Heat-related mortality in Europe during the summer of 2022[J]. Nature Medicine, 2023, 29: 1857-1866. doi: 10.1038/s41591-023-02419-z
[3] HUANG K, MASSELOT P, BOU E, et al. Economic valuation of temperature-related mortality attributed to urban heat islands in European cities[J]. Nature Communications, 2023, 14: 7438/1-12.
[4] CHEN K, DE E, SIVARAJ S, et al. Impact of population aging on future temperature-related mortality at different global warming levels[J]. Nature Communications, 2024, 15: 1796/1-13.
[5] LU X Y, OTA K, DONG M X, et al. Predicting transportation carbon emission with urban big data[J]. IEEE Transactions on Sustainable Computing, 2017, 2(4): 333-344. doi: 10.1109/TSUSC.2017.2728805
[6] FUJIYAMA T, CHEN F, WANG Z J. Carbon emission from urban passenger transportation in Beijing[J]. Transportation Research: Part D, 2015, 2: 217-227.
[7] XIE R, FANG J Y, LIU C J. The effects of transportation infrastructure on urban carbon emissions[J]. Applied Energy, 2017, 196: 199-207. doi: 10.1016/j.apenergy.2017.01.020
[8] CANNON J S. Driving climate change: cutting carbon from transportation[M]. California: Academic Press, 2007.
[9] 高爽, 王少剑, 莫惠斌. 全球视角下中国城镇化进程及其碳排放效应的比较研究[J]. 地理科学, 2024, 44(2): 204-215. GAO S, WANG S J, MO H B. A comparative study of China's urbanization process and its carbon emission effect from a global perspective[J]. Scientia Geographica Sinica, 2024, 44(2): 204-215.
[10] 王少剑, 王泽宏, 方创琳. 中国城市碳排放绩效的演变特征及驱动因素[J]. 中国科学: 地球科学, 2022, 52(8): 1613-1626. WANG S J, WANG Z H, FANG C L. Evolutionary characteristics and driving factors of carbon emission perfor-mance at the city level in China[J]. Science China Earth Sciences, 2022, 52(8): 1613-1626.
[11] 姚秋蕙, 韩梦瑶, 刘卫东, 等. "一带一路"沿线地区隐含碳流动研究[J]. 地理学报, 2018, 73(11): 2210-2222. doi: 10.11821/dlxb201811012 YAO Q H, HAN M Y, LIU W D, et al. Tracking embodied carbon flows in the Belt and Road regions[J]. Acta Geographica Sinica, 2018, 73(11): 2210-2222. doi: 10.11821/dlxb201811012
[12] 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. doi: 10.11821/dlxb201311007 SU Y X, CHEN X Z, YE Y Y, 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. doi: 10.11821/dlxb201311007
[13] 程叶青, 王哲野, 张守志, 等. 中国能源消费碳排放强度及其影响因素的空间计量[J]. 地理学报, 2013, 68(10): 1418-1431. doi: 10.11821/dlxb201310011 CHENG Y Q, WANG Z Y, ZHANG S Z, et al. Spatial econometric analysis of carbon emission intensity and its driving factors from energy consumption in China[J]. Acta Geographica Sinica, 2013, 68(10): 1418-1431. doi: 10.11821/dlxb201310011
[14] ZHANG Q, GU B H, ZHANG H Y, et al. Emission reduction mode of China's provincial transportation sector: based on "Energy+" carbon efficiency evaluation[J]. Energy Policy, 2023, 177: 113556/1-14.
[15] XU C, LI Z W, CHEN B Y, et al. Low-carbon development in China's transportation sector: multidimensional characteristics and policy implications[J]. Energy, 2024, 289: 129950/1-13.
[16] LU H, XIAO C Y, JIAO L D, et al. Spatial-temporal evolution analysis of the impact of smart transportation policies on urban carbon emissions[J]. Sustainable Cities and Society, 2024, 101: 105177/1-16
[17] BAI P R, MA Z, WEI X, et al. Allocation scheme selection for transportation carbon allowance-evidence from China's top ten economic regions[J]. Journal of Cleaner Production, 2023, 428: 139310/1-25.
[18] TAN X C, TU T Q, GU B H, et al. Scenario simulation of CO2 emissions from light-duty passenger vehicles under land use-transport planning: a case of Shenzhen international low carbon city[J]. Sustainable Cities and Society, 2021, 75: 103266/1-12.
[19] PATINO M, PARRA A, BORGE R. On-road vehicle emission inventory and its spatial and temporal distribution in the city of Guayaquil, Ecuador[J]. Science of The Total Environment, 2022, 848: 157664/1-11.
[20] HUANG H C, HE H D, PENG Z R. Urban-scale estimation model of carbon emissions for ride-hailing electric vehicles during operational phase[J]. Energy, 2024, 293: 130665/1-11.
[21] GUO H, ZHANG Q Y, SHI Y, et al. Evaluation of the International Vehicle Emission (IVE) model with on-road remote sensing measurements[J]. Journal of Environmental Sciences, 2007, 19(7): 818-826. doi: 10.1016/S1001-0742(07)60137-5
[22] YANG X, YANG M C, CAO Y J, et al. Three-dimensional structure determination of grade-separated road intersections from crowdsourced trajectories[J]. International Journal of Applied Earth Observation and Geoinformation, 2023, 125: 103598/1-17.
[23] LI Q Q, ZENG Z, ZHANG T, et al. Path-finding through flexible hierarchical road networks: an experiential approach using taxi trajectory data[J]. International Journal of Applied Earth Observation and Geoinformation, 2011, 13: 110-119. doi: 10.1016/j.jag.2010.07.003
[24] LI B N, GAO J C, CHEN S P, et al. DF-DRUNet: a decoder fusion model for automatic road extraction leveraging remote sensing images and GPS trajectory data[J]. International Journal of Applied Earth Observation and Geoinformation, 2024, 127: 103632/1-9.
[25] HU S, GAO S, WU L, et al. Urban function classification at road segment level using taxi trajectory data: a graph convolutional neural network approach[J]. Computers, Environment and Urban Systems, 2021, 87: 101619/1-14.
[26] CAO Y M, YAO J R, TANG K S, et al. Dynamic origin-destination flow estimation for urban road network solely using probe vehicle trajectory data[J]. Journal of Intelligent Transportation Systems, 2024, 28(5): 756-773. doi: 10.1080/15472450.2023.2209910
[27] CHEN B Y, LIU Q, GONG W S, et al. Evaluation of energy-environmental-economic benefits of CNG taxi policy using multi-task deep-learning-based microscopic models and big trajectory data[J]. Travel Behaviour and Society, 2024, 34: 100680/1-14.
[28] ZHAO P J, KWAN M P, QIN K. Uncovering the spatiotemporal patterns of CO2 emissions by taxis based on individuals' daily travel[J]. Journal of Transport Geography, 2017, 62: 122-135.
[29] LUO X, DONG L, DOU Y, et al. Analysis on spatial-temporal features of taxis' emissions from big data informed travel patterns: a case of Shanghai, China[J]. Journal of Cleaner Production, 2017, 142: 926-35.
[30] 深圳市统计局. 深圳统计年鉴[M]. 北京: 中国统计出版社, 2023. [31] CAO Z, GUO G H, XU Y, et al. Detecting the sinks and sources of transportation energy consumption and its forces driving at multiple spatiotemporal scales using trajectory data[J]. Applied Geography, 2022, 148: 102807/1-11.
[32] BLUMENBERG E, KING H. Young workers, jobs-housing balance, and commute distance: findings from two high-housing-cost U.S. regions[J]. Cities, 2024, 147: 104842/1-12.
[33] SUNG H G. Multi-scale moderation impacts of jobs and housing balancing on sustainable commuting behavior in Seoul[J]. Journal of Transport Geography, 2023, 110: 103626/1-13.
[34] ZHAO P J, LI Z X, XIAO Z P, et al, Spatiotemporal cha-racteristics and driving factors of CO2 emissions from road freigh transportation[J]. Transportation Research: Part D, 2023, 125: 103983/1-23.
[35] CHEN Y Y, LU Y R, QI B, et al. Atmospheric CO2 in the megacity Hangzhou, China: Urban-suburban differences, sources and impact factors[J]. Science of The Total Environment, 2024, 926: 171635/1-16.
[36] VAN R, BARBERA M. How urban spatial expansion influences CO2 emissions in Latin American countries[J]. Cities, 2023, 139: 104389: 1-14.
[37] LIN D, ALLAN A, CUI J Q. The impact of polycentric urban development on commuting behaviour in urban China: evidence from four sub-centres of Beijing[J]. Habitat International, 2015, 50: 195-205.
[38] 何榕健, 陈立峰, 何建文, 等. 城市居民出行碳排放模型构建及其应用[J]. 复旦学报(自然科学版), 2023, 62(6): 796-806. HE R J, CHEN L F, HE J W, et al. Construction and application of urban residents travel carbon emission model[J]. Journal of Fudan University(Natural Science), 2023, 62(6): 796-806.
[39] ZHU B, HU S, KAPARIAS I, et al. Revealing the driving factors and mobility patterns of bike-sharing commuting demands for integrated public transport systems[J]. Sustainable Cities and Society, 2024, 104: 105323/1-14.
[40] WONG J Y Y, JONES R R, BREEZE C, et al. Commute patterns, residential traffic-related air pollution, and lung cancer risk in the prospective UK Biobank cohort study[J]. Environment International, 2021, 155: 106698/1-10.
[41] WANG R X, WU J P, QI G Q. Exploring regional sustainable commuting patterns based on dockless bike-sharing data and POI data[J]. Journal of Transport Geography, 2022, 102: 103395/1-25.
[42] TIAN Q, LIU P, ONG G P, et al. Morning commuting pa-ttern and crowding pricing in a many-to-one public transit system with heterogeneous users[J]. Transportation Research: Part E, 2021, 145: 102182/1-20.
[43] HADACHI A, POURMORADNASSERI M, KHOSHKHAH K. Unveiling large-scale commuting patterns based on mobile phone cellular network data[J]. Journal of Transport Geography, 2020, 89: 102871/1-16.
[44] ZUO S D, DAI S Q, JU J H, et al. The importance of the functional mixed entropy for the explanation of residential and transport CO2 emissions in the urban center of China[J]. Journal of Cleaner Production, 2022, 380: 134947/1-12.
计量
- 文章访问数: 9
- HTML全文浏览量: 3
- PDF下载量: 3
