야간 위성영상 기반 도시단위 탄소배출량 추정과 영향 요인 분석

Ⅰ. 서 론

최근 기후 문제가 지속됨에 따라 이상기후의 원인인 온실가스 배출량을 감축하기 위한 전 지구적 탄소중립 실현이 요구되고 있다. 특정 도시 또는 국가에서 배출되는 온실가스는 해당 지역에서만 머물지 않고 전 지구에 영향을 미치므로, 기후 문제에는 공동의 책임이 요구되기 때문이다(김승도·나승혁, 2008). 우리나라를 포함한 세계 각국은 2016년부터 자발적으로 온실가스 감축 목표를 수립하고 있다. 2018년 IPCC(Intergovernmental Panel on Climate Change)가 발표한 「지구온난화 1.5℃ 특별보고서」에 따르면, 자연재난으로 인한 피해를 저감하기 위해서는 2050년까지 탄소 순 배출량이 0이 되는 탄소중립 사회로의 전환이 필요하다(IPCC, 2018). 탄소중립도시를 실현하기 위해서는 도시 단위 탄소배출량 추정과 탄소배출량에 영향을 미치는 도시 요인에 대한 분석이 선행되어야 한다.

그러나 현재(본 논문이 작성된 2023년 7월 기준이며, 이하 동일) 탄소배출량 추정방법으로 도시 단위 분석을 수행하는 데는 몇 가지 어려움이 존재한다. 첫째, 우리나라 탄소배출량 추정방법은 생산 기반의 추정법으로서(조홍종·구효정, 2022), 전 세계 평균값인 IPCC 배출계수를 일부 확대·적용하여 발표하고 있다. IPCC 배출계수를 활용할 경우 지역적 특성을 반영한 탄소중립 정책 수립으로 이어지지 못할 수 있다. 둘째, 탄소중립을 달성하기 위해서는 지역적 차원의 감축 노력이 중요한데 현재 우리나라에서는 광역 단위의 배출량 데이터만 발표하고 있어, 도시 단위의 탄소배출량 분석이 어렵다. 마지막으로 도시 단위에서 탄소중립을 위한 토지이용계획을 수립하기 위해서는 탄소배출량의 시·공간적 분포 파악이 필수적이지만 기존의 자료로는 시·공간적 분포를 확인하기 어렵다는 한계가 존재한다.

지역에 따라 도시 형태, 산업구조, 에너지 사용량, 사회경제적 활동 특성 등이 달라지는 만큼 탄소배출의 구조와 강도는 공간적으로 달라질 수밖에 없다(Wang et al., 2022). 지역의 탄소배출량 추정을 위해서는 기존 추정법의 한계를 극복한 상세 단위 분석이 필요하고, 소비 기반의 탄소배출량도 고려할 수 있어야 한다. 야간 위성영상을 활용한 탄소배출량 추정법은 픽셀 단위의 상세 분석을 가능하게 해주며, 소비 기반의 추정에 한층 가까워질 수 있다. 이에 본 연구는 도시 단위의 탄소배출량을 추정하기 위해 야간 위성영상을 활용하였고, 데이터의 활용가능성을 검증한 뒤 탄소배출량에 영향을 미치는 도시 요인에 대해 논의하고자 한다.

Ⅱ. 선행연구 고찰

Ⅲ. 연구설계

2. 연구의 범위 및 분석자료

본 연구는 행정구역 경계의 변경 및 행정구역 신설 등에 따른 데이터 오류를 최소화하기 위해 세종특별자치시가 출범한 시점을 기준으로 설계하였다. 탄소배출량 추정값은 1km×1km의 공간해상도 단위로 생성하였고, 2013년~2019년을 시간적 범위로 설정하였다. 다음으로 공간회귀모형에 활용한 분석 단위는 전국 시·군(9개 특별광역시, 150개 시·군)을 대상으로 하였으며 이때, 도서지역인 제주도 제주시, 서귀포시, 경상북도 울릉군은 분석에서 제외하였다. 공간회귀모형을 구성할 때에는 모든 자료의 구득이 가능한 2019년을 시간적 범위로 설정하였다.

본 연구는 연구가설에 따라 선행연구를 바탕으로 종속변수에 영향을 미칠 것으로 예상되는 요인들을 선정하여 분석지표를 구성하였다. 선행연구 고찰 결과, 탄소배출에 영향을 미칠 것으로 예상되는 요인들은 에너지 소비, 경제능력, 산업구조, 토지이용, 교통, 환경예산으로 도출되었으며, 각 요인들을 설명할 수 있는 변수의 구성과 구득 경로는 <Table 1>과 같다. 이때, GRDP 대비 산업부가가치비율 변수는 탄소배출에 영향을 미칠 것이라고 판단되는 2차산업(제조업, 광업)을 대상으로 산출하였으며, 1인당 환경예산은 지자체 예산 중 대기, 환경보호, 자연과 관련된 비목만 추출하여 사용하였다. 국토정보지리원이 제공하는 토지이용압축도의 지표정의는 격자 내 토지이용(건물)의 밀도이다. 원시 데이터의 측정단위는 500m×500m이며, 측정 방법은 격자 내 건축물 연면적 합÷격자면적(0.25km²)×100%로 계산된다. 또한 토지이용복합도는 격자 내 토지이용(건물용도)의 다양성 수준으로 정의한다. 마찬가지로 500m×500m 격자의 단위로 측정되며, 격자 내 건물용도 개수를 통해 산출된다. 두 데이터는 격자 단위로 구득할 수 있으므로, 데이터의 공간적 범위를 일치시키기 위해 ArcGIS의 공간통계를 활용하여 150개 시·군별로 평균값을 재산정하였다. 마지막으로 종속변수는 야간 위성영상 데이터의 DN값을 활용한 추정값을 사용하였다. 본 연구에서 활용하는 변수들의 통계량을 파악하기 위해 기술통계 분석을 실시하였다(Table 2). 종속변수인 탄소배출 추정값은 평균 5,446인 것으로 분석되었으며, 표준편차가 비교적 큰 것으로 나타나 지역별 격차가 큰 것으로 판단된다.

Table 1.

Variables

Table 2.

Descriptive statistic

Ⅳ. 연구결과

1. 지역별 탄소배출량 지도 구축

야간 위성영상 데이터를 탄소배출량 추정값으로 활용할 수 있는지 확인하기 위해 국가 온실가스 인벤토리 데이터와 상관분석을 실시하였다. 분석 결과, 1% 유의수준 내에서 0.505의 값이 도출되어 두 자료의 상관성은 높은 것으로 확인되었다. 더 세부적으로 확인하기 위해 연도별로 상관분석을 실시하였고, 2013년부터 2019년까지 차례로 5% 유의수준 내에서 0.438, 0.449, 0.515, 0.552, 0.536, 0.532, 0.530의 상관계수가 도출되었다. 다만 국가 온실가스 인벤토리 데이터는 미세먼지나 오존 등과 같이 실제로 측정된 값이 아닌 활동도와 배출계수들의 곱으로 산정된 추정 데이터임을 감안해야 한다. 따라서 지역별 탄소배출량을 분석하고 현황을 파악하기 위한 하나의 수단으로써, 야간 위성영상 데이터는 충분한 역할을 할 수 있을 것이라고 판단되었다.

다음으로 국가 온실가스 인벤토리 자료를 기준으로 보정을 실시하여 보정 전후의 값을 비교하였다. 앞서 인벤토리 자료와의 상관관계를 확인했지만, 보정 작업을 거치지 않은 그 자체로서는 다양한 지표들의 대리변수가 될 수 있는 우려가 있기 때문에 보정 전후 비교를 통해 한 번 더 검증해주는 절차가 필요했다. 야간 위성영상 기반 탄소배출량 추정값을 독립변수로, 인벤토리 자료의 탄소배출량을 종속변수로 설정하였다. F-test 결과, 일원(One-way)고정효과모형 및 이원(Two-way)고정효과모형 모두 통계적으로 유의하여 고정효과가 존재하는 것으로 판단되었다. Hausman 검정 결과로는 일원(One-way)확률효과모형에 확률효과가 존재하는 것으로 판단되었다. 그중에서도 개체특성효과는 고정적이나 시간특성효과는 고정적이지 않은 데이터의 특성으로 인해 일원(One-way)고정효과모델이 채택되었고, 최종적으로 y=0.202954x+2074.624의 보정식이 도출되었다. 보정 전후를 비교해본 결과, 지역 간에 상대적인 배출량 격차가 보정 전에 비해 줄어들기는 했으나 절대적인 현황에는 변화가 없는 것으로 나타나, 보정 전의 탄소배출량 지도를 통해 공간적인 분포 현황을 파악하고자 하였다.

이와 같은 전처리 작업을 거친 후, 본 연구에서 2013년부터 2021년까지 1km×1km 공간해상도의 탄소배출량 지도를 구축한 결과는 <Figure 1>과 같이 나타났다. 공간적 분포를 확인하기 위해 Arcmap의 Natural breaks 기법을 사용하여 7개 등급으로 구분하고, 9개년 모두 동일한 기준에 따라 비교하기 위해 등급 분류기준을 적절하게 조정하였다. 격자의 색이 붉은색을 나타낼수록 탄소배출량이 많은 것으로 해석한다. 분석 결과, 서울특별시를 포함한 수도권을 중심으로 탄소배출량이 집중화되어 있는 것으로 나타났고, 광역시 및 주변지역들에서 비교적 높은 수준인 것을 확인할 수 있다. 또한 2013년 대비 시간이 흐를수록 붉은색을 나타내는 격자가 증가하고 있는 것을 확인할 수 있으므로 2013년 이후 지속적으로 탄소배출량이 증가하고 있는 것으로 판단되며, 수도권 주위로 증가하는 지역이 확산되고 있는 경향을 확인할 수 있다.

Figure 1.

Carbon emission estimates by nighttime light satellite imagery

다음으로 시간의 흐름에 따른 지역별 탄소배출량 변화를 살펴보기 위해 픽셀별 증가율을 산출한 후 공간정보화했다(Figure 2). 유색 픽셀은 9년간 탄소배출량이 증가해온 지역이고 색이 진할수록 증가율이 급격한 지역이다. 반면 흰색 픽셀은 9년간 탄소배출량이 감소한 지역에 해당한다. 한반도 동쪽을 중심으로 흰색 픽셀이 많이 위치하고 있으나, 산지로 추정된다. 산지는 인위적 탄소배출이 적은 지역이다. 한편 유색 픽셀은 수도권 주변, 울산광역시, 광주광역시, 여수시, 전주시 등에서 집중되어 나타났다. 탄소배출량이 급격하게 증가한 지역의 특성을 파악하기 위해 행정구역 경계와 중첩 분석을 수행했다. 수도권을 제외한 유색 픽셀은 대부분 공업단지인 것으로 나타나, 탄소 중립을 위해 산업 부문 배출량이 반드시 고려되어야 할 것으로 판단된다.

Figure 2.

Rate of increase by pixels

수도권 유색 픽셀을 분석해본 결과 화성 동탄신도시, 평택 고덕국제신도시, 양주신도시, 김포 한강신도시, 위례신도시, 남양주 다산신도시, 시흥 배곧신도시, 송도국제도시, 청라국제도시 등 제2기 수도권 신도시와 지자체에서 계획한 신도시를 중심으로 탄소배출량이 급격하게 증가한 것으로 나타났다. 정부에서는 여러 도시 문제를 해소하기 위해 외곽지역으로 신도시 개발사업을 확대하고 있으며, 이는 도시의 외연적 확산을 가중시키는 주요 원인이 되고 있다. 주택시장 안정과 양질의 주택공급을 실현할 수는 있지만, 신도시 개발사업 확장은 탄소중립 측면에서 외연적 확산 형태로 인한 탄소배출을 심화시킨다고 해석할 수 있다. 따라서 신도시 개발사업에 대해 더욱 신중한 논의가 필요한 시점이며, 무분별한 외곽지역의 신도시 개발은 지양하고 낙후된 원도심 활성화 및 재생을 지향해야 할 것으로 판단된다.

2. 공간회귀분석

본 절에서는 앞 절에서 비교했던 보정 전후 데이터 각각에 대해 공간회귀모형을 적용하여 탄소배출량에 영향을 미치는 요인을 논의하고자 한다. 공간회귀모형을 사용하기 위한 전제조건은 변수에 공간적 자기상관성이 존재하는 것이므로 Moran’s I 검증을 통해 종속변수의 공간적 자기상관성을 탐색하였다. Moran’s I 계수는 –1에서 1 사이의 값을 지니는데, 1에 가까울수록 인접한 공간 단위들이 전체 대상지에 걸쳐 유사한 값을 보이는 것으로 해석하며 양(+)의 공간적 자기상관성을 가지는 것으로 판단한다. 자기상관이 존재하지 않을 경우에는 0에 가까운 값이 관찰된다(염재원 외, 2020). 본 연구에서는 퀸 인접 정의(Queen Contiguity)를 활용하여 공간가중치 매트릭스를 구축하였으며(강승원 외, 2019), 이를 적용한 보정 전후 탄소배출량의 Moran’s I 값은 동일하게 0.634로 높게 나타났다(Figure 3). 즉 한 지역에서 발생하는 탄소배출량은 인접한 지역에 크게 영향을 미치는 것으로 보여진다. 따라서 본 연구는 공간적 자기상관성 문제로 인해 발생하는 편향된 결과를 방지하기 위해 공간회귀모형을 활용하는 것이 적합하다고 판단되었다.

Figure 3.

Moran’s I analysis result

다음으로 정규성 및 이분산성에 대해 4가지 테스트를 수행하였다(Table 3). Jarque-Bera 검정 결과, 모형의 오차항이 정규분포를 따르지 않는 것을 확인하였다. Breusch-Pagan, Koenker-Bassett, White 검정 결과로는 이분산성이 있음을 확인하였다. 이러한 결과는 OLS 모형이 아닌 공간 모형을 사용해야 함을 의미한다. 또한 Condition Number을 통해 본 연구에 사용된 변수들의 다중공선성을 진단하였다. 일반적으로 Condition Number 값이 30보다 크면 다중공선성이 있다고 판단할 수 있는 바(이희연·노승철, 2013), 다중공선성에는 문제가 없음을 확인하였다.

Table 3.

Pre-test for analysis

공간회귀모형은 공간데이터가 가지는 공간의 영향을 통제하면서 회귀식을 추정하므로, 추정 결과에 대한 신뢰도를 높일 수 있다(정수영·전희정, 2019). 본 연구에서는 OLS 모형의 대안으로, 보다 적합한 모형을 선택하기 위해 상향식 접근에 따라 판단하였다. SLM 모형과 SEM 모형의 LM(Lagrange Multiplier) 검정 및 Robust LM 검정을 실시하였다(Table 3). 그 결과 두 모형 모두 통계적으로 유의한 결과가 도출되어, 통계량이 더 유의하게 나타난 SLM 모형이 더 우수한 모형으로 판단되었다.

공간회귀모형의 R²는 OLS 모형과 달리 최대 우도 추정법으로 산출되기 때문에, R²의 비교보다는 Log Likelihood, AIC와 SC 값을 기준으로 모형의 상대적 적합성을 검증하였다(오지운 외, 2023). 일반적으로 공간회귀모형의 Log Likelihood이 OLS일 때보다 증가하고, AIC와 SC가 감소하면 공간회귀모형의 설명력이 향상되었다고 판단한다(최열·이재송, 2014). 본 연구는 보정 전후 모두 Log Likelihood 값이 SLM에서 가장 크고, AIC, SC값이 OLS, SEM, SLM 순으로 작아졌기 때문에 SLM을 최종 모형으로 채택하였다(Table 4, Table 5).

Table 4.

OLS, SLM, SEM analysis results (before calibration)

Table 5.

OLS, SLM, SEM analysis results (after calibration)

먼저 보정 전후의 공간회귀모형 적용 결과를 비교했을 때, 동일한 변수들에 대해 유의미한 결과를 확인할 수 있었으며 상이한 영향 관계는 나타나지 않았다. 다만 보정 후의 경우, 탄소배출량의 지역 간 격차가 감소했기 때문에 보정 후 결과의 회귀계수값이 대체적으로 줄어들었다. 따라서 탄소배출량과 특정 도시 요인 간의 영향 관계를 해석하는 데에는 전자의 데이터를 활용함에 무리가 없는 것으로 판단되어 보정 전의 결과를 바탕으로 다음과 같이 해석하였다. 분석결과를 살펴보면, 토지이용압축도와 토지이용복합도에서 유의미한 결과를 확인하였다. 토지이용압축도는 탄소배출과 음(-)의 영향 관계를 나타내는 것을 알 수 있고, 격자 내 토지이용(건물)의 밀도가 높아질수록 탄소배출량은 감소하는 구조로 설명된다. 도시계획에서 주로 언급되는 도시 모형인 압축도시의 가장 큰 특징은 고밀도 개발이며, 이는 도시 기반시설 및 여러 건물의 밀집 등 토지이용의 집약을 의미한다. 분석 결과는 컴팩트한 도시가 탄소중립도시에 도달하는 데 더욱 효과적일 것이라는 결론을 유추해낼 수 있다. 반면 토지이용복합도에서는 양(+)의 관계를 확인할 수 있었는데, 건물의 다양성 수준이 증가할수록 탄소배출량이 커지는 것으로 나타났다. 다만 본 연구에서 활용한 토지이용복합도 지표는 단위면적 내 건물용도의 다양성 수준을 의미하므로 압축도시의 ‘복합토지이용(mixed landuse)’ 특성과는 다소 차이가 있다. 이는 혼합용도의 토지이용이 많다고 해석하기에는 무리가 있고, 경제발전과 도시계획이 급속도로 이루어짐에 따라 여러 용도의 건물들이 산재하여 입지하게 된 우리나라의 특성으로 해석할 수 있다. 그리하여 탄소중립도시 모형을 구상하기 위해서는 토지이용계획의 역할이 중요한 것으로 사료된다.

에너지와 탄소배출 간의 관계를 확인할 수 있는 전력소비량 변수는 세 모형 모두에서 양(+)의 계수를 나타내며, 탄소배출은 높은 에너지 소비와 관련이 있다는 선행연구의 결과와 일치한다(Waheed et al., 2019). 따라서 전력화 과정에서 신재생에너지로의 전환 또는 전력 생산 믹스 변화를 통해 탄소 저감을 꾀할 필요가 있다. 신재생에너지의 효율과 화석연료 연소로부터의 온실가스 발생을 고려하여, 발전 과정에서 석탄 및 석유 사용량을 최소화하고 천연에너지 발전량을 늘리면서 전력화를 높이는 사업의 추진이 지속적으로, 그리고 비중 있게 추진되어야 할 것으로 판단된다(진태영 외, 2020). 또한 GRDP 대비 산업부가가치 변수는 영향 정도가 다소 낮게 관찰되었지만, 모든 모형에서 유의미한 값이 도출되었으므로 이는 두 변수가 통계적으로 유의미한 관계에 있다는 것을 의미한다. 산업부가가치는 순생산액으로 해석하기도 하므로 부가가치 비율이 증가했다는 것은 2차산업의 생산성이 증가하고 있다는 것을 의미한다. 따라서 2차산업의 생산성 증대는 탄소배출량 증가에 유의미한 영향을 미치는 것으로 사료된다.

다음으로 교통 측면의 분석 결과에서는 자동차 등록대수가 증가할수록 탄소배출량에도 양(+)의 영향을 미치는 것으로 나타났다. 따라서 많은 환경문제를 야기하는 과도한 자동차 누적 등록 대수와 교통혼잡 문제는 탄소중립도시를 위해 반드시 해결되어야 할 쟁점인 것으로 판단된다. 다만, 본 연구에서 사용한 변수는 전기차와 같은 친환경자동차가 포함된 집계량이므로 결과 자체를 화석연료의 영향이라고 보기는 어려운 한계가 있으나, 2022년 기준 국토교통부의 통계에 따르면 친환경자동차의 비중은 여전히 6.2%인 것으로 보고되어 이와 같이 해석하는 데에는 문제가 없는 것으로 판단된다.

또한 본 연구에서는 공간적 자기상관성을 이유로 공간회귀모형을 사용하였으므로 공간적래그 변수의 해석이 필요하다. 이 변수가 유의미하게 나타나면 공간적 자기상관성이 탄소배출량 증가에 영향을 미치는 것으로 해석할 수 있다(Jun, 2017; 정수영·전희정, 2019). 따라서 어떠한 지역의 탄소배출량 증가는 인접지역의 탄소배출량 증가에 약 10% 정도 영향을 받는 것으로 분석되었다. 한편, 1인당 GRDP, 도시화율, 1인당 환경예산 변수들은 3개 모형 모두에서 유의미한 결과를 나타내지 않았으므로 관계성을 확인하지 못하였다.

Ⅴ. 결론 및 시사점

오늘날 도시는 급속도로 성장하며 기후변화 문제를 야기시켰고, 심각해지는 기후변화 문제는 다시 도시에 일련의 노력을 요구하고 있다. 기후변화 문제로 인해 전 세계가 위협받고 있는 현재, 세계 각국은 탄소중립 사회로의 전환을 선언하였다. 이러한 움직임을 따라 우리나라에서도 탄소중립 사회로의 대전환을 선포하고 이의 이행을 위한 법제도 정비 및 전략을 발표하였다. 탄소중립도시로 나아가기 위해서는 2050년까지 탄소 순 배출량이 0이 되는 도시를 계획해야 하며, 탄소배출량 저감을 위해서는 도시 단위의 탄소배출량 추정과 영향 요인에 대한 분석이 선행되어야 한다. 따라서 본 연구에서는 선행연구 및 현행 온실가스 배출량 산정법에서 발견되는 한계점을 보완하여 야간 위성영상을 기반으로 탄소배출량을 추정하였으며, 탄소배출 감축을 위한 전략을 모색하기 위해 영향을 미치는 도시 요인을 분석하였다.

분석 결과, 우리나라 도시의 탄소배출량은 시간의 흐름에 따라 증가하고 있음을 보여준다. 탄소배출량의 공간적 분포는 지역별로 매우 다양하며, 지역별 격차가 큰 것으로 나타났다. 예를 들면, 수도권과 특별·광역시 주변 지역에 집중화되어 있는 현상을 확인할 수 있으며, 그 강도와 범위는 더 증대되고 확산되고 있다. 특히, 수도권의 신도시와 공업이 발달한 도시에서 탄소배출량이 급격하게 증가하고 있는 것을 확인할 수 있었다. 다음으로 탄소배출량은 공간적 자기상관성을 보유하고 있는 바, 공간회귀모형을 활용하여 영향 요인에 대해 분석하였고, 토지이용, 에너지 소비, 산업구조, 교통 부문에서 유의미한 관계를 확인할 수 있었다. 토지이용의 압축도가 높아질수록 탄소배출량 감축에 긍정적인 영향을 주고, 토지이용의 다양성 수준이 증가할수록 탄소배출량이 커지는 것으로 분석되었다. 또한 에너지 소비가 증가할수록, 2차산업의 생산성이 증대될수록, 자동차가 증가할수록 탄소배출량은 증가한다.

이러한 결과를 통해 다음과 같은 시사점을 제시할 수 있다. 첫째, 컴팩트한 도시는 탄소중립도시의 실현에 더욱 효과적이므로 이를 고려한 토지이용계획이 필요하다. 이러한 결과는 오늘날 도시계획에서 강조하는 컴팩트한 도시에 대한 타당성을 뒷받침할 수 있는 근거가 될 것으로 판단된다. 특히 역스프롤 현상을 야기하는 수도권 신도시 개발사업은 더욱 신중하게 계획될 필요가 있다. 쾌적한 주거환경을 만들고자 했던 취지는 오히려 탄소배출로 인한 기후변화 문제를 심화시키고 있기 때문이다. 둘째, 에너지 효율화 기술의 촉진 및 신재생에너지 생태계로의 전환은 탄소배출을 줄이는 중요한 접근 방식이다. 따라서 발전 과정에서 석탄 및 석유 사용량을 최소화하고 천연에너지 발전량을 늘리면서 전력화를 높이는 방향으로 에너지 소비 메커니즘을 개선해야 할 것이다. 셋째, 산업화에 따른 생산성을 제한하는 것은 경제성장의 측면에서 올바른 방향이 아니므로 환경 규제를 통한 저공해 고부가가치 산업 시스템으로의 전환이 필요하다. 마지막으로, 자동차 누적 대수의 증가는 곧 탄소배출량에 직접적으로 영향을 미치므로 자동차를 줄이는 것은 필수불가결한 과제이다. 그러나 가구당 차량 수를 제한하거나 운행횟수 등을 유지시키는 등의 방식은 또 다른 문제를 야기할 수 있다. 이미 전 세계적으로 자동차로 인한 환경오염 문제의 심각성을 깨닫고 전기차와 같은 친환경자동차로의 전환을 추진하고 있다. 따라서 친환경자동차 산업의 성장을 촉진시키기 위한 법제도의 정착과 인센티브와 같은 제도의 확대가 필요하다.

한편, 본 연구에는 다음의 한계점이 있다. 먼저, 야간 위성영상은 앞서 언급했듯이 인구 분포, 도시화 지역 식별, 경제 활동, 에너지 소비 등 다양한 지표들을 대리할 수 있으므로, 연구자의 목적에 따라 다양한 해석을 이끌어낼 수 있다. 또한 이러한 맥락에서, 본 연구는 실제로 우리나라의 특정 도시가 타 도시에 비해 압도적으로 많은 탄소를 배출하고 있는 현실은 충분히 반영하지 못했다. 두 번째로, 시기별 데이터 및 전체 데이터를 대상으로 상관분석을 실시해본 결과 0.5 수준의 상관계수가 도출되었다. 이때, 두 자료 간에 유의미한 상관관계가 존재한다는 사실은 확인할 수 있으나 매우 높은 수준이라고 짐작하기에는 분명 무리가 있다. 다만, 국가 온실가스 인벤토리 데이터는 실제로 측정된 값이 아닌 추정된 데이터임을 감안한다면, 그리고 온실가스 인벤토리를 기준으로 보정한 데이터와의 비교를 통해 절대적인 공간적 현황 변화가 나타나지 않았음을 감안한다면, 보조 도구로서의 역할을 충분히 할 수 있을 것으로 판단된다. 이러한 한계점이 있음에도 불구하고 본 연구를 통해 야간 위성영상 데이터의 활용 가능성을 확인해본 결과 향후 탄소배출량 추정방법의 발전 가능성을 엿볼 수 있었음에 방법론적 의의가 있다. 본 연구에서 제시된 몇 가지 방법론적 한계점을 개선하여 야간 위성영상 기반 매핑방법의 다양한 시도가 진행된다면, 탄소배출량 추정의 정확도를 현저히 높일 수 있을 것으로 사료된다. 마지막으로 본 연구에서는 공간의 중요성을 인식하고 공간회귀모형을 통해 이와 같은 특성을 반영하기는 하였으나, 지역의 조건이나 배경에 따라 요인들의 영향 정도가 다를 수 있음은 반영하지 못하였다. 따라서 향후 공간적 이질성을 반영하고 특정 지역에서 특정 요인이 미치는 영향 정도를 세부적으로 도출한다면, 지역 특성을 고려한 정책 수립이 가능할 것으로 판단된다.

본 연구는 소비 기반의 추정방법을 모색하고자 야간 위성영상을 활용하였으며, 이를 통해 공간적으로 분석하고 영향 요인을 규명한 것으로 의의가 있다. 기존의 탄소배출량 산정법에서 발견되는 여러 한계점을 보완하여 하위 공간 단위까지 추정할 수 있는 새로운 방식으로서 방법론적 의미가 있다. 본 연구 결과와 공표될 기초지자체 단위 온실가스 인벤토리와 비교·분석 연구를 수행하여 탄소배출의 책임 및 관리 주체를 명확히 할 수 있을 것으로 기대된다. 또한 도시 단위의 탄소배출량 추정이 가능해짐에 따라, 탄소배출량에 영향을 미치는 요인을 검토하는 데 지역의 특성을 반영할 수 있다. 따라서 야간 위성영상 기반 탄소배출량 추정법은 탄소중립도시에 도달하기 위한 토지이용계획 및 정책연구에 효과적인 기초자료로 활용될 것으로 기대된다.

Acknowledgments

본 연구는 환경부 「기후변화특성화대학원사업」의 지원으로 수행되었으며, 국토교통부의 스마트시티 혁신인재육성사업으로 지원되었습니다.

References

• 강승원·이달별·정주철, 2019. “도시개발 패턴이 자연재해 피해에 미치는 영향: 경관지수를 이용하여”, 「환경정책」, 27(4): 189-210.
  Kang, S.W., Lee, D.B., and Jung, J.C., 2019. “The Impact of Urban Development Patterns on National Disaster Damages”, Journal of Environmental Policy and Administration, 27(4): 189-210. [ https://doi.org/10.15301/jepa.2019.27.4.189 ]
• 고승욱·신학철·이승일, 2023. “API 기반 통근통행자료를 활용한 서울시 행정동별 승용차 탄소배출량 추정: 네트워크 특성과 공간 구조정책 특성을 중심으로”, 「국토계획」, 58(1): 91-103.
  Go, S.W., Shin, H.C., and Lee, S.I., 2023. “Estimation of Passenger Private Car Carbon Emissions by Administrative District Using API-based Commuter Data”, Journal of Korea Planning Association, 58(1): 91-103. [ https://doi.org/10.17208/jkpa.2023.02.58.1.91 ]
• 김민호, 2020. “야간 인공조명 강도와 토지피복을 이용한 남한의 광역시도 인구추정”, 「한국지도학회지」, 20(2): 13-24.
  Kim, M.H., 2022. “The Estimation of Population for Metropolitan Cities and Provinces in South Korea using Nighttime Lights Intensity and Land Use Land Cover”, Journal of the Korean Cartographic Association, 20(2): 13-24. [ https://doi.org/10.16879/jkca.2020.20.2.013 ]
• 김승도·나승혁, 2008. “온실가스 배출량 산정방법”, 「전자공학회지」, 35(11): 73-82.
  Kim, S.D. and Na, S.H., 2008. “How to Calculate Greenhouse Gas Emissions”, The Magazine of the IEIE, 35(11): 73-82.
• 류창·김한수, 2022. “중국 도시화 과정을 해석하기 위한 NPP-VIIRS 연간 위성영상 보정 방법”, 「한국주거학회논문집」, 33(4): 15-22.
  Liu, C. and Kim, H.S., 2022. “NPP-VIIRS Annual Satellite Image Calibration Method for Interpret China’s Urbanization Process”, Journal of the Korean Housing Association, 33(4): 15-22. [ https://doi.org/10.6107/JKHA.2022.33.4.015 ]
• 박유진·김준범·경대승·박흥석, 2022. “환경산업연관분석(EEIOA) 을 이용한 경제 부문별 온실가스 배출량 특성분석”, 「대한환경공학회지」, 44(9): 308-335.
  Park, Y.J., Kim, J.B., Kyung, D.S., and Park, H.S., 2022. “Characterization of Greenhouse Gases Emissions by Economic Sectors Using Environmentally Extended Input-Output Analysis (EEIOA)”, Journal of Korean Society of Environmental Engineers, 44(9): 308-335. [ https://doi.org/10.4491/KSEE.2022.44.9.308 ]
• 백설·김흥순, 2023. “공간모형의 활용을 통한 도시 특성과 도시 범죄 위험도간의 영향관계 분석: 서울시 전체범죄 및 성폭력을 중심으로”, 「국토계획」, 58(1): 16-32.
  Baek, S. and Kim, H.S., 2023. “An Analysis of the Influence Relationship between Urban Characteristics and Urban Crime Risk through the Use of Spatial Models: A Focus on Overall Crime and Sexual Violence in Seoul”, Journal of Korea Planning Association, 58(1): 16-32. [ https://doi.org/10.17208/jkpa.2023.02.58.1.16 ]
• 변필성, 2007. “공간계량경제모델링: 지리학의 제1법칙과 공간 회귀모델”, 「국토」, 304: 111-119.
  Byun, P.S., 2007. “Spatial Measuring Economic Modelling: First Law of Geography and Spatial Regression Model”, Planning and Policy, 304: 111-119.
• 염재원·강승원·정필성·정주철, 2020. “광역 단위 자연재해저감 종합계획의 공간적 범위에 관한 연구”, 「한국방재학회논문집」, 20(1): 61-70.
  Yeom, J.W., Kang, S.W., Jung, P.S., and Jung, J.C., 2020. “Spatial Scope of the Regional Hazard Mitigation Plan”, Journal of Korean Society Hazard Mitigation, 20(1): 61-70. [ https://doi.org/10.9798/KOSHAM.2020.20.1.61 ]
• 오상학·김대욱·류지원·차재규·정응호, 2011. “지리정보시스템을 활용한 CO₂ 인벤토리 구축 방안에 관한 연구”, 「한국지리정보학회지」, 14(2): 40-52.
  Oh, S.H., Kim, D.W., Ryu, J.W., Cha, J.G., and Jung, E.H., 2011. “A Study for Construction of CO₂ Inventory Using GIS”, Journal of the Korean Association of Geographic Information Studies, 14(2): 40-52. [ https://doi.org/10.11108/kagis.2011.14.2.040 ]
• 오지운·성진·정주철, 2023. “문화기반시설의 지역 간 격차와 영향요인 분석”, 「국토계획」, 58(1): 5-15.
  Oh, J.W., Seong, J., and Jung, J.C., 2023. “Analysis on Regional Disparities and Influening Factors in Cultural Infrastructure”, Journal of Korea Planning Association, 58(1): 5-15. [ https://doi.org/10.17208/jkpa.2023.02.58.1.5 ]
• 유선철·신동빈·안종욱, 2019. “공간 빅데이터를 활용한 서울시 건물부문 온실가스 배출량 공간 분석 연구”, 「대한공간정보학회지」, 27(4): 11-19.
  Yu, S.C., Shin, D.B., and Ahn, J.W., 2019. “Study on Spatial Analysis of Greenhouse Gas Emissions in Building Sector Used by the Spatial Big Data in case of Seoul”, Journal of Korean Society for Geospatial Information Science, 27(4): 11-19. [ https://doi.org/10.7319/kogsis.2019.27.4.011 ]
• 유한솔·김익기·이태훈·김지혜, 2020. “자동차 주행거리자료와 통행배정모형을 결합한 온실가스 배출량 추정 연구”, 「교통연구」, 27(3): 95-113.
  Yoo, H.S., Kim, I.K., Lee, T.H., and Kim, J.H., 2020. “Estimating Vehicle Emissions based on Traffic Assignment Analysis Combined with Vehicle Inspection Data on Vehicle Kilometers Traveled”, Journal of Transport Research, 27(3): 95-113.
• 이슬기·이승일, 2022. “건축물 생애주기 내재탄소를 고려한 건물 부문 온실가스 배출량 산정 개선방안 연구”, 「한국기후변화학회지」, 13(5): 557-565.
  Lee, S.K. and Lee, S.I., 2022. “Improvement of Greenhouse Gas Emissions Calculation Considering the Life Cycle of Embodied Carbon of Buildings”, Journal of Climate Change Research, 13(5): 557-565. [ https://doi.org/10.15531/KSCCR.2022.13.5.557 ]
• 이희연·노승철, 2013. 「고급통계분석론」, 고양: 문우사.
  Lee, H.Y. and Noh, S.C., 2013. Advaced Statistical Anlysis, Goyang: Munusa.
• 장명진·이지윤·이현진·안영환, 2022. “2050 탄소중립 시나리오에 따른 전환부문의 온실가스 배출량 및 배출원단위 경로 연구”, 「한국기후변화학회지」, 13(6): 843-858.
  Jang, M.J., Lee, J.Y., Lee, H.J., and Ahn, Y.H., 2022. “A Study on GHG Emission and Emission Intensity Pathways in the Power Sector of Korea by the 2050 Carbon Neutrality Scenarios”, Journal of Climate Change Research, 13(6): 843-858. [ https://doi.org/10.15531/KSCCR.2022.13.6.843 ]
• 정민선·조희선·변병설, 2015. “도시특성요소가 온실가스 배출에 미치는 영향-수도권 지역을 중심으로”, 「국토지리학회지」, 49(3): 297-306.
  Jung, M.S., Cho, H.S., and Byun, B.S., 2015. “Effects of Urban Characteristics on Green House Gas Emissions from Seoul Metropolitan Area”, The Geographical Journal of Korea, 49(3): 297-306.
• 정수영·전희정, 2019. “빈집 증가의 공간적 자기상관성에 대한 탐색적 연구”, 「국토계획」, 54(7): 89-102.
  Jung, S.Y. and Jun, H.J., 2019. “Exploring Spatial Dependence in Vacant Housing Growth”, Journal of Korea Planning Association, 54(7): 89-102. [ https://doi.org/10.17208/jkpa.2019.12.54.7.89 ]
• 조홍종·구효정, 2022. “생산기반 온실가스 배출량 vs 소비기반 온실가스 배출량”, 「자원환경경제연구」, 31(4): 597-617.
  Cho, H.C. and Koo, H.J., 2022. “Production-Based Greenhouse Gas Emissions and Consumption-Based Emissions”, Environmental and Resource Economics Review, 31(4): 597-617.
• 진태영·김진수, 2017. “화석연료 사용량을 고려한 탄소배출량과 도시화율의 관계에 관한 연구”, 「환경정책」, 25(3): 47-70.
  Jin, T.Y. and Kim, J.S., 2017. “The Relationship between Carbon Emissions and Urbanization Considering Fossil Fuel Usage”, Journal of Environmental Policy and Administration, 25(3): 47-70. [ https://doi.org/10.15301/jepa.2017.25.3.47 ]
• 진태영·최가영·이은미·이수경, 2020. “이산화탄소 배출량 분해 분석: 산업 및 에너지 소비구조를 중심으로”, 「환경정책」, 28(2): 153-182.
  Jin, T.Y., Choi, G.Y., Lee, E.M., and Lee, S.K., 2020. “A Decomposition Analysis of Domestic Carbon Dioxide Emissions Related to Industry Structure and Energy Mix in Korea”, Journal of Environmental Policy and Administration, 28(2): 153-182. [ https://doi.org/10.15301/jepa.2020.28.2.153 ]
• 최열·이재송, 2014. “공간회귀모형을 이용한 산업 및 용도지역 특성과 환경 오염과의 상관관계 분석”, 「국토계획」, 49(1): 247-261.
  Choi, Y. and Lee, J.S., 2014. “Correlates between Industries and Zoning Characteristics and Environmental Pollution Employing Spatial Regression Model”, Journal of Korea Planning Association, 49(1): 247-261. [ https://doi.org/10.17208/jkpa.2014.02.49.1.247 ]
• 최윤실·박건진·남재작, 2022. “대체단백질식품의 시장점유 시나리오별 축산부문 온실가스 배출량 추정”, 「한국기후변화학회지」, 13(3): 299-304.
  Choi, Y.S., Park, G.J., and Nam, J.J., 2022. “Effect of Alternative Protein Food Market Growth on Green House Gas Emissions in Livestock Sector”, Journal of Climate Change Research, 13(3): 299-304. [ https://doi.org/10.15531/KSCCR.2022.13.3.299 ]
• 최한주·이기훈, 2006. “환경 혼합 산업연관모형을 이용한 산업별 이산화탄소 배출량 추정과 변화 요인 분석”, 「자원환경경제연구」, 15(1): 27-50.
  Choi, H.J. and Lee, G.H., 2006. “An Estimation and Decomposition of CO₂ Emissions Change in Korea Industry, 1990~2000 Using a Hybrid Input-Output Model and Structural Decomposition Analysis”, Environmental and Resource Economics Review, 15(1): 27-50.
• Ang, J.B., 2007. “CO2 Emissions, Energy Consumption, and Output in France”, Energy Policy, 35(10): 4772-4778. [https://doi.org/10.1016/j.enpol.2007.03.032]
• Ang, J.B., 2008. “Economic Development, Pollutant Emissions and Energy Consumption in Malaysia”, Journal of Policy Modeling, 30(2): 271-278. [https://doi.org/10.1016/j.jpolmod.2007.04.010]
• Begum, R.A., Sohag, K., Abdullah, S.M.S., and Jaafar, M., 2015. “CO2 Emissions, Energy Consumption, Economic and Population Growth in Malaysia”, Renewable and Sustainable Energy Reviews, 41: 594-601. [https://doi.org/10.1016/j.rser.2014.07.205]
• Bowen, A., Cochrane, S., and Fankhauser, S., 2012. “Climate Change, Adaptation and Economic Growth”, Climatic Change, 113: 95-106. [https://doi.org/10.1007/s10584-011-0346-8]
• Chen, L., Xu, L., and Yang, Z., 2019. “Inequality of Industrial Carbon Emissions of the Urban Agglomeration and Its Peripheral Cities: A Case in the Pearl River Delta, China”, Renewable and Sustainable Energy Reviews, 109: 438-447. [https://doi.org/10.1016/j.rser.2019.04.010]
• Chen, P.Y., Chen, S.T., Hsu, C.S., and Chen, C.C., 2016. “Modeling the Global Relationships among Economic Growth, Energy Consumption and CO2 Emissions”, Renewable and Sustainable Energy Reviews, 65: 420-431. [https://doi.org/10.1016/j.rser.2016.06.074]
• Dietz, T. and Rosa, E.A., 1994. “Rethinking the Environmental Impacts of Population, Affluence, and Technology”, Human Ecology Review, 1(2): 277-300.
• Elvidge, C.D., Baugh, K.E., Kihn, E.A., Kroehl, H.W., Davis, E.R., and Davis, C.W., 1997. “Relation between Satellite Observed Visible-near Infrared Emissions, Population, Economic Activity and Electric Power Consumption”, International Journal of Remote Sensing, 18(6): 1373-1379. [https://doi.org/10.1080/014311697218485]
• Elvidge, C.D., Baugh, K.E., Zhizhin, M., and Hsu, F.C., 2013. “Why VIIRS Data Are Superior to DMSP for Mapping Nighttime Lights”, Proceedings of the Asia-Pacific Advanced Network, 35: 62. [https://doi.org/10.7125/APAN.35.7]
• Elvidge, C.D., Zhizhin, M., Ghosh, T., Hsu, F.C., and Taneja, J., 2021. “Annual Time Series of Global VIIRS Nighttime Lights Derived from Monthly Averages: 2012 to 2019”, Remote Sensing, 13(5): 922. [https://doi.org/10.3390/rs13050922]
• Gaigné, C., Riou, S., and Thisse, J.F., 2012. “Are Compact Cities Environmentally Friendly?”, Journal of Urban Economics, 72(2-3): 123-136. [https://doi.org/10.1016/j.jue.2012.04.001]
• Huang, Q., Yang, X., Gao, B., Yang, Y., and Zhao, Y., 2014. “Application of DMSP/OLS Nighttime Light Images: A Meta-analysis and A Systematic Literature Review”, Remote Sensing, 6(8): 6844-6866. [https://doi.org/10.3390/rs6086844]
• Jun, H.J., 2017. “The Spatial Dynamics of Neighborhood Change; Exploring Spatial Dependence in Neighborhood Housing Value Change”, Housing Studies, 32(6): 717-741. [https://doi.org/10.1080/02673037.2016.1228852]
• Lal, R., 2004. “Carbon Emission from Farm Operations”, Environment International, 30(7): 981-990. [https://doi.org/10.1016/j.envint.2004.03.005]
• Luo, P., Zhang, X., Cheng, J., and Sun, Q., 2019. “Modeling Population Density Using A New Index Derived from Multi-sensor Image Data”, Remote Sensing, 11(22): 2620. [https://doi.org/10.3390/rs11222620]
• Lv, Q., Liu, H., Wang, J., Liu, H., and Shang, Y., 2020. “Multi-scale Analysis on Spatiotemporal Dynamics of Energy Consumption CO2 Emissions in China: Utilizing the Integrated of DMSP-OLS and NPP-VIIRS Nighttime Light Datasets”, Science of the Total Environment, 703: 134394. [https://doi.org/10.1016/j.scitotenv.2019.134394]
• Martínez-Zarzoso, I. and Maruotti, A., 2011. “The Impact of Urbanization on CO2 Emissions: Evidence from Developing Countries”, Ecological Economics, 70(7): 1344-1353. [https://doi.org/10.1016/j.ecolecon.2011.02.009]
• Meng, L., Graus, W., Worrell, E., and Huang, B., 2014. “Estimating CO2 (Carbon Dioxide) Emissions at Urban Scales by DMSP/OLS (Defense Meteorological Satellite Program’s Operational Linescan System) Nighttime Light Imagery: Methodological Challenges and A Case Study for China”, Energy, 71: 468-478. [https://doi.org/10.1016/j.energy.2014.04.103]
• Miller, S.D., Mills, S.P., Elvidge, C.D., Lindsey D.T., Lee, T.F., and Hawkins, J.D., 2012. “Suomi Satellite Brings to Light A Unique Frontier of Nighttime Environment Sensing Capabilities”, PNAS, 109(39): 15706-15711. [https://doi.org/10.1073/pnas.1207034109]
• O’Toole, R., 2009. “The Myth of the Compact City: Why Compact Development Is Not the Way to Reduce Carbon Dioxide Emissions”, Cato Policy Analysis Series, 653. [https://doi.org/10.2139/ssrn.1543980]
• Ou, J., Liu, X., Li, X., and Chen, Y., 2013. “Quantifying the Relationship between Urban Forms and Carbon Emissions Using Panel Data Analysis”, Landscape Ecology, 28: 1889-1907. [https://doi.org/10.1007/s10980-013-9943-4]
• Ou, J., Liu, X., Li, X., Li, M., and Li, W., 2015. “Evaluation of NPP-VIIRS Nighttime Light Data for Mapping Global Fossil Fuel Combustion CO2 Emissions: A Comparison with DMSP-OLS Nighttime Light Data”, PloS One, 10(9): e0138310. [https://doi.org/10.1371/journal.pone.0138310]
• Raupach, M.R., Rayner, P.J., and Paget, M., 2010. “Regional Variations in Spatial Structure of Nightlights, Population Density and Fossil-fuel CO2 Emissions”, Energy Policy, 38(9): 4756–4764. [https://doi.org/10.1016/j.enpol.2009.08.021]
• Rehman, A., Ma, H., and Ozturk, I., 2021. “Do Industrialization, Energy Importations, and Economic Progress Influence Carbon Emission in Pakistan”, Environmental Science and Pollution Research, 28: 45840-45852. [https://doi.org/10.1007/s11356-021-13916-4]
• Sarkodie, S.A., Owusu, P.A., and Leirvik, T., 2020. “Global Effect of Urban Sprawl, Industrialization, Trade and Economic Development on Carbon Dioxide Emissions”, Environmental Research Letters, 15(3): 034049. [https://doi.org/10.1088/1748-9326/ab7640]
• Shi, K., Chen, Y., Yu, B., Xu, T., Chen, Z., Liu, R., Li, L., and Wu, J., 2016. “Modeling Spatiotemporal CO2 (Carbon Dioxide) Emission Dynamics in China from DMSP-OLS Nighttime Stable Light Data Using Panel Data Analysis”, Applied Energy, 168: 523-533. [https://doi.org/10.1016/j.apenergy.2015.11.055]
• Su, Y., Chen, X., Li, Y., Liao, J., Ye, Y., Zhang, H., Huang, N., and Kuang, Y., 2014. “China’s 19-year City-level Carbon Emissions of Energy Consumptions, Driving Forces and Regionalized Mitigation Guidelines”, Renewable and Sustainable Energy Reviews, 35: 231-243. [https://doi.org/10.1016/j.rser.2014.04.015]
• Tobler, W., 1970. “A Computer Movie Simulating Urban Growth in the Detroit Region”, Economic Geography, 46(2): 234-240. [https://doi.org/10.2307/143141]
• Tol, R.S. and Yohe, G.W., 2007. “The Weakest Link Hypothesis for Adaptive Capacity: An Empirical Test”, Global Environmental Change, 17(2): 218-227 [https://doi.org/10.1016/j.gloenvcha.2006.08.001]
• Waheed, R., Sarwar, S., and Wei, C., 2019. “The Survey of Economic Growth, Energy Consumption and Carbon Emission”, Energy Reports, 5: 1103-1115. [https://doi.org/10.1016/j.egyr.2019.07.006]
• Wang, X., Cai, Y., Liu, G., Zhang, M., Bai, Y., and Zhang, F., 2022. “Carbon Emission Accounting and Spatial Distribution of Industrial Entities in Beijing—Combining Nighttime Light Data and Urban Functional Areas”, Ecological Informatics, 70: 101759. [https://doi.org/10.1016/j.ecoinf.2022.101759]
• Wang, Z., Xiong, J., and Lei, N., 2017. “VIIRS Day/Night Band Radiometric Calibration Stability Using the Moon”, Journal of Geophysical Research: Atmospheres, 122: 5616-5624. [https://doi.org/10.1002/2016JD026372]
• Wei, W., Zhang, X., Cao, X., Zhou, L., Xie, B., Zhou, J., and Li, C., 2021. “Spatiotemporal Dynamics of Energy-related CO2 Emissions in China Based on Nighttime Imagery and Land Use Data”, Ecological Indicators, 131: 108132. [https://doi.org/10.1016/j.ecolind.2021.108132]
• Yang, D., Luan, W., Qiao, L., and Pratama, M., 2020. “Modeling and Spatio-temporal Analysis of City-level Carbon Emissions Based on Nighttime Light Satellite Imagery”, Applied Energy, 268: 114696. [https://doi.org/10.1016/j.apenergy.2020.114696]
• Yu, B., Shi, K., Hu, Y., Huang, C., Chen, Z., and Wu, J., 2015. “Poverty Evaluation Using NPP-VIIRS Nighttime Light Composite Data at the County Level in China”, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(3): 1217-1229. [https://doi.org/10.1109/JSTARS.2015.2399416]
• Zhang, G., Ge, R., Lin, T., Ye, H., Li, X., and Huang, N., 2018. “Spatial Apportionment of Urban Greenhouse Gas Emission Inventory and Its Implications for Urban Planning: A Case Study of Xiamen, China”, Ecological Indicators, 85: 644-656. [https://doi.org/10.1016/j.ecolind.2017.10.058]
• Zhang, S. and Zhao, T., 2019. “Identifying Major Influencing Factors of CO2 Emissions in China: Regional Disparities Analysis Based on STIRPAT Model from 1996 to 2015”, Atmospheric Environment, 207: 136-147. [https://doi.org/10.1016/j.atmosenv.2018.12.040]
• Zhang, X., Wu, J., Peng, J., and Cao, Q., 2017. “The Uncertainty of Nighttime Light Data in Estimating Carbon Dioxide Emissions in China: A Comparison between DMSP-OLS and NPP-VIIRS”, Remote Sensing, 9(8): 797. [https://doi.org/10.3390/rs9080797]
• Zhang, Y., Yang, Z., and Yu, X., 2015. “Urban Metabolism: A Review of Current Knowledge and Directions for Future Study”, Environmental Science and Technology, 49: 11247-11263. [https://doi.org/10.1021/acs.est.5b03060]
• Zhang, Y.H., Wooster, M.J., Tutubalina, O., and Perry, G.L.W., 2003. “Monthly Burned Area and Forest Fire Carbon Emission Estimates for the Russian Federation from SPOT VGT”, Remote Sensing of Environment, 87(1): 1-15. [https://doi.org/10.1016/S0034-4257(03)00141-X]
• IPCC (Intergovernmental Panel on Climate Change), 2018. “Global Warming of 1.5ºC”, Accessed March 2, 2023. https://www.ipcc.ch/sr15/