环境科学  2025, Vol. 46 Issue (5): 2828-2836   PDF    
引用本文
盖兆梅, 刘仁涛, 刘新华, 于婷, 刘洁. 黑龙江省碳达峰预测及实现路径分析[J]. 环境科学, 2025, 46(5): 2828-2836.
GAI Zhao-mei, LIU Ren-tao, LIU Xin-hua, YU Ting, LIU Jie. Prediction and Path Analysis of Carbon Peak in Heilongjiang Province[J]. Environmental Science, 2025, 46(5): 2828-2836.
黑龙江省碳达峰预测及实现路径分析
盖兆梅1, 刘仁涛2, 刘新华1, 于婷1, 刘洁1     
1. 东北农业大学水利与土木工程学院, 哈尔滨 150030;
2. 黑龙江建筑职业技术学院市政工程技术学院, 哈尔滨 150025
收稿日期: 2024-04-11; 修订日期: 2024-07-01
基金项目: 黑龙江省自然科学基金优秀青年项目（YQ2021E004）；国家自然科学基金青年基金项目（52000022）；中国博士后科学基金项目（2022T150105）；黑龙江省自然科学基金联合引导项目（LH2022D003）
作者简介: 盖兆梅（1976~）, 女, 硕士研究生, 高级工程师, 主要研究方向为复杂环境系统分析与模拟, E-mail：gaizhaomei@neau.edu.cn
通信作者: 刘洁，E-mail：ljneau@163.com
摘要: 黑龙江省作为中国重要的重工业基地和商品粮食主产区, 近年受到气候变化影响较大. 为更好地预测碳排放趋势, 耦合贝叶斯优化算法、等度量映射算法和支持向量机算法构建了碳排放量预测模型. 结果显示, 该集成模型在训练集阶段相关性可达到0.99, 而在碳排放波动阶段仍能保持0.81的相关性, 可以保证一定的预测精度. 对黑龙江省碳排放量预测结果表明, 通过低碳发展该省有望在2035年实现碳达峰, 为381×106 t, 预计早于基准水平5 a实现碳达峰, 减少碳排放量6.39%, 早于高速发展情景10 a实现碳达峰, 减少碳排放量17.06%. 同时, 通过Tapio脱钩指数模型对2012~2019年黑龙江省碳排放波动趋势进行分析, 发现该地区经济与碳排放量尚未进入稳定的脱钩阶段, 但能源消费强度与碳排放量已呈现出脱钩的趋势. 并基于碳达峰预测与脱钩指数对黑龙江省实现路径进行探讨, 有望推进黑龙江省实现碳达峰愿景.
关键词: 黑龙江省      碳达峰      碳排放预测      人工智能模型      情景分析      脱钩分析     
Prediction and Path Analysis of Carbon Peak in Heilongjiang Province
GAI Zhao-mei1 , LIU Ren-tao2 , LIU Xin-hua1 , YU Ting1 , LIU Jie1     
1. College of Water Conservancy and Civil Engineering, Northeast Agricultural University, Harbin 150030, China;
2. School of Municipal Engineering Technology, Heilongjiang College of Construction, Harbin 150025, China
Abstract: Heilongjiang Province, as a Chinese heavy industry base and major grain producing area, has faced notable challenges in recent years due to climate change. To effectively predict the trend of carbon emissions, the Bayesian optimization algorithm, isomap algorithm, and support vector machine algorithm were integrated to construct a carbon emission prediction model. The results demonstrated that the integrated prediction model exhibited excellent generalization ability, with a correlation coefficient of 0.99 during the training phase, and maintained generalization ability with a correlation of 0.81 during carbon emission fluctuations for satisfactory prediction accuracy. Carbon emissions in Heilongjiang Province were forecast to peak at 381 million tons by 2035 through low-carbon development, five years ahead of baseline projections with a 6.39% cut. This peak would come ten years sooner than that under high-speed growth, reducing emissions by 17.06%. Analysis with the Tapio Decoupling Index Model (2012~2019) showed an unstable decoupling between economic growth and carbon emissions but a positive trend in energy intensity vs. emissions. Discussions are underway based on these forecasts and decoupling insights to outline pathways for Heilongjiang to reach its carbon peaking goals earlier.
Key words: Heilongjiang Province      carbon peak      carbon emission prediction      artificial intelligence model      scenario analysis      decoupling analysis     

在全球气候变化的背景下, 极端气候事件对社会的可持续发展带来了巨大的挑战, 碳排放的问题已经成为全球范围内关注的焦点[1]. 中国提出了力争于2030年前实现“碳达峰”, 努力争取2060年前实现“碳中和”[2, 3], 有必要对我国广袤国土内各地的碳排放状况进行监测和预测. 近年黑龙江地区气温升高、降水模式变化以及季节性气候极端事件的增多都对农业、水资源管理和生态系统健康构成了严重挑战[4], 有必要分析和预测该地区碳排放趋势, 为应对气候变化提供科学依据.

近年来, 许多研究人员一直致力于二氧化碳排放预测, 并提出了各种预测模型. 常用的方法大致可以分为经济计量模型[5]和人工智能模型[6]两类. 在经济计量模型方面, 王丽等[7]利用改进的IPAT模型研究不同气候条件下各影响因素对碳排放量的影响；牛君等[8]利用STIRPAT模型对甘肃省不同情景下的达峰时间进行预测；Jacoby等[9]开发了EPPA模型预测温室气体变化趋势并进行政策分析. 但经济计量学模型一般基于线性回归假设, 需要碳排放数据具有较高的线性关系, 而实际的碳排放影响因素复杂, 存在着很强的不确定性[10]. 在人工智能模型方面, 研究者们探索了多种方法以提高预测模型的灵活性和适应性, 以应对碳排放数据的非线性、复杂性和不确定性. Liu等[11]将混沌理论与神经网络结合对200多个国家碳排放进行模拟和预测, 结果表明该方法较为精确且泛化能力较好；李柚洁等[12]耦合信号分解与神经网络对碳排放的波动周期进行分析并进行预测, 能够较为精确地捕捉碳排放的变化趋势并预测；钱啸吟[13]利用随机森林和神经网络分别与Lasso回归进行耦合, 对我国碳排放趋势进行预测并分析预测效果. 单独使用某一种模型往往难以满足复杂碳排放预测的需求, 融合多种模型的优势, 采用集成方法成为了当前研究的主流趋势[14], 旨在通过综合特征选择、参数优化及未来预测等多个维度, 实现更全面和更精准的碳排放动态分析与预测. 人工智能模型在处理大数据时表现出色, 尤其是深度学习模型, 能从海量信息中挖掘复杂特征, 提升预测精度. 然而, 对于小样本情况, 这些模型往往面临挑战, 易发生过拟合, 即过度学习训练数据而泛化能力减弱. 小样本数据的局限性还在于难以全面反映数据的真实分布, 导致预测不确定性增大. 遗憾的是, 碳排放量数据的收集比较困难, 很难收集合适的长时间序列碳排放数据进行模型的构建. 支持向量机（support vector machine, SVM）是以置信区间的最小化为优化目标, 能够更容易地获得全局最优解, 预测结果的稳定性相对更高且鲁棒性也较高[15, 16], 在训练数据量较少的情况下也能表现出较好的预测性能. 贝叶斯优化算法（bayesian optimization, BO）作为一种基于概率分布的超参数优化方法, 引入SVM模型中能够更为高效地实现预测性能提升[17]. 同时, 结合降维算法对预测模型的输入数据进行重构也可以有效提升预测性能[18 ~ 20]. 考虑到数据的复杂性以及共线性, 擅长处理非线性数据[21]的等度量映射（isometric mapping, Isomap）算法会有更好的效果.

针对碳排放数据稀少且复杂共线性问题, 本研究融合BO算法、Isomap算法和SVM模型, 构建基于BO-Isomap-SVM集成模型, 针对黑龙江省碳排放进行高精度预测, 以期优化预测效能, 增强模型处理复杂数据的能力. 本研究通过集成模型的多情景分析, 为黑龙江省定制碳达峰路径, 精确预测峰值与达峰时间, 为政策制定提供科学参考. 本研究分析经济与碳排放关系, 利用Tapio模型揭示脱钩路径, 并结合地方特性, 从政策与技术综合探索绿色转型策略, 以期为黑龙江省乃至类似区域的可持续发展目标提出实施策略, 并为应对全球气候变化贡献了实践和理论指导.

1 材料与方法 1.1 集成模型构建 1.1.1 BO算法

BO算法[22]常被应用于模型的超参数优化, 在本研究中, 可用于对其余算法及模型超参数的选择. BO算法是一种运用贝叶斯定理对模型超参数进行调优全局优化算法[23], 能更快速和更准确地获得目标函数的全局最优解. 确定参数组合group={x1, x2, …, xi}[10, 24]的超参数空间space, 目标函数为f（x）, 则可以对最优超参数集合groupopt进行选择[22]：

(1)

随后根据已知的调参数据建立概率分布模型并用作建立下一组模型的依据, 不断的迭代以及组合的增加直到达到最大迭代次数, 最优的参数组合将会被代入模型进行计算. 在本研究中, 采用五折交叉验证, 并以预测值与IPCC计算值的相关性作为目标函数, 迭代次数达到最高后选择最优的结果代入下一步阶段的模型中并结合, 对黑龙江省碳排放量进行预测.

1.1.2 Isomap

考虑到利用5 a的自变量数据对碳排放量进行预测可能会带来大量的冗余, 同时高维的数据对于建模来说也有比较高的难度, 因此需要对原始数据进行降维处理. 而Isomap[24]是一种经典非线性降维方法. Isomap是基于MDS算法改进的一种算法, 首先通过测地距离分析点与点之间的关系, 随后在全局状态下利用图意义计算点与点之间的距离, 最后通过MDS算法计算出低维坐标. 给定数据集X={X1, X2, …, Xn}表示5 a的自变量数据并假设降维优化后的数据为x（本征维数为d）[25]. Isomap算法一旦获取了合适的参数值（邻域k与本征维数d）就可以表现出较好的降维结果[25].

1.1.3 SVM

SVM是一种在高维空间寻找超平面的算法[16], 十分适用于小样本分析[26, 27]. 在本研究中, 通过Isomap降维后的数据作为SVM的输入量, 构建回归模型. 给定数据集{（x1, CE1）, （x2, CE2）, …, （xn, CEn）}, 其中, xn为降维后的自变量, CEn为碳排放量. SVM算法的流程为[26, 28]：

（1）设定最优超平面：

(2)

式中, ω为超平面的法向量, b为位移量, φ（xi）为核函数. 决策函数就可以表示为：

(3)

（2）利用SVM做回归模型是需要利用目标函数确定最小间隔的超平面. 目标函数为：

(4)

式中, ξi为松弛因子, C为惩罚因子, 选择合适的惩罚因子可以使模型表现更好的性能.

（3）将不等式约束加入目标函数中, 则可以得到对偶问题：

(5)

式中, Q（α）为目标函数, αi和αj为拉格朗日乘子.

在本研究中, 选择径向基核函数进行求解最终的核函数为：

(6)

式中, g为核函数系数. 参数g的大小同样会对SVM的性能有所影响.

1.1.4 预测性能评估

在本研究中, 为了对建立的BO-Isomap-SVM模型进行性能分析, 将该模型与STIRPAT、SVM及BO-SVM这3种常见的碳排放预测模型进行对比, 并使用标准差、均方根误差和相关系数进行误差分析, 以期能够更准确地评估模型的预测能力. 相关误差分析的公式如下：

(7)
(8)
(9)
(10)

式中, N为数据量, Mi和Ci分别为模型预测值和计算值, M和C分别为预测值与计算值的平均值. 在误差分析的过程中, 引入了泰勒图[29], 该图由预测值与计算值的标准差（SM, SC）、相关性系数（r2）及中心化均方根误差（E′）构成. 当r2越大, E′越小, SM与SC越相近时, 表明模型的预测效果越好, 在泰勒图中则表示图中各模型的预测情况的代表点距离计算值代表的点越近[30].

1.2 情景预测与参数设定

为了对黑龙江省碳达峰时间进行预测, 有必要开展情景预测[5, 31]. 人口增长带动能源需求增加, 人均GDP上升虽初期伴随碳排放增长但后期可能出现脱钩, 城镇化更好地统筹能源从而减少能源消耗, 第二产业占比高则碳排放强度大, 而能源消耗强度反映经济活动的能源效率. 通过设定这些指标的多水平变化, 研究能全面评估不同经济发展路径对碳排放的潜在效应, 为政策制定与碳达峰目标实现提供数据支持与科学导向. 在本研究中, 考虑3种不同情景, 包括发展速度与当前水平相似的基准情景及注重绿色发展的低碳发展情景, 以及偏向经济增长的高速发展情景, 并设置了3个不同水平（高、中、低）的5个输入参数变化率[32], 具体详见表 1. 在为3个水平值规定范围时, 考虑到黑龙江省近年来的发展水平并结合相关研究[33], 将2020~2050年间具体的水平值规定列于表 2.

表 1 各驱动因素变化速率 Table 1 Rate of change of each driver

表 2 各因素增长率预测值 Table 2 Projected growth rates of factors

1.3 碳排放与经济增长分析

为进一步分析碳排放的时间变化趋势, 评估碳排放与经济因素之间的关联, 本研究引入Tapio脱钩指数模型[34]. 该模型不仅能够消除基期选取所带来的误差, 还能提供稳定的结果和明确的标准[35, 36], 更可靠地评估碳排放与经济增长和能源消耗强度之间的关系. 具体的Tapio脱钩指数模型的计算公式如下所示[37]：

(11)
(12)

式中, εg和εe分别为人均GDP和能源消耗强度与碳排量的脱钩弹性指数；ΔCE、Δg和Δe为碳排放量、人均GDP和能源消费强度的变化量；CE1、g1与e1为报告年的碳排放量、人均GDP和能源消耗强度；CE0、g0和e0为基准年的碳排放量、人均GDP和能源消耗强度. 脱钩弹性指数如表 3所示.

表 3 Tapio脱钩弹性指数与类型 Table 3 Tapio decoupling elasticity index and types

研究方法总共分为3个阶段, 首先是利用BO-Isomap-SVM算法构建的集成模型进行训练, 在本研究中, 利用了1997~2019年共23 a的数据, 其中：1997~2014年共18 a的数据作为训练集, 以及2015~2019年共5 a的数据用作测试集. 训练集的数据被用于BO算法的超参数优化. 为了提升模型的表达能力, 本研究采用了五折交叉验证, 以确保模型在多样化的数据集上获得了稳健的性能. 最后利用Tapio脱钩模型分析经济增长与碳排放量之间的变化关系. 具体的流程如图 1所示.

图 1 模型流程 Fig. 1 Model flow

1.4 研究区域与数据来源

1961~2020年, 黑龙江省地表气温平均每10 a升高0.34℃, 降水量平均每10 a增加15.5 mm, 均高于全国平均水平[38]. 有必要针对黑龙江省的碳排放情况构建碳排放预测模型. 区域碳排放的影响因素较多, 有研究表明将人口规模、经济发展、技术水平、城市发展以及产业结构作为自变量对碳排放量进行计算会有较好的结果[39 ~ 42]. 同时考虑到数据的可获得性以及代表性, 研究范围定为1997~2019共23 a. 其中, 数据人口规模（人口数量）、经济发展（人均GDP）、城市发展（城镇化率）、技术水平（能源消耗强度）和产业结构（第二产业占比）[37]来源于《1993~2019年黑龙江省统计年鉴》, 碳排放量（CE）数据来源于中国碳核算数据库[43 ~ 46]（ceads.net）, 计算方式为IPCC碳排放因子核算.

2 结果与讨论 2.1 碳排放预测性能分析

通过BO算法的参数寻优, 获得了各参数的优化结果分布, 详见图 2. 从中可以明显看出, 4种参数的寻优结果呈现相对集中的趋势, 这表明BO算法在参数寻优阶段并非进行盲目的随机搜索, 而是基于后验分布进行了精准而有针对性地寻优过程.

图 2 BO算法参数寻优结果 Fig. 2 Parameter optimization results of BO algorithm

表 4列示了每个参数的具体优化结果. 从中可以看出高维的数据通过Isomap算法压缩之后仅保留了2个维度（d=2）, 这极大地减少了数据的冗余, 同时在SVM模型中, 参数C的值为5.35, 而参数g的值为1.79, 参数C在SVM中是惩罚项的系数, 它控制了对错误分类的惩罚程度, 较大的C值表示更强调对错误分类的惩罚, 使得模型更倾向于选择更复杂的决策边界. 其次, 参数g是RBF核函数中的一个参数, 影响了数据映射到高维空间后的分布, 较小的g值则使得决策边界更加平滑, 更强调整体的趋势.

表 4 BO算法参数寻优结果 Table 4 Parameter optimization results of BO algorithm

本研究深入对比分析了BO-Isomap-SVM模型与其他模型（STIRPAT、SVM和BO-SVM）的性能, 详情见图 3. STIRPAT模型虽能捕捉趋势, 但预测偏差明显, 反映了其对数据复杂性和非线性的处理局限. SVM模型表现出过拟合严重, 尤其在未见数据上的泛化能力弱. BO-SVM模型虽有改进, 但在测试集上对波动预测不足, 表明还需增强模型动态适应性, 通过增加特征变量和优化, 以更好地应对碳排放数据的复杂性. 这凸显了BO-Isomap-SVM模型的优势, 不仅在训练阶段展示了高度的预测准确性, 还在一定程度上克服了其他模型的缺点, 特别是在处理实际数据中的非线性关系和波动性方面. 形成了一个强大且灵活的预测框架. 尤其在测试集阶段, 该模型展现出了对碳排放趋势更为精细的捕捉能力, 预测值与实际值的误差较小, 证明了其在小样本和复杂数据环境下的有效性和鲁棒性. 尽管BO-Isomap-SVM模型在波动趋势预测方面还有待提升, 但其综合性能的优越性不容忽视. 它为黑龙江省碳排放预测提供了一个新的且更为可靠的工具, 为政策制定者规划碳减排路径和达峰时间提供了科学依据.

图 3 黑龙江省碳排放预测值与计算值 Fig. 3 Simulated and predicted carbon emissions of Heilongjiang Province

从图 3（d）的观察中, 可以明显看出, 使用本研究构建的BO-Isomap-SVM模型, 将多年的数据作为自变量进行碳排放量的建模, 相对于BO-SVM模型, 预测精度进一步提升. 特别是在测试集阶段, 表现更为显著, 能够相对准确地对碳排放趋势进行预测. 这一结果证明了通过融合多个模型和数据源能够更全面地捕捉碳排放数据中的复杂关系. BO-Isomap-SVM模型的综合性能提高, 可能归因于其能够有效地克服单一模型的局限性, 从而更好地适应不同的数据特征和波动性. 在测试集阶段, BO-Isomap-SVM模型相较于BO-SVM模型, 展现了更强的泛化能力. 这对于在实际应用中处理碳排放数据的不确定性和变化具有重要意义. 综合来看, BO-Isomap-SVM模型在碳排放预测中具有一定的优越性.

为进一步对4种模型的精确程度进行定量分析, 在本研究中引入泰勒图形, 结果见图 4, 从中可以看出, 在测试集阶段, STIRPAT模型（E′=19.58）与单一的SVM模型（E′=27.62）与计算值所代表的点相差较大的距离, BO-SVM在训练集阶段与BO-Isomap-SVM模型相差较小（两者的r2分别为0.99和0.98）, 但是在测试集阶段BO-Isomap-SVM模型的性能远高于BO-SVM模型（两者的r2分别为0.81和0.36）. 这一结果不仅强化了先前关于模型性能的讨论, 也表明BO-Isomap-SVM模型即使在面对有限或小样本数据时, 依然能够发挥其卓越的预测效能, 凸显了模型在实际应用中的灵活性与可靠性, 特别是在数据资源有限的条件下.

（a）训练集, （b）测试集；蓝色数字表示相关系数, 绿色数字表示均方根误差 图 4 4种模型性能分析 Fig. 4 Performance analysis of four models

2.2 达峰时间预测

将5种因素的3种情景数据输入至训练好的BO-Isomap-SVM模型中, 预测黑龙江省2020~2050年的碳排放量, 从而对黑龙江省的碳达峰时间进行估计. 如图 5所示, 低碳情景相较于基准情景以及高速可以实现更早的达峰时间. 在低碳发展情景下, 2035年之后就呈现出了一种下降的趋势, 预计为381×106 t；而在基准情景下, 黑龙江省碳排放在2040年也可以达到峰值, 预计为407×106 t；在高速发展情景下, 碳排放上升至2045年达到峰值, 预计为446×106 t.

图 5 黑龙江省碳排放情景预测 Fig. 5 Carbon emission scenario projections for Heilongjiang Province

2.3 脱钩分析

黑龙江省碳排放量近年来变化趋势多变, 尤其是2012~2019年一直在上下波动, 隐约有达峰趋势, 为进一步分析黑龙江省碳排放量, 使用Tapio脱钩指数模型的计算结果（脱钩情况与具体的脱钩指数值）见表 5.

表 5 Tapio脱钩指数模型计算结果1） Table 5 Tapio decoupling index model calculations

由表 5中可以看出黑龙江省的经济与碳排放的脱钩情况并不一致, 既有积极的脱钩迹象, 也存在与碳排放相关的经济发展模式, 尤其是2019年, 脱钩指数εg=1.17, 呈现出较为明显的增长连接状态.大部分情况下, 能源消费强度的降低与碳排放的减少之间存在明显的负相关, 但在2013年、2017年和2018年, 脱钩指数分别为0.34、0.20和0.63.

2.4 最优实现路径分析

通过建立BO-Isomap-SVM模型, 对黑龙江省2020~2050年的碳排放量进行预测可知, 在低碳情景下, 黑龙江省有望在2035年实现碳达峰, 预计总碳排量381×106 t, 预计早于基准水平5 a实现碳达峰, 减少碳排放量6.39%, 早于高速发展情景10 a实现碳达峰, 减少碳排放量17.06%. 同时结合脱钩分析可以看出, 经济发展与碳排放的关联性比较大. 黑龙江省需要在继续推动经济增长的同时, 更加注重碳排放的控制, 加强碳排放强度的监测与管理, 继续推进绿色技术创新, 并加强相关政策的实施. 为了尽快实现碳达峰, 特此提出以下相关建议.

（1）人均GDP（g）的增长与绿色化促进产业升级转型. 鼓励和支持高新技术产业及现代服务业等低碳高附加值产业的发展, 减少对高污染与高能耗产业的依赖, 提高单位GDP的能源效率和碳效率.

（2）城镇化率（u）的合理提升推动智慧城市建设, 优化基础设施. 鼓励绿色社区建设, 推广低碳住宅, 实行垃圾分类, 增加绿化, 提升碳汇. 实施人口与经济均衡策略, 优化布局, 减少交通碳足迹, 促进可持续发展.

（3）第二产业占比（i）的优化产业结构调整, 提高能效标准. 控制高耗能与高排放行业的规模, 逐步淘汰落后产能, 同时发展低碳制造业和循环经济, 推动产业链的绿色转型.

（4）能源消耗强度（e）的降低能源结构改革, 节能技术推广. 改用更多风能及太阳能等可再生能源, 减少化石燃料依赖, 特别是在工业、交通和建筑中推广节能技术与产品使用, 以实现能源结构优化和节能减排的目标.

3 结论

（1）本研究构建了基于BO-Isomap-SVM耦合的碳排放预测集成模型, 显著提升了模型在小样本数据集上的预测能力, 确保了模型不仅能在训练阶段有优异表现（r2=0.99）, 同时在面对测试数据时也能保持良好的预测精度（r2=0.81）, 足够满足对碳排放预测的需要.

（2）基于此模型对黑龙江省的碳达峰情况进行预测, 结果表明在大力支持低碳发展的情境下, 黑龙江省有望在2035年时碳达峰, 预计碳排放量为381×106 t；而在基准水平下预计2040年实现碳达峰, 预计碳排放量407×106 t；在高速发展情景下预计2045年实现碳达峰, 预计碳排放量为446×106 t.

（3）通过对黑龙江省进行脱钩分析可以看出, 碳排放量与经济发展存在较强的连接状态, 尤其是2019年, 脱钩指数εg=1.17, 表示明显的增长连接, 而能源消费与碳排放量呈现出一定的脱钩状态, 仅在2013年、2017年和2018年表现出弱负脱钩, 脱钩指数εe分别为0.34、0.20和0.63.

（4）基于情景分析对黑龙江省碳达峰状况进行预测, 结合脱钩指数模型的结果, 建议黑龙江省未来一段时间内实施低碳发展, 有望按需实现碳达峰状态. 可以从经济结构、能源方式、城市建设和产业升级这4个方面入手, 有望推进黑龙江省实现碳达峰愿景.

致谢: 本实验的模型训练工作由哈尔滨学院信息工程学院姜德迅副教授协助完成, 在此表示感谢.

参考文献
[1] 段玉婉, 蔡龙飞, 陈一文. 全球化背景下中国碳市场的减排和福利效应[J]. 经济研究, 2023, 58(7): 121-138.
Duan Y W, Cai L F, Chen Y W. The emission and welfare effects of China's carbon market in the context of globalization[J]. Economic Research Journal, 2023, 58(7): 121-138.
[2] 王怡. 中国省域二氧化碳排放达峰情景预测及实现路径研究[J]. 科学决策, 2022(1): 95-105.
Wang Y. Research on carbon dioxide emissions peaking scenario prediction and realization path in Chinese provinces[J]. Scientific Decision Making, 2022(1): 95-105.
[3] 张金良, 贾凡. 中国火电行业多模型碳达峰情景预测[J]. 电力建设, 2022, 43(5): 18-28.
Zhang J L, Jia F. Multi-model carbon peak scenario prediction for thermal power industry in China[J]. Electric Power Construction, 2022, 43(5): 18-28.
[4] 梅其珍. 气候变暖有利于高纬地区黑龙江粮食产量提高[A]. 见: 第35届中国气象学会年会S6应对气候变化、低碳发展与生态文明建设[C]. 合肥: 中国气象学会, 2018. 321-323.
[5] 周嘉仪, 李楠, 冯伟航, 等. 我国道路源二氧化碳排放估算及未来情景预测[J]. 环境科学学报, 2023, 43(10): 267-278.
Zhou J Y, Li N, Feng W H, et al. Estimation and future prediction of the on-road carbon dioxide emissions in China[J]. Acta Scientiae Circumstantiae, 2023, 43(10): 267-278.
[6] 王火根, 汪钰婷, 肖丽香. 基于IO-SDA法的2020~2060年中国行业CO2排放预测与分析[J]. 中国环境科学, 2024, 44(3): 1743-1755.
Wang H G, Wang Y T, Xiao L X. Forecast and analysis of China's industrial CO2 emissions from 2020 to 2060 based on the IO-SDA method[J]. China Environmental Science, 2024, 44(3): 1743-1755.
[7] 王丽, 欧阳慧, 马永欢. 经济社会发展对环境影响的再认识——基于IPAT模型的城市碳排放分析[J]. 宏观经济研究, 2017(10): 161-168.
[8] 牛君, 程智超. 基于STIRPAT模型的甘肃省碳达峰预测[J]. 开发研究, 2022(4): 123-132.
Niu J, Cheng Z C. Prediction and analysis of peak carbon dioxide emissions in gansu province based on STIRPAT model[J]. Research on Development, 2022(4): 123-132.
[9] Jacoby H D, Reilly J M, McFarland J R, et al. Technology and technical change in the MIT EPPA model[J]. Energy Economics, 2006, 28(5-6): 610-631.
[10] Yin F F, Bo Z, Yu L A, et al. Prediction of carbon dioxide emissions in China using a novel grey model with multi-parameter combination optimization[J]. Journal of Cleaner Production, 2023, 404. DOI:10.1016/J.JCLEPRO.2023.136889
[11] Liu Y S, Tian Y H, Chen M. Research on the prediction of carbon emission based on the chaos theory and neural network[J]. International Journal Bioautomation, 2017, 21(4): 339-348.
[12] 李柚洁, 杨萍, 赵顺昱, 等. 基于VMD-RE-LSTM的碳排放发展趋势捕捉及短期预测[J]. 环境工程, 2023, 41(S2): 279-285, 249.
Li Y J, Yang P, Zhao S Y, et al. Development trend capture and short-term forecasting for carbon emission based on VMD-RE-LSTM[J]. Environmental Engineering, 2023, 41(S2): 279-285, 249.
[13] 钱啸吟. "双碳"目标下我国碳排放总量预测与情景模拟研究[D]. 上海: 上海财经大学, 2022.
[14] 刘慧甜, 胡大伟. 基于机器学习的交通碳排放预测模型构建与分析[J]. 环境科学, 2024, 45(6): 3421-3432.
Liu H T, Hu D W. Construction and analysis of machine learning based transportation carbon emission prediction model[J]. Environmental Science, 2024, 45(6): 3421-3432. DOI:10.13227/j.hjkx.202305234
[15] 肖明魁. 一种结合PSO优化调参的SVM数据分类和预测研究[J]. 电脑知识与技术, 2023, 19(26): 32-35.
[16] 郑霞, 胡东滨, 李权. 基于小波分解和SVM的大气污染物浓度预测模型研究[J]. 环境科学学报, 2020, 40(8): 2962-2969.
Zheng X, Hu D B, Li Q. Study on prediction model of atmospheric pollutant concentration based on wavelet decomposition and SVM[J]. Acta Scientiae Circumstantiae, 2020, 40(8): 2962-2969.
[17] 任中杰. 基于SSA-BP-SVM模型的云龙湖水质反演研究[J]. 南京信息工程大学学报, 2024, 16(2): 279-290.
Ren Z J. Water quality retrieval of Yunlong Lake based on SSA-BP-SVM model[J]. Journal of Nanjing University of Information Science & Technology, 2024, 16(2): 279-290.
[18] 郭海兵, 孟晨. 基于STIRPAT模型的碳排放预测——以连云港市为例[J]. 城市建设理论研究(电子版), 2023(23): 196-198.
[19] 卫思谕. "五年规划"引领中国式现代化发展[N]. 中国社会科学报, 2023-04-17(002).
[20] 姜旭朋, 张强, 赵文婷, 等. 西安高新区多情景碳达峰预测及减排路径分析[J]. 环境科学, 2024, 45(6): 3412-3420.
Jiang X P, Zhang Q, Zhao W T, et al. Multi scenario carbon peak prediction and emission reduction path analysis of Xi'an Hi-tech zone[J]. Environmental Science, 2024, 45(6): 3412-3420.
[21] 唐海红, 张凯. 基于Isomap-MPA-LSSVM软测量模型的PVC聚合过程转化率预测[J]. 河北工业科技, 2023, 40(1): 18-26.
Tang H H, Zhang K. Conversion rate prediction of PVC polymerization process based on Isomap-MPA-LSSVM soft-sensor model[J]. Hebei Journal of Industrial Science and Technology, 2023, 40(1): 18-26.
[22] Pelikan M. Bayesian optimization algorithm: from single level to hierarchy[D]. Champaign-Urbana: University of Illinois at Urbana-Champaign, 2002.
[23] 赵敬皓, 王娜娜, 蒋嘉铭, 等. 基于Bayesian Opt-XGBoost的煤电机组碳排放因子预测[J]. 中国环境科学, 2024, 44(1): 417-426.
Zhao J H, Wang N N, Jiang J M, et al. Prediction of coal-fired power units carbon emission factor based on Bayesian Opt-XGBoost[J]. China Environmental Science, 2024, 44(1): 417-426.
[24] Tenenbaum J B, Silva V D, Langford J C. A global geometric framework for nonlinear dimensionality reduction[J]. Science, 2000, 290(5500): 2319-2323.
[25] 黄首畅. 基于HSI高光谱遥感数据的黄河源典型区植被分类[D]. 北京: 中国地质大学(北京), 2020.
Huang S C. Vegetation classification in the typical region of the Yellow River source based on HSI hyperspectral remote sensing data[D]. Beijing: China University of Geosciences (Beijing), 2020.
[26] 奉国和. SVM分类核函数及参数选择比较[J]. 计算机工程与应用, 2011, 47(3): 123-124, 128.
Feng G H. Parameter optimizing for support vector machines classification[J]. Computer Engineering and Applications, 2011, 47(3): 123-124, 128.
[27] 陈惠娟, 徐永明, 莫亚萍, 等. 基于NPP/VIIRS夜光遥感数据的淮安市夜间PM2.5浓度估算研究[J]. 环境科学学报, 2022, 42(3): 342-351.
Chen H J, Xu Y M, Mo Y P, et al. Estimating nighttime PM2.5 concentrations in Huai'an based on NPP/VIIRS nighttime light data[J]. Acta Scientiae Circumstantiae, 2022, 42(3): 342-351.
[28] 石延辉, 杨洋, 廖毅, 等. 基于改进粒子群算法优化SVM的变压器故障诊断[J]. 武汉大学学报(工学版), 2023, 56(10): 1238-1244.
Shi Y H, Yang Y, Liao Y, et al. Transformer fault diagnosis based on improved particle swarm optimization SVM[J]. Engineering Journal of Wuhan University, 2023, 56(10): 1238-1244.
[29] Taylor K E. Summarizing multiple aspects of model performance in a single diagram[J]. Journal of Geophysical Research: Atmospheres, 2001, 106(D7): 7183-7192.
[30] 李伯新, 姜超, 孙建新. CMIP6模式对中国西南部地区植被碳利用率模拟能力综合评估[J]. 植物生态学报, 2023, 47(9): 1211-1224.
Li B X, Jiang C, Sun J X. Comprehensive assessment of vegetation carbon use efficiency in southwestern China simulated by CMIP6 models[J]. Chinese Journal of Plant Ecology, 2023, 47(9): 1211-1224.
[31] 胡茂峰, 郑义彬, 李宇涵. 多情景下湖北省交通运输碳排放峰值预测研究[J]. 环境科学学报, 2022, 42(4): 464-472.
Hu M F, Zheng Y B, Li Y H. Forecasting of transport carbon emission peak in Hubei Province under multiple scenarios[J]. Acta Scientiae Circumstantiae, 2022, 42(4): 464-472.
[32] 王雪亭, 郑非凡, 许野, 等. 双碳目标背景下宁夏地区碳达峰预测[J]. 中国环境科学, 2023, 43(S1): 347-356.
Wang X T, Zheng F F, Xu Y, et al. Carbon peak prediction in Ningxia under the dual carbon background[J]. China Environmental Science, 2023, 43(S1): 347-356.
[33] 何乐天, 杨泳琪, 李蓉, 等. 基于STIRPAT模型的黑龙江省工业碳排放情景分析与峰值预测[J]. 资源与产业, 2024, 26(1): 162-172.
He L T, Yang Y Q, Li R, et al. Heilongjiang's industrial carbon emission scenarios and peaking prediction based on STIRPAT model[J]. Resources & Industries, 2024, 26(1): 162-172.
[34] 杨清可, 王磊, 朱高立, 等. 中国城市碳排放强度的时空演变、动态跃迁及收敛趋势[J]. 环境科学, 2024, 45(4): 1869-1878.
Yang Q K, Wang L, Zhu G L, et al. Spatio-temporal evolution, dynamic transition, and convergence trend of urban carbon emission intensity in China[J]. Environmental Science, 2024, 45(4): 1869-1878.
[35] 吕靖烨, 李珏. 中国各省份碳排放脱钩效应、驱动因素及预测研究[J]. 环境科学与技术, 2022, 45(2): 210-220.
Lv J Y, Li J. Research on the decoupling effect, driving factors and forecast of China's carbon emissions[J]. Environmental Science & Technology, 2022, 45(2): 210-220.
[36] 陈怡, 凌莉, 古圳威, 等. 陕西省碳排放时空格局演变及其影响因素[J]. 中国环境科学, 2024, 44(4): 1826-1839.
Chen Y, Ling L, Gu Z W, et al. Spatio-temporal evolution and influencing factors of carbon emissions in Shaanxi province[J]. China Environmental Science, 2024, 44(4): 1826-1839.
[37] 李阳, 陈敏鹏. 中国省域农业源非CO2温室气体排放的影响因素分析与峰值预测[J]. 环境科学学报, 2021, 41(12): 5174-5189.
Li Y, Chen M P. Analysis of influencing factors and peak forecast of non-CO2 greenhouse gas emissions from provincial agricultural sources in China[J]. Acta Scientiae Circumstantiae, 2021, 41(12): 5174-5189.
[38] 黑龙江省统计局, 国家统计局黑龙江调查总队. 1993-2019黑龙江统计年鉴[M]. 北京: 中国统计出版社: 1993-2019.
[39] Dong J, Li C B. Scenario prediction and decoupling analysis of carbon emission in Jiangsu Province, China[J]. Technological Forecasting and Social Change, 2022, 185. DOI:10.1016/j.techfore.2022.122074
[40] 杨豪, 潘颖豪, 才国伟. 碳排放总量控制、配置效率与产出收益[J]. 中国工业经济, 2023(7): 46-65.
Yang H, Pan Y H, Cai G W. Carbon emission regulation, allocation efficiency and output benefits[J]. China Industrial Economics, 2023(7): 46-65.
[41] 杨峰, 张贵驰, 孙佶, 等. 基于LEAP模型的长三角某市碳达峰情景[J]. 环境科学, 2024, 45(1): 104-114.
Yang F, Zhang G C, Sun J, et al. Study of peak carbon emission of a city in Yangtze River delta based on LEAP model[J]. Environmental Science, 2024, 45(1): 104-114.
[42] Green F, Stern N. China's changing economy: implications for its carbon dioxide emissions[J]. Climate Policy, 2017, 17(4): 423-442.
[43] Shan Y L, Liu J H, Liu Z, et al. New provincial CO2 emission inventories in China based on apparent energy consumption data and updated emission factors[J]. Applied Energy, 2016, 184: 742-750.
[44] Shan Y L, Huang Q, Guan D B, et al. China CO2 emission accounts 2016-2017[J]. Scientific Data, 2020, 7(1). DOI:10.1038/s41597-020-0393-y
[45] Shan Y L, Guan D B, Zheng H R, et al. China CO2 emission accounts 1997-2015[J]. Scientific Data, 2018, 5. DOI:10.1038/sdata.2017.201
[46] Guan Y R, Shan Y L, Huang Q, et al. Assessment to China's recent emission pattern shifts[J]. Earth's Future, 2021, 9(11). DOI:10.1029/2021EF002241