基于机器学习的中国省域农业碳达峰情景预测

引用本文

郑家喜, 曾妍雯, 田云, 卢奕亨. 基于机器学习的中国省域农业碳达峰情景预测[J]. 环境科学, 2026, 47(9): 5950-5960.

ZHENG Jia-xi, ZENG Yan-wen, TIAN Yun, LU Yi-heng. Scenario Prediction of Carbon Peak in Provincial Agriculture of China Based on Machine Learning[J]. Environmental Science, 2026, 47(9): 5950-5960.

基于机器学习的中国省域农业碳达峰情景预测

郑家喜^1,2, 曾妍雯^1,2, 田云^1,2, 卢奕亨³

1. 中南财经政法大学工商管理学院，武汉 430073;
2. 中南财经政法大学WTO与湖北发展研究中心，武汉 430073;
3. 中南财经政法大学经济学院，武汉 430073

收稿日期: 2025-06-17; 修订日期: 2025-09-28

基金项目: 教育部人文社会科学研究项目（24YJA790101）；中南财经政法大学科研领军人才创新团队建设项目（2722022AL003）；国家社会科学基金项目（24CJY012）

作者简介: 郑家喜（1969~），男，博士，教授，主要研究方向为农业经济理论与政策，E-mail：470507355@qq.com

通信作者: 曾妍雯，E-mail：419820675@qq.com

摘要: 准确预测农业碳排放峰值及达峰时间对于加快推进农业强国建设、早日实现“双碳”目标具有重要意义. 基于2005~2023年中国省域农业碳排放数据，利用Lasso回归模型和主成分分析法筛选农业碳排放影响因素，构建多种机器学习预测模型，遴选出性能最优的预测模型展开农业碳达峰预测. 结果表明：①全国层面，观测期内农业碳排放呈现下降态势；省际层面，有16个省域的农业碳排放呈现下降态势，其中以北京降幅最大. ②比较5种机器学习算法发现，基于Lasso特征选择下的贝叶斯优化调参的支持向量机模型（LASSO-BO-SVR）表现最佳. ③在基准情景下，北京等23个省域已率先实现农业碳达峰，黑龙江和陕西这2个省域预计能在2030年前实现农业碳达峰，而广西、云南、青海、宁夏和新疆这5个省域则如期达峰困难；在政策情景与低碳情景下，5个未达峰型省域的峰值均有所下降，但峰年提前程度出现一定差异. 研究可为中国各省域未来农业碳减排路径提供决策参考.

关键词: 农业碳排放机器学习碳达峰情景预测支持向量机模型

Scenario Prediction of Carbon Peak in Provincial Agriculture of China Based on Machine Learning

ZHENG Jia-xi^1,2 , ZENG Yan-wen^1,2 , TIAN Yun^1,2 , LU Yi-heng³

1. School of Business Administration, Zhongnan University of Economics and Law, Wuhan 430073, China;
2. WTO and Hubei Development Research Center, Zhongnan University of Economics and Law, Wuhan 430073, China;
3. School of Economics, Zhongnan University of Economics and Law, Wuhan 430073, China

Abstract: Accurately predicting the peak of agricultural carbon emissions and its timing is crucial for accelerating the development of an agricultural powerhouse and achieving the dual carbon goals at an early date. Based on provincial-level agricultural carbon emission data from China covering 2005 to 2023, this study employed Lasso regression models and principal component analysis to identify key factors influencing agricultural carbon emissions. Multiple machine learning prediction models were constructed, and the optimal model was selected to forecast the peak of agricultural carbon emissions. The results indicate: ① Nationally, agricultural carbon emissions showed a declining trend during the observation period; provincially, 16 provinces exhibited decreasing emissions, with Beijing demonstrating the largest reduction. ② Among five machine learning algorithms, the support vector machine model with Bayesian optimization parameter tuning under Lasso feature selection (LASSO-BO-SVR) performed best. ③ Under the baseline scenario, 23 provinces including Beijing have already achieved agricultural carbon peak, while Heilongjiang and Shaanxi are projected to peak before 2030. Conversely, Guangxi, Yunnan, Qinghai, Ningxia, and Xinjiang face challenges in meeting their peak targets on schedule. Under the policy and low-carbon scenarios, the peak levels for these five provinces declined, though the timing of peak attainment varied. This research provides decision-making references for future agricultural carbon emission reduction pathways across China's provinces.

Key words: agricultural carbon emissions machine learning carbon peak scenario prediction support vector machine model

当前全球气候变暖态势的日益加剧，使得温室气体排放问题成为人类面临的最严峻挑战之一^[1]. 为有效应对这一全球性危机，《京都议定书》《巴黎协定》《联合国气候变化框架公约》等一系列凝聚国际共识的规制性协定相继出台并发挥重要作用. 作为全球第二大经济体和碳排放大国，中国始终坚定参与并引领全球气候治理进程. 自第七十五届联合国大会上明确阐述力争于2030年前实现碳达峰、努力争取2060年前实现碳中和，至党的二十大报告强调“要积极稳妥推进碳达峰碳中和”，中国在推进“双碳”目标的道路上行稳致远. 该目标的实现成效，其核心取决于碳减排与固碳能力的提升^[2，3]. 其中，虽需重点推动第二、三产业低碳转型，但农业部门的减排贡献亦不容忽视^[4，5]. 农业碳排放作为温室气体的重要构成部分，攸关国家粮食安全、生态环境保护甚至民生福祉，且中国作为全球最大的农业碳排放国家，本身更蕴含着巨大的农业碳减排潜力^[6~8]. 目前，国家层面也日益重视农业碳减排工作，先后出台多项政策文件指导、布置相关实践. 2021年8月，《“十四五”全国农业绿色发展规划》首次将增强农业农村领域减排固碳能力确立为明确目标；紧随其后，2022年6月，《农业农村减排固碳实施方案》明确提出到2030年农业农村绿色低碳发展要取得显著成效. 在此背景下，推进农业碳达峰碳中和是加快“双碳”目标实现及应对气候变化的必由之路，也是推进乡村全面振兴的重要途径. 而科学预测农业碳达峰轨迹、削减农业碳排放能够为加速农业农村减排固碳进程、推动“双碳”目标早日实现及助力农业农村现代化提供重要的决策支撑.

建立科学的预测模型是开展农业碳排放预测的前提. 目前常见的农业碳排放预测手段主要包括STIRPA模型^[9~11]、灰色预测模型^[12~15]、投入产出模型^[16]、环境库兹涅茨曲线^[17，18]和LEAP模型^[19~21]等传统模型. 然而，这些传统模型的预测原理多基于统计拟合或结构分解分析，往往存在模型计算复杂或过拟合等缺陷^[22]. 面对复杂的非线性农业碳排放系统，传统预测模型因其线性拟合能力的局限性，难以有效捕捉数据的波动特征与复杂的非线性规律. 这类模型通常缺乏充分的学习与测试过程，导致其解释能力较差，农业碳排放预测结果的可信度与准确度较低^[23]. 为了解决传统预测方法存在的弊端，学者们开始将机器学习算法应用到农业碳排放研究. 如邓路等^[24]利用随机森林模型对新疆维吾尔自治区农业碳排放效率的影响因素进行了量化分析，章楠楠等^[25]运用随机森林机器学习算法协同识别了县域农业碳排放的核心驱动因素；黄和平等^[26]运用XGBoost模型预测2021~2050年江西省碳排放量，苏子龙等^[27]基于改进麻雀搜索算法优化后的BP神经网络，对上海市未来农场碳排放量展开了预测.

尽管机器学习在农业碳排放预测领域已展现出应用潜力，但既有研究多聚焦于单一省域，缺乏面向中国各省（直辖市、自治区）的系统性预测分析. 因此，本文通过测算2005~2023年中国30个省域的农业碳排放水平，比较BP神经网络、LSTM长短时记忆网络、随机森林、极限梯度提升树以及支持向量机这5种机器学习算法的预测性能，旨在科学预测各省域农业碳达峰时间与峰值水平，评估其如期实现碳达峰的可行性. 随后，在遵循国家总体减排战略框架前提下，针对预测所识别出的碳减排“后进省域”，结合其现状特征与减排进展，设计出差异化的减排策略. 本文的边际贡献主要体现在两个方面：第一，在尽可能大程度地克服数据挑战的基础上，通过比较5种机器学习算法，遴选出泛化性能与预测精度最佳的机器学习模型以预测中国各省域农业碳排放水平. 第二，设计模拟基准情景、政策情景和低碳情景这3种发展情景，深入分析中国省域农业碳排放的不同趋势，以期为未来探索农业生产减排固碳路径提供理论创新，助力国家“双碳”战略目标的加速实现.

1 材料与方法 1.1 农业碳排放测算

本文参照田云等^[28]的测算框架，从农业能源利用、农用物资投入、水稻种植和畜禽养殖这4个维度综合测算农业碳排放量. 具体而言，农业能源消耗主要考察农林牧渔业发展所耗费的原煤、洗精煤、汽油和柴油等12种能源产生的碳排放量之和；农用物资投入主要考察化肥、农药和农膜所产生的碳排放；水稻种植主要考察水稻种植所引发的稻田甲烷；畜禽养殖主要考察牛、马、羊、生猪和家禽等11种主要畜禽品种所导致的甲烷与氧化亚氮排放. 基于此，测算公式如式（1）所示：

C^{i t} = \sum C_{c}^{i t} = \sum T_{c} \times δ_{c}

(1)

式中， $C^{i t}$ 表示农业碳排放总量， $C_{c}^{i t}$ 表示各类具体碳源所导致的碳排放量； $T_{c}$ 表示对应各类碳源的实际数量或面积， $δ_{c}$ 则表示各碳源的碳排放系数.

1.2 农业碳排放影响因素分析与筛选

综合前人研究成果^[29~31]并基于数据可得性原则，本文从社会、经济和自然这三大层面共选取11项影响因素作为农业碳排放的主要解释变量，具体如表 1所示.

表 1 中国省级农业碳排放影响因素 Table 1 Factors affecting agricultural carbon emissions at the provincial level in China

鉴于不同影响因素对农业碳排放的影响程度各异，为提升模型的预测性能，在构建农业碳排放预测模型前，有必要对初步选出的11项影响因素进行筛选与处理. 首先，采用Spearman秩相关法量化各因素与农业碳排放之间的关联性，并检验因素间可能存在的冗余问题. 然后基于分析结果，分别引入Lasso回归与主成分分析（PCA）两种途径筛选：Lasso回归通过施加L1正则化约束，能自动筛选变量并控制模型复杂度^[32]；主成分分析则通过线性变换将原始变量转换为数量较少、彼此不相关、保留大部分原始信息量的代表性成分. 最后，以两种方法各自筛出的变量构建多种评估模型，通过比较评价指标筛选出性能最优的模型用于预测.

（1）Spearman秩相关系数法是一种非参数的秩相关检验方法，适合用来量度非线性变量之间联系的强弱^[33]. 计算公式如下.

设样本容量n，对于第i个观测值，令其在变量X中的秩为 $R_{X_{i}}$ ，在变量Y中的秩 $R_{Y_{i}}$ ，并定义秩 $d_{i}$ ：

d_{i} = R_{X_{i}} - R_{Y_{i}}

(2)

则Spearman秩相关系数可写为：

r_{s} = 1 - \frac{6 \sum_{i = 1}^{n} d_{i}^{2}}{n (n^{2} - 1)}

(3)

（2）Lasso回归方法是一种带有惩罚因子的最小二乘法，通过增加惩罚项L1正则化约束，将绝对值过小的系数压缩为0，从而减少数据集中的多余信息，获得更高的模型预测准确度^[34]. 计算公式如下：

T = m i n \{{‖X w - y‖}_{2}^{2} + λ {‖w‖}_{1}\}

(4)

式中， X表示自变量特征矩阵；y表示农业碳排放量响应变量； $λ$ 表示控制正则化约束强度的超参数； $w$ 为对应特征向量的回归系数向量.

（3）主成分分析（PCA）是通过将多个变量转化为数量较少、彼此不相关的主成分，最大化保留原始信息，从而达到线性降维目的一种特征提取方法^[35].

1.3 机器学习模型

机器学习是一种利用计算机通过学习数据中的内在规律性信息进行预测或决策的技术，其研究主旨是使用计算机模拟人类的学习活动，作为人工智能的重要分支，机器学习已在社会科学与工程技术等诸多领域得到广泛应用^[36]. 基于特征分析与筛选结果，结合样本分布特点，本文将选取BP神经网络、LSTM长短时记忆网络、随机森林、极限梯度提升树以及支持向量机这5种具有代表性的机器学习模型，并比较各模型的预测性能，最终选用效果最佳的模型展开农业碳排放预测.

人工神经网络模型是由大量神经元互联组成的信息处理系统，尤其适合于多因素耦合、关系复杂的系统预测研究^[37]. 本文重点选取BP神经网络和LSTM长短时记忆网络两种具有代表性的模型. 其中，BP通过多层神经元之间的加权连接与非线性激活函数的组合，能在无需事先假设映射方程的前提下，自主学习输入变量与输出变量之间的映射关系^[38]；LSTM通过在经典循环神经网络结构中创新性地增设遗忘门、输入门和输出门机制，能够精细控制信息的流入、保留与输出^[39].

随机森林（RF）具有分类精度高和可解释性强的特点，通过集成多棵决策树并对其结果进行加权平均，不仅可有效降低过拟合风险，还能显著提升运算效率^[40].

极限梯度提升树（XGBoost）具有准确度高、不易过拟合的特点，通过精细的正则化策略和基于梯度的加法模型构建方式，可实现对复杂数据的高精度拟合^[41].

支持向量机（SVM）通过将原始变量映射至高维特征空间，在该空间中构造最优分类超平面，同时最大化不同样本点到超平面的距离，以提升模型的结构风险最小化能力. 该模型在小样本、高维度场景下展现出稳定可靠的预测效果^[42].

1.4 数据来源及处理

本文选取2005~2023年全国30个省域的面板数据为样本，中国台湾、香港、澳门和西藏因数据暂缺而未纳入研究. 测算农业碳排放量所需的数据均出自历年的《中国能源统计年鉴》《中国农村统计年鉴》. 除此之外，城镇人口数、总人口数、农林水事务支出、地区财政总支出与地区生产总值源自历年的《中国统计年鉴》，农林牧渔总产值、第一产业从业人员数、种植业总产值、畜牧业总产值、农作物受灾面积、农作物总播种面积、农业机械总动力的原始数据源自历年的《中国农村统计年鉴》. 同时，农林牧渔总产值、地区生产总值均以2005年为基期进行不变价处理，个别缺失数据则采用线性插值法予以补齐. 各解释变量的描述性统计结果详见表 2.

表 2 描述性统计 Table 2 Descriptive statistics

2 结果与分析 2.1 农业碳排放现状分析

根据前文构建的指标体系及测算方法，测算得出2005~2023年中国及30个省域的农业碳排放量及增幅，具体如表 3所示.

表 3 2005~2023年中国及各省域在主要年份的农业碳排放量 Table 3 Agricultural carbon emissions in China and provinces in major years from 2005 to 2022

表 3展示了2005~2023年全国及30个省域的农业碳排放量水平，限于篇幅原因，仅展示2005年和2023年的结果值，并依据2023年农业碳排放量将各省域依次划分为高排放（5 000万t以上）、中高排放（3 000万~5 000万t）、中排放（1 000万~3 000万t）和低排放（1 000万t以下）这4个类别. 总体来看，观测期内中国农业碳排放总量从100 990.06万t下降至97 057.47万t，反映出随着农业低碳经济的持续推进以及《乡村振兴战略规划（2018—2022年）》等政策的相继落实，农业生产向绿色低碳转型已取得了一定成效. 省际层面，2023年湖南以7 363.31万t的农业碳排放量居于全国首位，湖北、江苏、安徽、河南、四川和江西这六省域次之，排放水平均逾5 000万t，共同构成高排放集群；与之对应，北京以93.83万t的农业碳排放量位于全国末位，其后依次为上海、天津、海南和宁夏，分列倒数第2~5位，共同构成低排放集群. 其余18个省域农业碳排放量均在1 000~5 000万t之内，构成中高排放集群和中排放集群. 相较2005年基期，2023年有16个省域呈现农业碳排放负增长态势，其中北京以75.76%的降幅居首，山东、上海、福建、浙江和河北分列第2~6位，降幅均超25.00%；其余14省仍呈现增长态势，其中宁夏以82.07%的增幅居首，新疆、黑龙江、内蒙古和甘肃次之，分列第2~4位，增幅均超30.00%. 未来还需进一步关注高排放省域和中高排放省域的农业碳减排事业，因地制宜形成多元化政策与多样化低碳农业技术合力，助力“双碳”目标顺利实现.

2.2 农业省域碳排放影响因素筛选 2.2.1 变量相关性分析

为考察农业碳排放（TPF）与各影响因素之间的关联性，本文基于数据实际情况选用Spearman秩相关系数进行相关性分析，并结合Bootstrap方法对相关系数的置信区间进行评估. 相关系数热力图如图 1所示，其中，MS、AG、CL与TPF呈现显著正相关（显著性P < 0.05），共同构成农业碳排放的驱动因子群，且AG与TPF的相关性最强（相关性 $|ρ|$ > 0.5），CL次之（ $|ρ|$ > 0.25）；同时，UD、ML、AFS、AE和RS与TPF呈现显著负相关（P < 0.05），（ $|ρ|$ > 0.1），表明以上因素均对农业碳排放有抑制作用. 此外，UD、AFS、AE间相关系数超0.65，提示模型存在多重共线性，在建模前需对这组时间趋势变量进行降维或正则化处理. 同时，Bootstrap结果显示，TPF与AG、CL、MS、ML、RS、AE、UD和AFS的相关性在95%置信区间内统计显著，进一步增强了统计结论的稳健性.

*表示P < 0.05，**表示P < 0.01，***表示P < 0.001 图 1 各影响因素与农业碳排放相关系数热力图 Fig. 1 Heat map of correlation coefficients between various influencing factors and agricultural carbon emissions

在后续构建预测模型时，应优先考虑与TPF关联性强且独立性高的核心变量，如AG和CL等因素. 对高冗余变量组实施标准化后，并行展开主成分分析和Lasso回归模型两条筛选路径. 其中，主成分分析（PCA）侧重在全局范围内最大化样本方差，通过正交投影实现降维；Lasso回归则通过引入L1正则项促进模型参数稀疏，实现特征筛选. PCA与Lasso回归分别从不同角度对原始变量集进行压缩与筛选，既有助于减少维度冗余，又可提升模型训练效率、预测精度与稳定性.

2.2.2 主成分分析变量处理

采用主成分分析特征提取前，需要先执行因子分析适用性检验，结果显示：KMO抽样充分性测度=0.687，处于0.6~0.7可接受区间；Bartlett球形度检验χ²（66）=2 483.54，P < 0.001，拒绝“变量间无相关性”原假设，说明样本数据存在充分共同因子，适合因素提取. 基于此，对标准化数据集进行主成分分析，如图 2所示.

P1~P11分别表示第1至第11个主成分图 2 主成分分析因子方差 Fig. 2 Principal component analysis factor variance

结果提取了累积方差贡献率达95.03%的9个主成分，表明其可解释原始变量集95.03%的信息. 在后续的预测模型构建中，将以这9个主成分作为降维特征输入，以降低多重共线性的干扰并简化模型结构.

2.2.3 Lasso回归变量筛选

为避免模型中存在多重共线性或冗余变量对预测性能造成干扰，本文采用Lasso回归模型对初步筛选后的变量进一步压缩与选择. 该模型在最小化残差平方和的同时引入L1正则项，驱动部分回归系数收缩至0，从而达到自动降维与特征选择的效果. 具体实现过程中，首先，将变量进行标准化处理以消除量纲差异影响，然后，运用Lasso回归模型对各变量系数进行压缩，采用十折交叉验证确定最优正则化强度 $λ$ . Lasso回归结果表明，在全部输入变量中有7个变量的系数大于0.05，最终被模型保留用于后续构建农业碳排放预测模型，分别是UD、MS、AFS、ADL、AE、IS和AG. Lasso回归特征系数如图 3所示.

图 3 Lasso回归模型特征系数 Fig. 3 Lasso regression model characteristic coefficients

2.3 省域农业碳达峰预测与结果分析 2.3.1 农业碳排放预测模型构建与评估

筛选出影响农业碳排放的核心因素后，本文将评估BP神经网络、LSTM长短时记忆网络、随机森林、极限梯度提升树和支持向量机这5种机器学习模型的预测性能，遴选出泛化性能与预测精度最佳的预测模型，用以预测各省域2030年农业碳达峰目标实现的可能性. 基于2005~2023年农业碳排放数据，同时针对特征变量的差异性与模型构建方法的适用性，本文设计了3类变量输入方案与5种预测模型相结合的系统验证框架：①以11个全部原始特征作为输入的全变量方案；②利用主成分分析（PCA）降维后所得的9个主成分作为输入的降维方案；③经Lasso回归模型筛选出的7个关键特征构成的变量筛选方案. 此外，在模型构建与优化阶段，引入贝叶斯优化算法对各模型关键超参数进行自动化调优，以交叉验证均方误差（MSE）最小为目标函数，最终获得各模型的最优配置，显著提升农业碳排放预测的精度与稳定性^[9].

模型训练与评估以2005~2020年为训练集，2021~2023年为独立测试集，对BP、RF、XGBoost与SVR采用时间顺序保留的十折交叉验证，确保验证集晚于训练集，避免信息泄露；考虑到LSTM对序列上下文的强依赖性以及样本规模限制，采用时间顺序三折交叉验证，并以滑动窗口构建监督序列，保证输入结构连续性与训练稳定性. 完成调参后，各模型在完整训练集上重训，计算其RMSE、MAE与R²以评估预测性能. 当MSE和MAE越小、R²越接近于1时，模型预测效果越佳，各模型的评价结果如图 4所示，结果显示各模型在不同指标下表现差异显著，为后续模型融合与长期预测策略的制定提供了依据.

图 4 不同预测模型评估对比 Fig. 4 Comparison of different forecasting model evaluations

最终，经过贝叶斯优化的SVR与Lasso回归模型结合所建立的预测模型（LASSO-BO-SVR）表现最佳，该模型在测试集上RMSE为0.176，MSE为0.032，MAE为0.135，R²为0.966. 此外，支持向量机算法的复杂度只取决于支持向量的数目，不敏感损失函数的引入与核技巧的应用也使得其能够避免过拟合，较好地解决非线性问题，适用于农业碳排放预测研究. 因此，将LASSO-BO-SVR模型选定为最佳预测模型，后续将使用此模型展开预测，评估阶段的预测性能如图 5所示.

图 5 模型LASSO-BO-SVR预测性能展示 Fig. 5 Model LASSO-BO-SVR prediction performance demonstration

2.3.2 情景设计与参数设定

情景分析法是预测碳排放水平的常用方法，为探讨不同政策和发展模式下中国未来的农业碳排放水平，参考既有研究^[43，44]，本文特设定基准情景、政策情景和低碳情景这3种发展情景，探析未来中国省域农业碳减排潜力. 其中，基准情景是延续当前经济社会演进特征与发展轨迹的情景；低碳情景是在基准情景基础上，通过技术革新和生产方式转变等路径减少农业碳排放的情景；政策情景是在施加当前碳达峰目标的软约束下，优先采用高成本减排手段、制定频密的阶段性指标等来确保减排的情景. 鉴于农业领域缺乏专门的碳排放强度约束指标，参考相关研究^[9，45]以及各省域“十四五”规划，同时结合中国政府提出的碳减排指标中的高目标，先对基准情景和低碳情景进行界定. 其中，基准情景以各省域“十四五”规划以及其他低碳规划中的目标设定为依据，确定相关影响因素的基础增长率，其余未有明确规定的影响因素则按照近8 a趋势采用ARIMA模型进行补充^[26，46]，以此避免主观设定所导致估计偏差；低碳情景在基准情景的基础上，将影响因素增长率进行上下浮动，对不同变化程度进行区分设定，以减小误差，更加符合实际^[46，47]. 此外，政策情景通过引入峰年软约束损失（PCO）模块，对基准情景下面临达峰困难的省域重新进行超参数优化，使模型预测结果在保持精度的同时主动对齐国家碳达峰时限，可为差异化减排路径提供决策依据，具体损失函数定义为：

L_{P C O} = M S E_{C V} + λ m a x (0, {\hat{t}}_{p e a k} - 2030)

(5)

式中， $L_{P C O}$ 为PCO情景下的总体损失函数， $M S E_{C V}$ 为内层交叉验证上的均方误差，λ为控制预测精度与“2030年前达峰”惩罚项之间的权衡系数， ${\hat{t}}_{p e a k}$ 为该Trial在验证集上预测得到的二氧化碳排放峰值年份. 各影响因素的基础增长率设定具体如表 4所示.

表 4 各影响因素基础增长率设定^1） Table 4 Basic growth rate setting for various influencing factors

情景方案	年份	变量增长率设定
情景方案	年份	UD	MS	AFS	ADL	AE	IS	AG
基准情景	2024~2030	1	2	2	2	2	2	2
基准情景	2031~2040	1	2	2	2	2	2	2
低碳情景	2024~2030	±50%B	±50%B	±50%B	±30%B	±50%B	±30%B	±30%B
低碳情景	2031~2040	±25%B	±25%B	±25%B	±15%B	±25%B	±15%B	±15%B
政策情景	2024~2030	采用政策约束损失函数： $L_{P C O} = M S E_{C V} + λ m a x (0, {\hat{t}}_{p e a k} - 2030)$
政策情景	2031~2040
1）1表示各省域规划，2表示各省域ARIMA模型预测；B表示基础情景下的增长率

表 4 各影响因素基础增长率设定^1） Table 4 Basic growth rate setting for various influencing factors

2.3.3 农业碳达峰预测结果分析

首先，预测基准情景下未来中国省域农业碳排放水平，限于篇幅原因，仅展示2024~2030年的预测结果. 同时，基于碳达峰实现时间将各省域分为3类，分别是领先型（2023年及之前已实现）、标准型（2030年前实现）和未达峰型（截至2030年未实现）. 由表 5可知，北京等23个省域已率先实现农业碳达峰，属于领先型省域；黑龙江和陕西这2个省域有效实施既定的农业碳达峰路径，预计分别在2028年和2025年实现农业碳达峰，属于标准型省域；上述25个省域均满足2030年碳达峰目标要求，表明其当前农业碳达峰实施方案制定科学合理. 然而，受限于资源禀赋与农业种养殖结构等客观条件的影响，广西、云南、青海、宁夏和新疆这5个省域基准情景下2030年如期达峰困难，被界定为未达峰型省域. 其中，广西农业碳达峰出现在2033年，农业碳排放量峰值为4 663.48万t；云南农业碳达峰出现在2036年，农业碳排放量峰值为4 053.17万t；青海农业碳达峰出现在2035年，农业碳排放量峰值为1 669.25万t；宁夏农业碳达峰出现在2033年，农业碳排放量峰值为927.23万t；新疆农业碳达峰出现在2040年，农业碳排放量峰值为5 473.51万t.

表 5 2024~2030年基准情景下中国省域农业碳排放预测^1） Table 5 Projections of agricultural carbon emissions in China's provinces under the baseline scenario from 2024 to 2030

省域	2024年	2025年	2026年	2027年	2028年	2029年	2030年	类型
北京	88.53	85.32	82.21	80.14	78.41	75.03	74.48	领先型
天津	352.15	362.77	361.01	364.28	358.18	362.45	356.69	领先型
河北	3 593.07	3 693.33	3 731.94	3 771.92	3 809.08	3 829.57	3 854.88	领先型
山西	1 528.02	1 520.86	1 546.10	1 542.65	1 543.77	1 542.54	1 547.30	领先型
内蒙古	4 844.62	4 781.42	4 709.14	4 676.44	4 687.43	4 689.59	4 712.51	领先型
辽宁	2 619.18	2 657.28	2 645.28	2 647.21	2 617.10	2 608.51	2 589.40	领先型
吉林	2 347.82	2 357.96	2 331.72	2 330.60	2 299.83	2 286.10	2 274.57	领先型
黑龙江	4 656.65	4 728.30	4 527.03	4 741.32	4 871.75	4 642.81	4 576.35	标准型
上海	321.37	325.42	324.24	323.50	332.09	328.36	323.87	领先型
江苏	5 513.92	5 535.74	5 558.39	5 613.29	5 578.66	5 587.32	5 568.49	领先型
浙江	2 036.74	2 036.74	2 036.74	2 036.74	2 036.74	2 036.74	2 036.74	领先型
安徽	5 416.75	5 408.11	5 409.26	5 399.11	5 394.46	5 394.93	5 382.98	领先型
福建	1 731.11	1 762.69	1 820.41	1 833.97	1 822.33	1 827.34	1 882.03	领先型
江西	5 150.50	5 073.11	5 067.53	5 108.04	5 096.34	5 066.85	5 063.09	领先型
山东	4 173.56	4 227.22	4 196.11	4 061.51	4 138.95	4 263.86	4 404.28	领先型
河南	5 484.37	5 549.35	5 639.07	5 721.93	5 776.20	5 828.52	5 840.61	领先型
湖北	6 154.26	6 112.58	6 117.72	6 110.74	6 112.80	6 110.79	6 114.60	领先型
湖南	7 488.66	7 493.10	7 483.61	7 496.91	7 488.42	7 492.00	7 484.56	领先型
广东	4 080.87	4 090.34	4 124.21	4 159.01	4 162.54	4 185.34	4 194.29	领先型
广西	4 220.00	4 377.38	4 334.38	4 407.08	4 346.33	4 288.37	4 375.28	未达峰型
海南	745.73	721.85	728.20	739.46	736.84	736.90	728.98	领先型
重庆	1 716.71	1 808.50	1 811.57	1 795.72	1 826.20	1 846.30	1 797.10	领先型
四川	5 441.28	5 515.57	5 587.21	5 619.84	5 667.79	5 700.90	5 754.85	领先型
贵州	2 344.84	2 350.82	2 374.76	2 401.87	2 398.50	2 373.32	2 352.62	领先型
云南	4 011.11	4 017.45	4 022.44	4 021.84	4 003.27	3 989.17	3 978.44	未达峰型
陕西	1 751.94	1 839.13	1 699.44	1 707.86	1 635.61	1 627.73	1 610.59	标准型
甘肃	2 589.34	2 589.34	2 589.34	2 589.34	2 589.34	2 589.34	2 589.34	领先型
青海	1 510.11	1 469.68	1 566.71	1 551.27	1 603.15	1 643.85	1 604.56	未达峰型
宁夏	890.05	898.06	896.69	895.63	903.78	912.09	920.44	未达峰型
新疆	4 838.27	4 966.04	5 097.51	5 128.86	5 030.19	5 093.92	5 236.55	未达峰型
1）数值单位为万t

表 5 2024~2030年基准情景下中国省域农业碳排放预测^1） Table 5 Projections of agricultural carbon emissions in China's provinces under the baseline scenario from 2024 to 2030

上述未达峰型省域若想2030年前如期实现农业碳达峰，需要进一步调整关键影响因素. 故本文继续探究广西、云南、青海、宁夏和新疆这5个如期达峰困难的“后进省域”在政策情景和低碳情景下的农业碳排放水平，预测结果如图 6所示. 政策情景下，广西和云南均领先实现农业碳达峰，峰值分别为4 630.49万t和4 042.73万t，相比基准情景分别下降了32.99万t和10.44万t；青海仍需于2033年实现农业碳达峰，峰值为1 610.57万t，相比基准情景下降了58.68万t；宁夏于2026年实现农业碳达峰，峰值为890.79万t，相比基准情景下降了36.44万t；新疆于2030年实现农业碳达峰，其峰值为5 023.29万t，相比基准情景下降了450.22万t. 低碳情景下，广西和云南均领先实现农业碳达峰，峰值分别为4 630.49万t和4 042.73万t，相比基准情景分别下降了32.99万t和10.44万t；青海可于2028年实现农业碳达峰，峰值为1 578.56万t，相比基准情景下降了90.69万t；宁夏于2030年实现农业碳达峰，峰值为922.32万t，相比基准情景下降了4.91万t；新疆于2030年实现农业碳达峰，其峰值为4 867.54万t，相比基准情景下降了605.97万t. 结果表明，上述省域仍拥有巨大的农业碳减排潜力，应不断完善农业碳达峰实施方案，积极构建差异化减排路径.

图 6 未达峰省域低碳情景下农业碳排放水平 Fig. 6 Level of agricultural carbon emissions under the balanced low-carbon scenario in non-peak provinces

值得注意的是，广西、云南、青海、宁夏和新疆这5个原本如期达峰困难的“后进省域”在政策情景与低碳情景下均呈现峰值下降，但峰年的提前程度存在一定差异. 政策情景中，广西和云南均领先实现农业碳达峰，ΔMSE分别为0.006 3和0.009 3，Δθ分别为4.29和8.48，表明其在付出较低精度代价并适度参数调整下即可实现峰值下降；青海碳达峰仍需滞后至2033年，ΔMSE和Δθ分别为0.001 0和6.72，表明软约束对其峰年提前的作用有限；宁夏和新疆虽实现2030年前碳达峰目标，但其ΔMSE和Δθ分别达到0.025 96和19.63，表明需要依赖高精度成本与大幅超参数调整来实现峰值下降. 同时，低碳情景在引入能源结构优化、生产方式转变等减排措施后，显著改善了滞后省域的峰年与峰值表现，广西、云南、青海、宁夏和新疆这5个未达峰型省域全部如期碳达峰，其峰值也进一步下降. 由此可见，对于未达峰型省域，除了施加当前政策约束，更应积极采取农业生产方式转型、能源结构优化以及低碳技术推广等减排措施，以确保如期实现农业碳达峰并保持长期稳步减排.

3 不足之处

当然，受限于相关数据可得性以及研究能力的不足，本文也存在一定欠缺：一是囿于国内省级农业碳排放核算的相关研究、资料统计起步较晚，本研究所拟定的农业碳排放考察时间段跨度相对有限；二是在识别农业碳排放影响因素时虽力求科学与全面，但限于自身能力有限以及部分数据可得性问题，最终选定的因素可能仍存在一些疏漏. 尽管上述两点主要由客观条件所致，但其对研究结果的准确性也会产生一定影响.

4 对策建议

（1）针对农业碳排放的高值省域，加速农业生产方式绿色化转型. 一是积极调整农业内部产业结构，大力发挥如海洋资源、生态旅游资源等当地特色优势，扩大碳汇，加强农业固碳能力；二是积极推广先进的绿色生产机械和现代化生产要素，如节水灌溉、秸秆还田和病虫害绿色防控等，从而减少农业碳排放；三是设立节能减排专项研发基金，尤其专注于“成本低廉、操作简单”的农业低碳技术研发，实现农业碳减排效益与农户经济收益的协同提升.

（2）针对接近实现农业碳达峰的省域，不断完善农业碳达峰实施方案. 发挥政府主导作用，一是明确农业碳减排责任目标，建立完备的质量监督与反馈机制，全面改善并优化其运行环境；二是明确农业碳达峰实施方案的目标和路径，制定绿色低碳农业发展战略，加强农业绿色化转型的指导和支持，引导其向如期碳达峰的目标发展；三是积极宣传低碳农业经济，倡导全民节能减排，使低碳农业生产成为共识，促进农业碳减排.

（3）针对农业碳减排仍有潜力的省域，积极采取差异化的减排路径. 一是提升畜牧业大省的废弃物资源化利用，通过分解畜禽粪便中的有机物，代替传统化肥与化学农药直接入田、发酵畜禽粪便等污染物为清洁能源等措施，实施有效回收与转化策略，降低碳排放；二是加大种植业大省的低碳农业技术的投入和推广，通过使用先进的绿色生产资料和生态友好型技术，改变原本粗放、高碳的传统农业生产模式，提高农业碳排放效率；三是巩固和提升森林、草原等核心生态系统碳汇能力，引导激励退耕还草、草畜平衡等有利于增汇的措施.

5 结论

（1）全国层面，观测期内农业碳排放总量从100 990.06万t下降至97 057.47万t，呈现出显著的下降态势. 省际层面，2023年湖南以7 363.31万t的农业碳排放量居于全国首位，北京以93.83万t的农业碳排放量位于全国末位；相较2005年基期，2023年有16个省域呈现农业碳排放负增长态势，北京以75.76%的降幅居首，其余14个省域的农业碳排放量仍呈现增长态势，宁夏以82.07%的增幅居首.

（2）通过比较BP神经网络、LSTM长短时记忆网络、随机森林、极限梯度提升树以及支持向量机5种机器学习算法的预测性能发现，经过贝叶斯优化的SVR与Lasso回归模型结合所建立的预测模型（LASSO-BO-SVR）表现最佳，该模型在测试集上RMSE为0.175 7，MSE为0.032 3，MAE为0.135 0，R²为0.966 3，是农业碳排放的最佳预测模型.

（3）在基准情景下，北京等23个省域已率先实现农业碳达峰，黑龙江和陕西这2个省域通过有效实施既定的农业碳达峰路径，预计能在2030年前实现农业碳达峰，而广西、云南、青海、宁夏和新疆5个省域在2030年前如期达峰困难；在政策情景与低碳情景下，5个未达峰型省域均呈现峰值下降，但峰年提前程度存在一定差异. 其中，政策情景对青海的峰年提前作用有限，宁夏与新疆也需要依赖高精度成本与大幅超参数调整来实现峰值下降；而低碳情景下，原本如期达峰困难的5个“后进省域”全部如期实现农业碳达峰，其峰值也进一步下降.

参考文献

[1]	Bova S, Rosenthal Y, Liu Z Y, et al. Seasonal origin of the thermal maxima at the Holocene and the last interglacial[J]. Nature, 2021, 589(7843): 548-553. DOI:10.1038/s41586-020-03155-x
[2]	魏后凯, 叶兴庆, 杜志雄, 等. 加快构建新发展格局, 着力推动农业农村高质量发展——权威专家深度解读党的二十大精神[J]. 中国农村经济, 2022(12): 2-34. Wei H K, Ye X Q, Du Z X, et al. Accelerating the construction of a new development pattern and promoting high-quality development of agriculture in rural areas: an in-depth interpretation by authoritative experts of the spirit of the 20th National Congress of the Communist Party of China[J]. Chinese Rural Economy, 2022(12): 2-34.
[3]	曾贤刚, 余畅, 孙雅琪. 中国农业农村碳排放结构与碳达峰分析[J]. 中国环境科学, 2023, 43(4): 1906-1918. Zeng X G, Yu C, Sun Y Q. Carbon emission structure and carbon peak of agriculture and rural areas in China[J]. China Environmental Science, 2023, 43(4): 1906-1918.
[4]	张俊飚, 何可. "双碳"目标下的农业低碳发展研究: 现状、误区与前瞻[J]. 农业经济问题, 2022(9): 35-46. Zhang J B, He K. Current situation, misunderstandings and prospects of agricultural low-carbon development under the targets of carbon peak and carbon neutrality[J]. Issues in Agricultural Economy, 2022(9): 35-46.
[5]	赵敏娟, 石锐, 姚柳杨. 中国农业碳中和目标分析与实现路径[J]. 农业经济问题, 2022(9): 24-34. Zhao M J, Shi R, Yao L Y. Analysis on the goals and paths of carbon neutral agriculture in China[J]. Issues in Agricultural Economy, 2022(9): 24-34.
[6]	田云, 张俊飚, 李波. 中国农业碳排放研究: 测算、时空比较及脱钩效应[J]. 资源科学, 2012, 34(11): 2097-2105. Tian Y, Zhang J B, Li B. Agricultural carbon emissions in China: measurement, spatial and temporal comparison, and decoupling effects[J]. Resources Science, 2012, 34(11): 2097-2105.
[7]	吴贤荣, 张俊飚, 程琳琳, 等. 中国省域农业碳减排潜力及其空间关联特征——基于空间权重矩阵的空间Durbin模型[J]. 中国人口·资源与环境, 2015, 25(6): 53-61. Wu X R, Zhang J B, Cheng L L, et al. Potential of agricultural carbon reduction under climate change and its spatial correlation characteristics in China: based on the spatial Durbin model[J]. China Population, Resources and Environment, 2015, 25(6): 53-61.
[8]	金书秦, 林煜, 牛坤玉. 以低碳带动农业绿色转型: 中国农业碳排放特征及其减排路径[J]. 改革, 2021(5): 29-37. Jin S Q, Lin Y, Niu K Y. Driving green transformation of agriculture with low carbon: characteristics of agricultural carbon emissions and its emission reduction path in China[J]. Reform, 2021(5): 29-37.
[9]	冉锦成, 苏洋, 胡金凤, 等. 新疆农业碳排放时空特征、峰值预测及影响因素研究[J]. 中国农业资源与区划, 2017, 38(8): 16-24. Ran J C, Su Y, Hu J F, et al. Temporal and spatial characteristics, peak value forecast and influencing factors of agricultural carbon emissions in Xinjiang[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2017, 38(8): 16-24.
[10]	邱子健, 靳红梅, 高南, 等. 江苏省农业碳排放时序特征与趋势预测[J]. 农业环境科学学报, 2022, 41(3): 658-669. Qiu Z J, Jin H M, Gao N, et al. Temporal characteristics and trend prediction of agricultural carbon emission in Jiangsu Province, China[J]. Journal of Agro-Environment Science, 2022, 41(3): 658-669.
[11]	王树芬, 高冠龙, 李伟, 等. 2000~2020年山西省农业碳排放时空特征及趋势预测[J]. 农业环境科学学报, 2023, 42(8): 1882-1892. Wang S F, Gao G L, Li W, et al. Carbon emissions from agricultural and animal husbandry in Shanxi Province: temporal and regional aspects, and trend forecast[J]. Journal of Agro-Environment Science, 2023, 42(8): 1882-1892.
[12]	Li J J, Li S W, Liu Q, et al. Agricultural carbon emission efficiency evaluation and influencing factors in Zhejiang Province, China[J]. Frontiers in Environmental Science, 2022, 10. DOI:10.3389/fenvs.2022.1005251
[13]	刘杨, 刘鸿斌. 山东省农业碳排放特征、影响因素及达峰分析[J]. 中国生态农业学报(中英文), 2022, 30(4): 558-569. Liu Y, Liu H B. Characteristics, influence factors, and prediction of agricultural carbon emissions in Shandong Province[J]. Chinese Journal of Eco-Agriculture, 2022, 30(4): 558-569.
[14]	任洪杰, 李辉尚, 冯祎宇. 基于时空视角的广东省农业碳排放动态演化特征及发展趋势研究[J]. 中国生态农业学报(中英文), 2023, 31(8): 1287-1300. Ren H J, Li H S, Feng Y Y. Dynamic evolution characteristics and development trend of agricultural carbon emissions in Guangdong Province based on spatial and temporal perspective[J]. Chinese Journal of Eco-Agriculture, 2023, 31(8): 1287-1300.
[15]	邓维忠, 许中坚. 湖南省农业碳排放特征及碳达峰分析[J]. 中国生态农业学报(中英文), 2024, 32(2): 206-217. Deng W Z, Xu Z J. Characteristics of agricultural carbon emissions and carbon peak analysis in Hunan Province[J]. Chinese Journal of Eco-Agriculture, 2024, 32(2): 206-217.
[16]	王磊. 基于投入产出模型的天津市碳排放预测研究[J]. 生态经济, 2014, 30(1): 52-56. Wang L. Prediction of carbon emissions in Tianjin based on the input-output model[J]. Ecological Economy, 2014, 30(1): 52-56.
[17]	林伯强, 蒋竺均. 中国二氧化碳的环境库兹涅茨曲线预测及影响因素分析[J]. 管理世界, 2009(4): 27-36. Lin B Q, Jiang Z J. A forecast for China's environmental Kuznets curve for CO₂ emission, and an analysis of the factors affecting China's CO₂ emission[J]. Management World, 2009(4): 27-36.
[18]	许广月, 宋德勇. 中国碳排放环境库兹涅茨曲线的实证研究——基于省域面板数据[J]. 中国工业经济, 2010(5): 37-47. Xu G Y, Song D Y. An empirical study of the environmental Kuznets curve for China's carbon emissions——based on provincial panel data[J]. China Industrial Economics, 2010(5): 37-47.
[19]	许绩辉, 王克. 中国民航业中长期碳排放预测与技术减排潜力分析[J]. 中国环境科学, 2022, 42(7): 3412-3424. Xu J H, Wang K. Medium- and long-term carbon emission forecast and technological emission reduction potential analysis of China's civil aviation industry[J]. China Environmental Science, 2022, 42(7): 3412-3424.
[20]	吴琼, 马昊, 任洪波, 等. 基于LEAP模型的临港新片区中长期碳排放预测及减排潜力分析[J]. 环境科学, 2024, 45(2): 721-731. Wu Q, Ma H, Ren H B, et al. Medium and long-term carbon emission projections and emission reduction potential analysis of the Lingang special area based on the LEAP model[J]. Environmental Science, 2024, 45(2): 721-731. DOI:10.13227/j.hjkx.202301093
[21]	李宝珠, 刘雅洁, 张少聪. 基于LEAP模型的天津市多情景能源消费和碳排放预测[J]. 环境科学, 2025, 46(3): 1492-1501. Li B Z, Liu Y J, Zhang S C. Multi-scenario energy consumption and carbon emission prediction in Tianjin based on LEAP model[J]. Environmental Science, 2025, 46(3): 1492-1501. DOI:10.13227/j.hjkx.202403081
[22]	张军莉, 刘丽萍. 国内区域碳排放预测模型应用综述[J]. 环境科学导刊, 2019, 38(4): 15-21. Zhang J L, Liu L P. Review of application of prediction models of regional carbon emission in China[J]. Environmental Science Survey, 2019, 38(4): 15-21.
[23]	高晨曦, 卢秋萍, 欧年青, 等. "双碳"目标下河南省农业碳排放影响因素及预测研究[J]. 中国生态农业学报(中英文), 2022, 30(11): 1842-1851. Gao C X, Lu Q P, Ou N Q, et al. Research on influencing factors and prediction of agricultural carbon emission in Henan Province under the carbon peaking and carbon neutrality goal[J]. Chinese Journal of Eco-Agriculture, 2022, 30(11): 1842-1851.
[24]	邓路, 袁圣博, 白萍, 等. 基于机器学习算法的新疆农业碳排放评估及驱动因素分析[J]. 中国生态农业学报(中英文), 2023, 31(2): 265-279. Deng L, Yuan S B, Bai P, et al. Evaluation of agricultural carbon emissions in Xinjiang and analysis of driving factors based on machine learning algorithms[J]. Chinese Journal of Eco-Agriculture, 2023, 31(2): 265-279.
[25]	章楠楠, 徐皓帆, 李志文, 等. 基于机器学习的广东省县域农业碳排放时空演变及驱动因素研究[J]. 中国生态农业学报(中英文), 2024, 32(12): 1994-2007. Zhang N N, Xu H F, Li Z W, et al. Spatiotemporal evolution and driving factors of agricultural carbon emissions at county level in Guangdong Province based on machine learning[J]. Chinese Journal of Eco-Agriculture, 2024, 32(12): 1994-2007.
[26]	黄和平, 李紫霞, 黄靛, 等. "双碳"目标下江西省农业碳排放量测算、影响因素分析与预测研究[J]. 生态与农村环境学报, 2024, 40(2): 179-190. Huang H P, Li Z X, Huang D, et al. Research on the measurement, analysis and prediction of agricultural carbon emissions in Jiangxi Province under the "dual carbon" goals[J]. Journal of Ecology and Rural Environment, 2024, 40(2): 179-190.
[27]	苏子龙, 严文亮, 李慧敏, 等. 基于改进麻雀搜索算法优化BP神经网络的农业碳排放预测[J]. 环境科学, 2024, 45(12): 6818-6827. Su Z L, Yan W L, Li H M, et al. Prediction of agricultural carbon emission based on improved BP neural network with optimized sparrow search algorithm[J]. Environmental Science, 2024, 45(12): 6818-6827. DOI:10.13227/j.hjkx.202401258
[28]	田云, 尹忞昊. 中国农业碳排放再测算: 基本现状、动态演进及空间溢出效应[J]. 中国农村经济, 2022(3): 104-127. Tian Y, Yin M H. Re-evaluation of China's agricultural carbon emissions: basic status, dynamic evolution and spatial spillover effects[J]. Chinese Rural Economy, 2022(3): 104-127.
[29]	尹忞昊, 田云, 卢奕亨. 中国农业碳排放区域差异及其空间分异机理[J]. 改革, 2023(10): 130-145. Yin M H, Tian Y, Lu Y H. Regional differences and spatial divergence mechanisms of agricultural carbon emissions in China[J]. Reform, 2023(10): 130-145.
[30]	曹昱亮, 倪珣, 巩红禹. 长江经济带农业碳排放影响因素及脱钩效应[J]. 环境科学, 2025, 46(3): 1535-1547. Cao Y L, Ni X, Gong H Y. Influencing factors and decoupling effects of agricultural carbon emissions in the Yangtze River Economic Belt[J]. Environmental Science, 2025, 46(3): 1535-1547. DOI:10.13227/j.hjkx.202403263
[31]	信猛, 陈菁泉, 彭雪鹏, 等. 农业碳排放驱动因素——区域间贸易碳排放转移网络视角[J]. 中国环境科学, 2023, 43(3): 1460-1472. Xin M, Chen J Q, Peng X P, et al. Driving factors of agricultural carbon emission: from the perspective of interregional trade carbon emission transfer network[J]. China Environmental Science, 2023, 43(3): 1460-1472.
[32]	张新生, 魏志臻, 陈章政, 等. 基于LASSO-GWO-KELM的工业碳排放预测方法研究[J]. 环境工程, 2023, 41(10): 141-149. Zhang X S, Wei Z Z, Chen Z Z, et al. Prediction of industrial carbon emissions in Shaanxi Province based on LASSO-GWO-KELM model[J]. Environmental Engineering, 2023, 41(10): 141-149.
[33]	梁双, 胡学浩, 张东霞, 等. 基于随机模型的光伏发电置信容量评估方法[J]. 电力系统自动化, 2012, 36(13): 32-37. Liang S, Hu X H, Zhang D X, et al. Probabilistic models based evaluation method for capacity credit of photovoltaic generation[J]. Automation of Electric Power Systems, 2012, 36(13): 32-37.
[34]	Tibshirani R. Regression shrinkage and selection via the lasso[J]. Journal of the Royal Statistical Society: Series B: Statistical Methodology, 1996, 58(1): 267-288. DOI:10.1111/j.2517-6161.1996.tb02080.x
[35]	Schölkopf B, Smola A, Müller K R. Nonlinear component analysis as a kernel eigenvalue problem[J]. Neural Computation, 1998, 10(5): 1299-1319. DOI:10.1162/089976698300017467
[36]	陈凯, 朱钰. 机器学习及其相关算法综述[J]. 统计与信息论坛, 2007, 22(5): 105-112. Chen K, Zhu Y. A summary of machine learning and related algorithms[J]. Journal of Statistics and Information, 2007, 22(5): 105-112.
[37]	肖明君, 朱逸纯, 高雯媛, 等. 基于不同人工神经网络的水质预测方法对比[J]. 环境科学, 2024, 45(10): 5761-5767. Xiao M J, Zhu Y C, Gao W Y, et al. Comparative study of water quality prediction methods based on different artificial neural network[J]. Environmental Science, 2024, 45(10): 5761-5767. DOI:10.13227/j.hjkx.202310074
[38]	焦李成, 杨淑媛, 刘芳, 等. 神经网络七十年: 回顾与展望[J]. 计算机学报, 2016, 39(8): 1697-1717. Jiao L C, Yang S Y, Liu F, et al. Seventy years beyond neural networks: retrospect and prospect[J]. Chinese Journal of Computers, 2016, 39(8): 1697-1717.
[39]	杨丽, 吴雨茜, 王俊丽, 等. 循环神经网络研究综述[J]. 计算机应用, 2018, 38(S2): 1-6, 26. Yang L, Wu Y X, Wang J L, et al. Research on recurrent neural network[J]. Journal of Computer Applications, 2018, 38(S2): 1-6, 26.
[40]	方匡南, 吴见彬, 朱建平, 等. 随机森林方法研究综述[J]. 统计与信息论坛, 2011, 26(3): 32-38. Fang K N, Wu J B, Zhu J P, et al. A review of technologies on random forests[J]. Journal of Statistics and Information, 2011, 26(3): 32-38.
[41]	张驰, 郭媛, 黎明. 人工神经网络模型发展及应用综述[J]. 计算机工程与应用, 2021, 57(11): 57-69. Zhang C, Guo Y, Li M. Review of development and application of artificial neural network models[J]. Computer Engineering and Applications, 2021, 57(11): 57-69.
[42]	丁世飞, 齐丙娟, 谭红艳. 支持向量机理论与算法研究综述[J]. 电子科技大学学报, 2011, 40(1): 2-10. Ding S F, Qi B J, Tan H Y. An overview on theory and algorithm of support vector machines[J]. Journal of University of Electronic Science and Technology of China, 2011, 40(1): 2-10.
[43]	桂河清, 杜鑫. 基于贝叶斯模型平均与机器学习的中国省域碳达峰预测[J]. 环境科学, 2025, 46(6): 3461-3472. Gui H Q, Du X. Prediction of carbon peak in Chinese provinces based on Bayesian model averaging and machine learning[J]. Environmental Science, 2025, 46(6): 3461-3472. DOI:10.13227/j.hjkx.202404117
[44]	章高敏, 王腾, 娄渊雨, 等. 基于LSTM神经网络的中国省级碳达峰路径分析[J]. 中国管理科学, 2025, 33(3): 339-350. Zhang G M, Wang T, Lou Y Y, et al. Research on China's provincial carbon emission peak path based on a LSTM neural network approach[J]. Chinese Journal of Management Science, 2025, 33(3): 339-350.
[45]	高标, 房骄, 卢晓玲, 等. 区域农业碳排放与经济增长演进关系及其减排潜力研究[J]. 干旱区资源与环境, 2017, 31(1): 13-18. Gao B, Fang J, Lu X L, et al. Evolution relationship between agricultural carbon emissions and economic growth and its reduction potential[J]. Journal of Arid Land Resources and Environment, 2017, 31(1): 13-18.
[46]	史新杰, 谭雪勤, 周茹, 等. 基于机器学习的河南省农业碳排放驱动因素分析和情景预测[J]. 中国环境科学, 2025, 45(10): 5885-5893. Shi X J, Tan X Q, Zhou R, et al. Driving factors analysis and scenario prediction of agricultural carbon emissions in Henan Province based on machine learning[J]. China Environmental Science, 2025, 45(10): 5885-5893.
[47]	周向红, 胡鹏程, 成鹏飞. 基于全生命周期视角的中国建筑业碳排放核算与碳达峰预测[J]. 环境科学, 2025, 46(4): 2020-2034. Zhou X H, Hu P C, Cheng P F. Carbon emission accounting and peak carbon prediction of China's construction industry from a whole life cycle perspective[J]. Environmental Science, 2025, 46(4): 2020-2034. DOI:10.13227/j.hjkx.202403174


环境科学 2026, Vol. 47 Issue (9): 5950-5960	PDF