吉林省2020年CO2排放情景预测

doi:10.7523/j.issn.2095-6134.2011.5.008

中国科学院大学学报 ›› 2011, Vol. 28 ›› Issue (5): 617-623.DOI: 10.7523/j.issn.2095-6134.2011.5.008

吉林省2020年CO₂排放情景预测

张亚欣^1,2, 张平宇¹

1. 中国科学院东北地理与农业生态研究所, 长春 130012;
2. 中国科学院研究生院, 北京 100049

收稿日期:2010-08-03 修回日期:2010-12-20 发布日期:2011-09-15
基金资助:
国家自然科学基金(41071108)、吉林省科技引导计划软科学项目(20100640)和中国科学院东北地理与农业生态研究所前沿领域项目(KZCX3-SW-NA09-07)资助 

Scenario prediction for CO₂ emissions in 2020 in Jilin province

ZHANG Ya-Xin^1,2, ZHANG Ping-Yu¹

1. Northeast Institute of Geography and Agricultural Ecology,Chinese Academy of Sciences,Changchun 130012,China;
2. Graduate University,Chinese Academy of Sciences,Beijing 100049,China

Received:2010-08-03 Revised:2010-12-20 Published:2011-09-15

摘要/Abstract

摘要：

使用中国吉林省1978~2009年人口、GDP和单位GDP能耗数据,采用BP神经网络模型分2种情景预测了吉林省2020年CO₂排放量.结果表明,如果以吉林省2005年单位GDP的CO₂排放为参照,2种情景下,吉林省2020年单位GDP的CO₂排放分别降低55.17%和58.79%;如果以中国2005年平均水平为参照,吉林省2020年单位GDP的CO₂排放分别降低35.40%和40.62%.

关键词: CO₂排放, 情景分析, BP神经网络, 吉林省

Abstract:

Using the data of population, GDP, and energy intensity in Jilin province from 1978 to 2009 as input data, we use BP neural network to predict carbon dioxide emissions in 2020 in Jilin province under reference and emission mitigation scenarios. The results show that, if we use carbon dioxide emissions per unit of GDP in 2005 in Jilin province as a reference, CO₂ emissions per GDP in 2020 will be reduced by 55.17% and 58.79% under the two scenarios, respectively. The results also show that, if we use the national average level in 2005 as a reference, CO₂ emissions per unit of GDP in 2020 in Jilin province will be reduced by 35.40% and 40.62%, respectively.

Key words: CO₂ emissions, scenario prediction, BP artificial neural network, Jilin province

中图分类号:

张亚欣, 张平宇. 吉林省2020年CO₂排放情景预测[J]. 中国科学院大学学报, 2011, 28(5): 617-623.

ZHANG Ya-Xin, ZHANG Ping-Yu. Scenario prediction for CO₂ emissions in 2020 in Jilin province[J]. , 2011, 28(5): 617-623.

参考文献

[1] IPCC.IPCC Fourth Assessment Report .USA: Cambridge University Press,2007 .http://www.ipcc.ch/ipccreports/ar4-wg3.htm.

[2] 秦大河.气候变化科学的最新进展 .科技导报,2008(07).

[3] Ehrlich P, Holdren J. Impact of population growth
[J].Science,1971,171:1212- 1217.

[4] Du T T,Mao F,Luo R.Study on China’s economic growth and CO₂ emissions
[J].China, Population, Resources and Environment,2007,17(2):94-99(in Chinese). 杜婷婷,毛锋,罗锐.中国经济增长与CO₂排放演化探析
[J].中国人口·资源与环境,2007,17(2):94-99.

[5] Zhu Q,Peng X Z,Lu Z M, et al.Analysis model and empirical study of impacts from population and consumption on carbon emissions
[J].China, Population, Resources and Environment,2010,20(2):98-102(in Chinese). 朱勤,彭希哲,陆志明,等.人口与消费对碳排放影响的分析模型与实证
[J].中国人口·资源与环境,2010,20(2):98-102.

[6] Zou X P,Chen S F,Ning M, et al.An empirical research on the influence factor of carbon emission in Chinese provincial regions
[J].Ecological Economy,2009(3):34-37(in Chinese). 邹秀萍,陈劭锋,宁淼,等.中国省级区域碳排放影响因素的实证分析
[J].生态经济,2009(3):34-37.

[7] Fan Y, Liu L C, Wu G,et al. Analyzing impact factors of CO₂ emissions using the STIRPAT model
[J]. Environmental Impact Assessment Review, 2006, 26(4): 377-395.

[8] Ye Z D.Application of carbon dioxide emission audit to planning of low carbon cities
[J]. Modern Urban Research,2009(11):20-26(in Chinese). 叶祖达.碳排放量评估方法在低碳城市规划之应用
[J].现代城市研究,2009(11): 20-26.

[9] Zhu Y B,Wang Z,Pang L,et al. Simulation on China’s economy and prediction on energy consumption and carbon emission under optimal growth path
[J].Acta Geographica Sinica,2009,64(8):935-944(in Chinese). 朱永彬,王铮,庞丽,等.基于经济模拟的中国能源消费与碳排放高峰预测
[J].地理学报,2009,64(8):935-944.

[10] Xu Y Q,Li S C,Cai Y L.Spatial simulation using GIS and artificial neural network for regional poverty-a case study of maotiaohe water shed,Guizhou province
[J].Progress in Geography,2006,25(3):79-86(in Chinese). 许月卿,李双成,蔡运龙.基于GIS和人工神经网络的区域贫困化空间模拟分析——以贵州省猫跳河流域为例
[J].地理科学进展,2006,25(3):79-86.

[11] Liu Y,Guo H C,Wang L J,et al. Scenario analysis and its application in environmental planning
[J].Research of Environmental Science,2005,18(3): 82-87 (in Chinese). 刘永,郭怀成,王丽婧,等. 环境规划中情景分析方法及应用研究
[J].环境科学研究,2005,18(3):82-87.

[12] Li M S,Tong L J. Emergy analysis and scenario prediction of Jilin eco-economic system
[J].Journal of the Graduate School of the Chinese Academy of Sciences,2009,26(4):458- 465 (in Chinese). 李名升,佟连军.吉林省生态经济系统能值分析与情景预测
[J].中国科学院研究生院学报,2009,26(4):458-465.

[13] Xu G Q,Liu Z Y,Jian Z H.Decomposition model and empirical study of carbon emissions for China,1995-2004
[J].China,Population,Resources and Environ ment,2006,16(6):158-161(in Chinese). 徐国泉,刘则渊,姜照华.中国碳排放的因素分解模型及实证分析:1995-2004
[J].中国人口·资源与环境,2006,16(6):158-161.

[14] 国家发展和改革委员会能源研究所"中国可持续发展能源暨碳排放情景分析"课题组.中国可持续发展能源暨碳排放情景分析 .2003.

[15] 国家发展和改革委员会.中国应对气候变化国家方案及试点省份应对气候变化方案建议报告汇编 .中国:国家发展和改革委员会,(2007- 6) .http://siteresources.worldbank.org/INTEAPREGTOPENVIRONMENT/Resources/ReportChinaNCCP provincialstudiesFINALCN.pdf.

吉林省2020年CO₂排放情景预测

Scenario prediction for CO₂ emissions in 2020 in Jilin province

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

访问统计

联系我们

[1]	王虹, 徐佑宇, 谭冲, 刘洪, 郑敏. 基于改进粒子群的BP神经网络WSN数据融合算法[J]. 中国科学院大学学报, 2020, 37(5): 673-680.
[2]	王惠君, 赵桂萍, 李良, 张威, 齐荣, 刘珺. 基于卷积神经网络(CNN)的泥质烃源岩TOC预测模型——以鄂尔多斯盆地杭锦旗地区为例[J]. 中国科学院大学学报, 2020, 37(1): 103-112.
[3]	任嘉敏, 马延吉. 吉林省工业增长与工业大气污染脱钩关系的时空演变[J]. 中国科学院大学学报, 2019, 36(1): 72-81.
[4]	孙永胜, 佟连军. 松花江(吉林省段)流域经济系统稳定性演变态势[J]. 中国科学院大学学报, 2018, 35(3): 362-369.
[5]	赵亚伟, 陈艳晶. 多维时间序列的组合预测模型[J]. 中国科学院大学学报, 2016, 33(6): 825-833.
[6]	张利平, 马延吉. 吉林省县域工业发展水平测度及空间格局演变[J]. 中国科学院大学学报, 2015, 32(3): 325-332.
[7]	于凤玲, 周扬, 陈建宏, 周汉陵. DELTA势阱改进QPSO优化BP算法及其应用[J]. 中国科学院大学学报, 2015, 32(3): 416-421.
[8]	冯莉莉, 何贞铭, 刘学锋, 张佳华. 基于MODIS-NDVI数据的吉林省植被覆盖度及其时空动态变化[J]. 中国科学院大学学报, 2014, 31(4): 492-499.
[9]	赵宏波, 马延吉. 老工业基地区域经济差异时空演变及驱动机制研究——以吉林省中部地区为例[J]. 中国科学院大学学报, 2014, 31(2): 187-197.
[10]	刘永, 佟连军. 松花江流域（吉林省段）区域经济差异研究[J]. 中国科学院大学学报, 2014, 31(2): 198-205.
[11]	段祖亮, 张小雷, 权晓燕. 基于BP神经网络模型的新疆建设用地分析[J]. 中国科学院大学学报, 2009, 26(4): 451-457.
[12]	李名升, 佟连军. 吉林省生态经济系统能值分析与情景预测[J]. 中国科学院大学学报, 2009, 26(4): 458-465.
[13]	李栋, 王如松, , 周传斌. 基于LEAP的城市居住区能值评价与复合情景分析[J]. 中国科学院大学学报, 2009, 26(1): 72-82.
[14]	顾康康刘景双. 吉林省生态足迹动态分析与预测[J]. 中国科学院大学学报, 2007, 24(1): 66-72.
[15]	杜福嘉; 汪达兴. 应用BP神经网络校正铂电阻温度传感器非线性的方法[J]. 中国科学院大学学报, 2006, 23(2): 155-158.