陳書忠 趙泉

摘 要：為了解決當前碳匯計量方法存在計量誤差、準確率低的問題，提出了基于BP神經(jīng)網(wǎng)絡的碳達峰目標下碳匯計量方法的研究。首先，基于碳達峰目標對碳匯數(shù)據(jù)進行預處理，獲取準確度較高的碳匯數(shù)據(jù)；根據(jù)BP神經(jīng)網(wǎng)絡構建碳匯計量BP神經(jīng)網(wǎng)絡模型，輸出碳匯數(shù)據(jù)集；然后綜合考慮碳庫選擇指標，選擇與碳匯數(shù)據(jù)集匹配的碳庫；最后，實現(xiàn)碳達峰目標下碳匯計量的目標。實驗證明，此種計量方法具有較高的擬合度，計算值與原值更加接近，相對誤差在1.01%～1.71%，始終保持在2%以下，證明該方法的碳匯計量結果準確率較高。

關鍵詞：BP神經(jīng)網(wǎng)絡；碳達峰；碳匯計量；準確率；擬合度；碳庫

中圖分類號：X38? ? ? 文獻標志碼：A? ? 文章編號：1673-9655（2023）01-0-05

0 引言

在全球經(jīng)濟體系快速發(fā)展的趨勢下，人們對資源的需求量不斷提高。由于各個行業(yè)領域不斷地開采自然資源，為企業(yè)帶來經(jīng)濟效益的同時，也容易產(chǎn)生一定的環(huán)境污染，使生態(tài)環(huán)境中的碳系統(tǒng)失去平衡，導致溫室效應加劇[1]。為了降低碳的排放，應當采用一定的措施控制氣候變化，實現(xiàn)碳排放達到峰值的目標[2]。碳達峰指的是二氧化碳在某個區(qū)域或一定的時間范圍內排放量最高，達到了歷史最高值，經(jīng)過一段平臺冷靜期后，逐漸轉化為持續(xù)下降的過程[3]。碳達峰作為監(jiān)測二氧化碳排放量變化的一個拐點，標志著二氧化碳排放量由上升趨勢轉換為下降趨勢[4]。根據(jù)碳達峰目標的不同，將碳達峰劃分為兩種：碳達峰年份與碳達峰峰值[5]。通過碳達峰的情況，能夠判斷碳中和的程度，兩者之間具有一定的關聯(lián)，碳達峰年份與峰值直接影響著碳中和的速度與效率[6]。在碳匯研究力度不斷加大的背景下，碳匯經(jīng)濟發(fā)展的速度不斷加快，為企業(yè)帶來經(jīng)濟效益的同時，也對生態(tài)環(huán)境產(chǎn)生了較大的影響，碳匯計量方法能夠估算碳排放量，評估經(jīng)濟與環(huán)境的發(fā)展。

有研究學者提出基于多目標模型的碳匯計量方法，以我國主要耗煤產(chǎn)業(yè)、電力、供熱、交通以及碳匯量為研究對象建立多目標模型，實現(xiàn)碳匯計量[7]。但是這種方法無法在碳達峰目標下獲取精準的評估結果，準確率較低，失去了計量的意義?；诖?，本文結合了BP神經(jīng)網(wǎng)絡，提出了在碳達峰目標下碳匯計量方法的設計。

1 基于BP神經(jīng)網(wǎng)絡的碳達峰目標下碳匯計量方法設計

1. 1 碳達峰目標下碳匯數(shù)據(jù)預處理

碳匯儲存量不僅包括自身的碳儲量，在一定程度上還包括其他物質釋放的碳儲量。受到自然環(huán)境與其他因素的影響，對碳匯計量的準確度造成一定的影響，因此，應當首先對碳達峰目標下碳匯數(shù)據(jù)進行預處理[8]。BP神經(jīng)網(wǎng)絡包括多個單元模塊，單元模塊經(jīng)過組合，能夠與多個領域交叉應用，幫助領域解決部分復雜的難題。BP神經(jīng)網(wǎng)絡具有較廣泛的適用范圍，在應用過程中具有能力強、效率高以及執(zhí)行力強的優(yōu)勢[9]。碳匯計量方法作為評估項目環(huán)境與經(jīng)濟效益的重要基礎，在計量單位與屬性上具有較高的要求[10]。

本文設計的基于BP神經(jīng)網(wǎng)絡的碳達峰目標下碳匯計量方法，能夠對各種環(huán)境下的碳匯數(shù)據(jù)進行分析，通過一定的處理方式，生成符合碳達峰目標的碳匯數(shù)據(jù)。數(shù)據(jù)中各指標的量綱或數(shù)量級不同，在實質性處理之前，需要對碳達峰目標下碳匯數(shù)據(jù)進行預處理，去掉其量綱，將這些數(shù)據(jù)統(tǒng)一在[0，1]或[-1，1]這個區(qū)間內。將數(shù)據(jù)通過歸一化方法進行處理，計算公式如下：

為了降低由于天氣情況等不利因素對碳匯計量結果產(chǎn)生的影響，在獲取碳匯數(shù)據(jù)時，盡量選擇天氣情況較好的時間[11]。采用MATLAB數(shù)據(jù)獲取工具，將觀測到的碳匯數(shù)值以原始圖像的形式加載到數(shù)據(jù)獲取工具的figure中，輸入相應的指令，獲取碳匯數(shù)據(jù)點在圖像中的坐標，基于比例換算的方式，獲取相關的二氧化碳通量，作為BP神經(jīng)網(wǎng)絡的主要數(shù)據(jù)。

在獲取到碳匯數(shù)據(jù)后，由于二氧化碳通量形成于呼吸作用與光合作用中，應當對碳匯數(shù)據(jù)進行過濾處理，避免碳匯數(shù)據(jù)出現(xiàn)明顯的浮動現(xiàn)象，縮小數(shù)據(jù)的變化范圍。

對BP神經(jīng)網(wǎng)絡的收斂速度進行相關控制，對BP神經(jīng)網(wǎng)絡的訓練時間進行嚴格的規(guī)劃與記錄，保證碳匯計量結果的客觀性[12]。采用規(guī)范化算法，對碳匯數(shù)據(jù)進行變量轉換處理。給定一個變量 f，設置f的值域范圍在0到1之間，設定min和max分別表示變量f的最小值與最大值，基于規(guī)范化算法，轉換f的變量形式，計算公式為：

式中：xif—變量f的碳匯度量值，變量 f 包括二氧化碳的濃度、水平風速、二氧化碳通量和植物光合速率，經(jīng)過上述公式的轉換，獲取到碳匯數(shù)據(jù)的規(guī)范化參數(shù)結果，如表1所示。

如表1所示，為本文獲取到的經(jīng)過預處理的碳匯數(shù)據(jù)規(guī)范化參數(shù)，在進行碳匯計量方法時，應當嚴格按照表1的參數(shù)進行操作。

1. 2 建立碳匯計量BP神經(jīng)網(wǎng)絡模型

基于上述碳達峰目標下碳匯數(shù)據(jù)的預處理結束后，為了提高碳匯計量結果的準確率，結合BP神經(jīng)網(wǎng)絡的特征與優(yōu)勢，共同建立BP神經(jīng)網(wǎng)絡模型。通常情況下，碳匯計量中涉及的因素較多，包括二氧化碳濃度、平均風速、二氧化碳通量、植物光合速率等，因此，在建立模型時，綜合考慮上述影響因子對計量結果的影響。設置二氧化碳、水平風速和植物光合速率作為BP神經(jīng)網(wǎng)絡模型的基本輸入；模型的輸出只有一種，即二氧化碳的通量。本文將碳匯計量的BP神經(jīng)網(wǎng)絡模型結構進行了劃分，具體劃分為輸出層、中間層與輸入層三種結構。在模型中，ρc表示二氧化碳的濃度；w表示水平風速，ρd表示植物光合速率；Fc表示輸出端二氧化碳的通量。設置神經(jīng)網(wǎng)絡模型的中間層為單層結構，在中間層中包含若干個節(jié)點，根據(jù)碳達峰目標下碳匯訓練的樣本量、模型的收斂速度，確定BP神經(jīng)網(wǎng)絡模型輸入層最終的節(jié)點個數(shù)。

模型在訓練樣本量的學習訓練過程中，輸入層進行單向傳播，輸入的數(shù)據(jù)為二氧化碳的濃度與實際的水平風速，輸出變量與輸入變量的形式不同，輸出變量通常在單向中間層中進行傳播，輸出的數(shù)據(jù)僅由二氧化碳通量組成，具有較好的泛化能力。BP神經(jīng)網(wǎng)絡模型在訓練樣本數(shù)量方面沒有限制，能夠快速地獲取二氧化碳通量與各個影響因子之間的變化情況，模型的收斂速度具有較大的優(yōu)勢。本文設計的碳匯計量BP神經(jīng)網(wǎng)絡模型的運行流程，如圖1所示。

如圖1所示，首先，在模型中輸入碳匯數(shù)據(jù)集，根據(jù)數(shù)據(jù)集的具體特征，分為訓練數(shù)據(jù)集與測試數(shù)據(jù)集。結合離散數(shù)據(jù)網(wǎng)格化的算法，對BP神經(jīng)網(wǎng)絡中的碳匯數(shù)據(jù)進行排序，將模型訓練樣本量的數(shù)據(jù)樣本進行分組處理，劃分為A、B兩個組，根據(jù)具體的分組情況，初始化神經(jīng)網(wǎng)絡模型，當模型讀入第一個樣本數(shù)據(jù)時開始相應的訓練；采用算法計算出模型中輸出量的輸出誤差，判斷誤差是否達到碳匯計量的精度要求，達到要求則得出最終的碳匯訓練數(shù)據(jù)，達不到則返回重復上一步模型操作，直至最終達到碳匯計量精度要求為止。

接下來，要確定神經(jīng)網(wǎng)絡模型中間層節(jié)點的個數(shù)，節(jié)點的個數(shù)與碳達峰目標下碳匯計量的結果具有一定的關聯(lián)。模型中間層節(jié)點個數(shù)設置過少，會降低模型訓練樣本的歸納與反映效果，無法清晰地獲取碳匯數(shù)據(jù)樣本集的變化規(guī)律；節(jié)點個數(shù)設置過多的話，在碳匯計量中會形成過量擬合的現(xiàn)象，降低BP神經(jīng)網(wǎng)絡模型的泛化水平，導致模型訓練的時間較長，影響碳匯計量的效率。本文采用交叉驗證的方式確定模型中間層的節(jié)點個數(shù)，重復訓練BP神經(jīng)網(wǎng)絡模型的各個單元，保證充足的模型單元循環(huán)次數(shù)。

設置模型中的碳匯數(shù)據(jù)樣本容量為500，在樣本進行訓練時，設置模型各個單元的學習率為0.75，模型運行的精度控制參數(shù)為0.001，在BP神經(jīng)網(wǎng)絡模型中進行擬合運算，控制擬合運算的循環(huán)次數(shù)不少于1000。結合BP神經(jīng)網(wǎng)絡慣性系數(shù)，提高神經(jīng)網(wǎng)絡模型的收斂速度與效率，避免在碳匯計量過程中出現(xiàn)模型訓練時間過長的情況。基于神經(jīng)網(wǎng)絡算法，計算出BP神經(jīng)網(wǎng)絡模型在每次訓練后的單元誤差值，計算公式為：

式中：Zij—模型運行中輸出矩陣的任意元素，在本文中表示二氧化碳濃度、水平風速；e—模型訓練后的單元誤差值；Yj—模型單元中的樣本輸出，即二氧化碳通量。

通過公式（3）獲取到BP神經(jīng)網(wǎng)絡模型在每次訓練后的單元誤差值，將誤差值返回到模型的上一層，與輸出端結果相對比，修改單元誤差值的權值，最終輸出模型的碳匯數(shù)據(jù)集。

1. 3 選擇碳庫

根據(jù)上述建立的碳匯計量BP神經(jīng)網(wǎng)絡模型，獲取到符合碳達峰目標的碳匯數(shù)據(jù)集，選擇與碳匯數(shù)據(jù)集相匹配的碳庫，提高碳儲量的精確度。想要實現(xiàn)碳匯計量的目標，最常用的方法就是對項目邊界內所有類型的碳庫進行計量，然而，此種計量方法在一定程度上增加了項目的成本，消耗大量的人力與資源。因此，本文對此種方法進行了改進，選擇一個具有代表性的碳庫或者一系列主要碳庫，通過估算碳庫中碳存儲量的變化量，實現(xiàn)碳匯計量的目標。由于不同碳庫中碳儲存量存在一定的差異，根據(jù)地理環(huán)境與自然條件的不同，碳儲存量也不同，基于此，在碳庫選擇中，本文結合了土地利用系統(tǒng)的優(yōu)勢進行選擇。

在選擇過程中，綜合考慮碳匯計量的成本，如果計量成本過高，對項目的順利開展會產(chǎn)生較大的影響。碳庫的選擇具有一定的指標，包括碳匯計量項目的類型、碳匯計量成本以及項目對碳匯計量結果精度的要求?；谔紟爝x擇指標與碳儲存量的變化量，共同選擇碳匯計量所需的碳庫。

1. 4 碳達峰目標下碳匯計量

碳匯計量主要是對碳儲量及儲量變化量進行估算，計量方法的種類較多，本文采用項目碳儲量變化量計量方法實現(xiàn)碳匯計量。項目碳儲量變化量主要包括碳庫中各個項目碳層生物量變化的和，減去項目引起的其他生物量碳儲量的降低量，計算公式為：

式中：ΔC1—第t年碳達峰目標下碳儲量的具體變化量；ΔC2、ΔC3、ΔC4和ΔC5—第t年碳達峰目標下，i碳層中碳儲量變化量、生物量碳儲量變化量、地下生物量碳庫中碳儲量的降低量和地上生物量碳庫中碳儲量的降低量；t—碳達峰目標下碳儲量開始的年數(shù)；i—項目碳儲量的碳層。

在碳庫中隨機設置幾個小樣方，采用收獲法獲取項目碳儲量中的含碳率平均值，結合物質的量計算方法，獲取項目邊界內各層計量碳庫基線的具體數(shù)據(jù)信息。在滿足碳匯計量精度的情況下，設定碳層內樣方的形狀與面積相同，固定樣方的數(shù)量，基于有效性計量原則，最終獲取碳達峰目標下碳匯計量結果。

2 實驗分析

2. 1 實驗準備

基于上述的設計，為了進一步對本文設計的基于BP神經(jīng)網(wǎng)絡的碳達峰目標下碳匯計量方法作出客觀的分析，采用本文設計的方法，對綠地碳匯進行計算。

選取本市郊區(qū)某校園綠地作為實驗的目標對象，以該綠地2018—2021年匯總數(shù)據(jù)為本文實驗數(shù)據(jù)，對該綠地的碳匯進行計算。將二氧化碳濃度、水平風速和植物光合速率作為BP神經(jīng)網(wǎng)絡模型的網(wǎng)絡輸入數(shù)據(jù)，以二氧化碳通量作為網(wǎng)絡輸出，進而訓練網(wǎng)絡。

構建BP神經(jīng)網(wǎng)絡模型，作為本次實驗的核心模型，模型結構如圖2所示。

本文構建的BP神經(jīng)網(wǎng)絡模型數(shù)據(jù)信息與誤差均為單向傳播的方式，數(shù)據(jù)信息通過正向傳播，誤差通過反向傳播。

設置輸入模式向量為X=（x1，x2，…，xn）；希望輸出向量為Y，將輸入層的節(jié)點數(shù)設置為n，均勻分布在模型的隱含層中，其大小形態(tài)完全不同，Wa=（a=1，2，…，n）表示模型中輸出層到第a節(jié)點的權值，Wta（t=1，2，…，n；a=1，2，…，n）表示輸入層第t節(jié)點到隱含層第a節(jié)點的權值。隱含層各單元輸入向量為B=（b1，b2，…，bn）；輸出層輸入向量為L=（l1，l2，…，ln），輸出向量為C。

調整神經(jīng)網(wǎng)絡預測的非控制性變量，進而推算出控制變量，作為本次實驗碳達峰的預測分析。本次實驗在總數(shù)據(jù)中選取2018—2020年數(shù)據(jù)作為訓練樣本，輸入碳匯訓練數(shù)集到模型中，結合最速下降的方法，對誤差的反向傳播方式進行設置，同時調整迭代次數(shù)，改變神經(jīng)網(wǎng)絡權值。通過反向傳輸?shù)姆绞?，調整神經(jīng)網(wǎng)絡的權值，減小輸出向量與期望的向量之間的差值，提高計量結果的精度。將本文設計的BP神經(jīng)網(wǎng)絡隱藏層確定為6層，隱藏層中神經(jīng)元為12個，對應該綠地碳排量主要因子，該綠地通過 tansig函數(shù)進行激活，學習速率設置為0.5，迭代訓練次數(shù)為1500次，輸出層為1個神經(jīng)元，對應該工廠碳排量，以此檢驗BP神經(jīng)網(wǎng)絡模型的有效性。經(jīng)過1500次訓練后，得到神經(jīng)網(wǎng)絡模型的權值閾值結果如表2所示。

2. 2 結果分析

設置本文提出的基于BP神經(jīng)網(wǎng)絡的碳達峰目標下碳匯計量方法為實驗組，將基于多目標模型的碳匯計量方法為對照組，對比兩種碳匯計量方法計算結果的相對誤差，將該綠地2021年數(shù)據(jù)作為測試樣本，結果如表3所示。

根據(jù)表3可知，作為對照組的基于多目標模型的碳匯計量方法的計算值與原值之間差距較大，相對誤差在3.64%～11.77%，波動較大；而本文提出的基于BP神經(jīng)網(wǎng)絡的碳達峰目標下碳匯計量方法的計算值與原值更加接近，相對誤差在1.01%～1.71%，始終保持在2%以下，波動較小，并且誤差率較低，說明本文提出方法計算結果的準確率較高，更加具有優(yōu)勢。

3 結束語

本文設計的基于BP神經(jīng)網(wǎng)絡的碳達峰目標下碳匯計量方法的計量結果準確率較高，具有一定的優(yōu)勢。本文設計的計量方法能夠有效地推動我國高新技術產(chǎn)業(yè)的發(fā)展，具有較高的擬合優(yōu)勢，能提高各個領域能源的利用率，實現(xiàn)碳系統(tǒng)的平衡發(fā)展。然而，本文在碳匯計量屬性方面的研究仍然存在一定的不足，在未來應當加以改進。

參考文獻：

[1] 鐘薇薇，高海，徐維軍，于孝建.多聚類視角下的碳達峰路徑探索與趨勢研判——基于廣東省21個地級市面板數(shù)據(jù)的分析[J].南方經(jīng)濟，2021（12）：58-79.

[2] 盛偉，李峰，肖楠.高效碳中和示范林選擇及計量監(jiān)測技術[J].現(xiàn)代農(nóng)村科技，2021（12）：104.

[3] 關琰珠，鐘寅翔，吳毅彬，陳瀾韻.科技創(chuàng)新與碳達峰碳中和目標下區(qū)域碳排放與污染物協(xié)同減排的調控政策研究——以廈門市為例[J].中國發(fā)展，2021，21（5）：79-88.

[4] 丁爽，姜玲玲，林翎，楊波，等.我國碳達峰碳中和標準化發(fā)展現(xiàn)狀及對策研究[J].中國標準化，2022（1）：63-70，75.

[5] 胡劍波，趙魁，楊苑翰.中國工業(yè)碳排放達峰預測及控制因素研究—基于BP-LSTM神經(jīng)網(wǎng)絡模型的實證分析[J].貴州社會科學，2021（9）：135-146.

[6] 范德成，張修凡.基于PSO-BP神經(jīng)網(wǎng)絡模型的中國碳排放情景預測及低碳發(fā)展路徑研究[J].中外能源，2021，26（8）：11-19.

[7] 王深，呂連宏，張保留，王斯一，等.基于多目標模型的中國低成本碳達峰、碳中和路徑[J].環(huán)境科學研究，2021，34（9）：2044-2055.

[8] 王勇，許子易，張亞新.中國超大城市碳排放達峰的影響因素及組合情景預測—基于門限-STIRPAT模型的研究[J].環(huán)境科學學報，2019，39（12）：4284-4292.

[9] 高鳴，張哲晰.碳達峰、碳中和目標下我國農(nóng)業(yè)綠色發(fā)展的定位和政策建議[J].華中農(nóng)業(yè)大學學報（社會科學版），2022（1）：24-31.

[10] 劉梅影，羅斌華，蘇利陽，劉揚.國家生態(tài)文明試驗區(qū)（江西）推進碳達峰、碳中和的進展、挑戰(zhàn)及對策分析[J].環(huán)境保護，2021，49（Z2）：74-76.

[11] 李綏，石鐵矛，王梓通，李滔，等.基于建筑容量的城市建設用地碳匯量核算方法[J].應用生態(tài)學報，2019，30（3）：986-994.

[12] 段福梅.中國二氧化碳排放峰值的情景預測及達峰特征—基于粒子群優(yōu)化算法的BP神經(jīng)網(wǎng)絡分析[J].東北財經(jīng)大學學報，2018（5）：19-27.