“雙碳”目標(biāo)下河南省農(nóng)業(yè)碳排放影響因素及預(yù)測研究*

高晨曦,盧秋萍,歐年青,胡清萍,林 雪,鮑玲鑫

(福建農(nóng)林大學(xué)計算機(jī)與信息學(xué)院/生態(tài)與資源統(tǒng)計福建省高校重點實驗室 福州 350002)

CO2等溫室氣體所產(chǎn)生的溫室效應(yīng)加速了全球氣候變化的進(jìn)程,世界各國已通過全球協(xié)議達(dá)成減少溫室氣體排放的共識,中國也積極參與在全球碳減排行動之中,并于2020年宣布“CO2排放力爭于2030年前達(dá)到峰值,努力爭取2060年前實現(xiàn)碳中和”。農(nóng)業(yè)生產(chǎn)作為碳排放的重要來源[1],約占全球溫室氣體排放總量的14%[2],僅次于電熱生產(chǎn)。中國作為農(nóng)業(yè)大國,農(nóng)業(yè)碳排放占總碳排放量的17%左右[3]。因此,農(nóng)業(yè)碳減排是中國實現(xiàn)碳達(dá)峰、碳中和目標(biāo)的重要方面。

目前,農(nóng)業(yè)碳排放的研究主要集中在碳排放測算[4-7]、時空演變[8-9]、脫鉤效應(yīng)[10-12]和碳減排策略[13-14]等方面,農(nóng)業(yè)碳排放影響因素及預(yù)測分析有待深究[15]。在農(nóng)業(yè)碳排放影響因素分析方法中,可拓展的隨機(jī)性的環(huán)境影響評估模型(Stochastic Impacts by Regression on Population,Affluence,and Technology,STIRPAT)可以充分考慮社會、經(jīng)濟(jì)和技術(shù)方面的影響因素[16],但忽略了區(qū)域城鎮(zhèn)化進(jìn)程對農(nóng)業(yè)發(fā)展的影響。在農(nóng)業(yè)碳排放預(yù)測分析方法中,目前普遍采用傳統(tǒng)預(yù)測方法,如:環(huán)境庫茲涅茨曲線、IPAT 方程、STIRPAT 模型、投入產(chǎn)出模型、灰色預(yù)測模型和LEAP 模型等[17],這些傳統(tǒng)預(yù)測方法往往存在模型計算復(fù)雜或過擬合等缺陷,且針對復(fù)雜的非線性農(nóng)業(yè)碳排放系統(tǒng),由于缺乏學(xué)習(xí)和測試過程,易導(dǎo)致非線性關(guān)系模糊、泛化能力不足等諸多弊端。支持向量回歸(Support Vector Regression,SVR)作為一種基于統(tǒng)計學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法,計算的復(fù)雜度只取決于支持向量的數(shù)目,不敏感損失函數(shù)的引入與核技巧的應(yīng)用也使得其能夠避免過擬合和較好地解決非線性問題,適用于農(nóng)業(yè)碳排放預(yù)測研究。

河南省作為農(nóng)業(yè)大省,2020年農(nóng)業(yè)生產(chǎn)總值占全國的7.23%,位居全國第二。本文以河南省為例,采用排放因子法測算2001—2020年河南省農(nóng)業(yè)碳放量。針對目前農(nóng)業(yè)碳排放影響因素及預(yù)測分析模型存在的不足之處,構(gòu)建擴(kuò)展STIRPAT 模型,對農(nóng)業(yè)碳排放的各種影響因素進(jìn)行定性與定量分析。建立基于徑向基函數(shù)(Radial Basis Function,RBF)核ε-SVR 的農(nóng)業(yè)碳排放預(yù)測模型,預(yù)測不同情景下2021—2025年河南省農(nóng)業(yè)碳排放量及趨勢,以期為河南省農(nóng)業(yè)碳減排及相關(guān)政策的制定提供量化參考和科學(xué)依據(jù),同時也為區(qū)域農(nóng)業(yè)碳排放研究提供新的方法借鑒。

1 研究方法與數(shù)據(jù)來源

1.1 農(nóng)業(yè)碳排放測算

采用聯(lián)合國政府間氣候變化專門委員會(Intergovernmental Panel on Climate Change,IPCC)指南的排放因子法測算農(nóng)業(yè)碳排放量。將農(nóng)業(yè)溫室氣體排放源劃分為4 類:水稻種植、土地利用、動物腸道發(fā)酵和糞便管理,并以此建立農(nóng)業(yè)碳排放測算框架。確定各溫室氣體排放系數(shù)及對應(yīng)的百年尺度CO2變暖潛力的倍數(shù)。最終測算出農(nóng)業(yè)CO2排放總量,測算公式如下:

式中:E為農(nóng)業(yè)CO2排放總量;g i為第i類農(nóng)業(yè)碳排放源的量;e ij為第i類農(nóng)業(yè)碳排放源第j類溫室氣體的排放系數(shù);GWPj為第j類溫室氣體對應(yīng)的百年尺度CO2變暖潛力的倍數(shù)。根據(jù)IPCC 第5 次評估報告,溫室氣體CO2、CH4和N2O 的百年尺度CO2變暖潛力分別為1 倍、28 倍和265 倍。

農(nóng)業(yè)溫室氣體排放源與排放系數(shù)如表1所示。

表1 農(nóng)業(yè)溫室氣體排放源與排放系數(shù)Table 1 Agricultural greenhouse gas emission sources and emission coefficients

1.2 農(nóng)業(yè)碳排放影響因素分析模型

STIRPAT 模型是York 等[19]在Ehrlich 等[20]提出的IPAT 模型的基礎(chǔ)上改進(jìn)而來的用于分析人文因素對環(huán)境影響的隨機(jī)模型。它將環(huán)境影響因素分解為人口規(guī)模、富裕程度和技術(shù)水平3 類,不僅克服了IPAT 模型在假設(shè)檢驗方面的局限性[21],還允許通過增減或因素分解進(jìn)行擴(kuò)展改進(jìn)[22],且便于定性和定量地分析人文指標(biāo)對碳排放的影響程度。STIRPAT 模型的基本形式為:

式中:I 、 P、 A、 T分別代表環(huán)境影響、人口規(guī)模、富裕程度和技術(shù)水平;a為模型系數(shù);b、 c、 d分別為P、 A、 T的彈性指數(shù);e為隨機(jī)誤差。

考慮到區(qū)域城鎮(zhèn)化進(jìn)程對農(nóng)業(yè)發(fā)展的影響,本文在STIRPAT 模型的基礎(chǔ)上引入城鎮(zhèn)化率指標(biāo)對其進(jìn)行擴(kuò)展,建立以農(nóng)村人口、農(nóng)作物播種面積、大型畜牧數(shù)、人均農(nóng)業(yè)GDP、農(nóng)村人均可支配收入、農(nóng)業(yè)機(jī)械化水平和城鎮(zhèn)化率為農(nóng)業(yè)碳排放影響因素的擴(kuò)展STIRPAT 模型。模型表達(dá)為:

式(3)兩邊同時取對數(shù),將非線性模型轉(zhuǎn)化成線性模型,以便進(jìn)行回歸分析確定模型參數(shù)。對數(shù)變換后模型表達(dá)為:

式中:E為農(nóng)業(yè)CO2排放總量(萬t);a為常數(shù)項;R為農(nóng)村人口(萬人);S為農(nóng)作物播種面積(萬hm2);L為大型畜牧數(shù)(萬頭),代替原模型中的人口規(guī)模項;A為人均農(nóng)業(yè)GDP(元);I為農(nóng)村人均可支配收入(元),代替原模型中的富裕程度項;M為農(nóng)業(yè)機(jī)械化水平,以農(nóng)業(yè)機(jī)械總動力(萬kWh)表示,代替原模型中的技術(shù)水平項;U為城鎮(zhèn)化率(%),反映城鎮(zhèn)化進(jìn)程;β1、β2、β3、β4、β5、β6、β7為模型的彈性系數(shù),根據(jù)彈性系數(shù)概念,當(dāng)R、S、L、A、I、M、U每發(fā)生1%的變動時,將分別引起E發(fā)生β1%、β2%、β3%、β4%、β5%、β6%、β7%的變動。

1.3 農(nóng)業(yè)碳排放預(yù)測模型

SVR 是Drucker 等[23]在支持向量機(jī)的基礎(chǔ)上擴(kuò)展而來的一種能夠進(jìn)行回歸計算的機(jī)器學(xué)習(xí)方法。由于SVR 適合小樣本的學(xué)習(xí),理論上可獲得全局最優(yōu)解,且能夠通過核技巧較好地解決非線性回歸問題。不敏感損失函數(shù)ε的引入允許其輸出值f(x)與真實值y之間存在至多ε的偏差,在一定程度上能夠避免過擬合,提高泛化能力。計算的復(fù)雜度也只取決于支持向量的數(shù)目,而與樣本空間維數(shù)無關(guān),在高維空間中具有一定優(yōu)勢。本文所研究的系小樣本非線性問題,為避免過擬合和提高泛化能力,采用如下ε-SVR 模型:

輸入訓(xùn)練集數(shù)據(jù):

式中:x i為輸入向量;y i為輸出值,i=1,2,···,n。

設(shè)R m上的一個線性表達(dá)式為:

式中:ω ∈R m為權(quán)值向量;b∈R為偏置。

f(x)的求解問題可轉(zhuǎn)化為式(7)、式(8)的最優(yōu)化問題:

1.4 數(shù)據(jù)來源及處理

本研究中河南省農(nóng)業(yè)碳排放原始數(shù)據(jù)根據(jù)2002—2021年《中國統(tǒng)計年鑒》和《河南省統(tǒng)計年鑒》整理得出。其中:化肥施用量采用折純量表示,農(nóng)藥、農(nóng)膜、農(nóng)用柴油均以實際使用量表示,翻耕數(shù)據(jù)以當(dāng)年實際農(nóng)作物播種面積為準(zhǔn),大型畜牧數(shù)均以年末存欄數(shù)量為準(zhǔn),人均農(nóng)業(yè)GDP 為種植業(yè)和畜牧業(yè)生產(chǎn)總值與鄉(xiāng)村人口的比值,農(nóng)業(yè)CO2排放強(qiáng)度為農(nóng)業(yè)CO2排放總量與種植業(yè)和畜牧業(yè)生產(chǎn)總值的比值,農(nóng)業(yè)機(jī)械化水平以農(nóng)業(yè)機(jī)械總動力表示。

2 結(jié)果與分析

2.1 農(nóng)業(yè)碳排放結(jié)構(gòu)及時序特征分析

2001—2020年河南省農(nóng)業(yè)碳排放結(jié)構(gòu)表明(圖1):土地利用對農(nóng)業(yè)CO2排放總量的平均貢獻(xiàn)率最大,為48.31%;其次是動物的腸道發(fā)酵、糞便管理和水稻種植,分別貢獻(xiàn)了31.28%、16.05%和4.37%。水稻種植和土地利用的農(nóng)業(yè)CO2排放量(貢獻(xiàn)率)總體呈上升趨勢,分別從2001年的275.66 萬t(3.02%)、3443.34 萬t(37.75%)上升至2020年的408.97 萬t(5.62%)、4357.12 萬t(59.88%)。 動物的腸道發(fā)酵、糞便管理的農(nóng)業(yè)CO2排放量(貢獻(xiàn)率)總體呈下降趨勢,分別從2001年的3857.85 萬t(42.30%)、1543.79萬t(16.93%)下降至2020年的1444.25 萬t(19.85%)、1066.23 萬t(14.65%)。 總體來看,河南省農(nóng)業(yè)CO2主要排放源已經(jīng)從畜牧業(yè)的腸道發(fā)酵和糞便管理轉(zhuǎn)移至種植業(yè)的土地利用和水稻種植;農(nóng)業(yè)CO2排放總量主要呈現(xiàn)“上升-下降”的趨勢,年均增長率為—1.18%,當(dāng)前全省農(nóng)業(yè)碳排放總體已呈降低趨勢,特別是在2006年和2017年有大幅下降,分別較上年下降9.40%和16.67%,且農(nóng)業(yè)CO2排放量于2005年達(dá)峰值,為10 256.69 萬t,而2020年已降至 7276.56 萬t,較峰值降低29.06%。

圖1 2001—2020年河南省農(nóng)業(yè)CO2 排放結(jié)構(gòu)Fig.1 Structure of agricultural CO2 emissions in Henan Province from 2001 to 2020

農(nóng)業(yè)碳排放強(qiáng)度是指每單位農(nóng)業(yè)生產(chǎn)總值的增長所帶來的碳排放量[24],能有效反映碳排放與農(nóng)業(yè)經(jīng)濟(jì)增長之間的聯(lián)系。2001—2020年河南省農(nóng)業(yè)CO2排放強(qiáng)度主要呈現(xiàn)“下降-上升-下降”的趨勢(圖2),年均增長率為—8.69%,2001—2020年河南省農(nóng)業(yè)CO2排放強(qiáng)度呈現(xiàn)先降低后升高的趨勢,且于2003年達(dá)到峰值4.86 t·萬元—1,此后逐年下降,2004年的下降幅度最大,相比上年排放強(qiáng)度降低24.27%,2020年已下降至0.80 t·萬元—1,較峰值降幅為83.54%。這些結(jié)果表明近年來河南省農(nóng)業(yè)產(chǎn)業(yè)轉(zhuǎn)型優(yōu)化對農(nóng)業(yè)碳減排效果顯著,農(nóng)業(yè)碳排放與農(nóng)業(yè)經(jīng)濟(jì)增長已逐漸脫鉤。

圖2 2001—2020年河南省農(nóng)業(yè)CO2 排放強(qiáng)度變化Fig.2 Changes of agricultural CO2 emission intensity in Henan Province from 2001 to 2020

2.2 農(nóng)業(yè)碳排放影響因素分析

對河南省農(nóng)業(yè)碳排放量及影響因素數(shù)據(jù)做自然對數(shù)處理后進(jìn)行普通最小二乘回歸分析,發(fā)現(xiàn)模型存在嚴(yán)重的多重共線性。為確保模型的穩(wěn)定性和精確度,選擇主成分分析對變量進(jìn)行降維處理,將線性相關(guān)的農(nóng)業(yè)碳排放各影響因素通過正交變換合并成少數(shù)幾個線性無關(guān)的主成分,達(dá)到消除多重共線性的目的。

將自然對數(shù)處理后的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理以消除量綱影響,分別以ZlnR、ZlnS、ZlnL、ZlnA、ZlnI、ZlnM、ZlnU表示標(biāo)準(zhǔn)化后的變量。運(yùn)用SPSS 23.0 對處理后的變量進(jìn)行主成分分析,提取兩個主成分F1、F2,可解釋原始變量的98.347%(表2)。主成分方程系數(shù)其中:r ij為成分矩陣各分量,λi為主成分特征值(表3)。F1、F2為:

表2 農(nóng)業(yè)碳排放影響因素主成分分析的總方差解釋Table 2 Total variance interpretation of principal component analysis for influencing factors of agricultural carbon emissions

表3 農(nóng)業(yè)碳排放影響因素的成分矩陣和主成分方程系數(shù)Table 3 Component matrix and principal component equation coefficients of influencing factors of agricultural carbon emissions

利用樣本數(shù)據(jù)計算F1、F2值, 并與ZlnE做最小二乘回歸, 可得:

2.3.1 支持向量回歸結(jié)果分析

運(yùn)用MATLAB,按照基于RBF 核ε-SVR 的農(nóng)業(yè)碳排放預(yù)測模型的步驟,對樣本數(shù)據(jù)進(jìn)行歸一化處理,從歸一化后的樣本數(shù)據(jù)中隨機(jī)選取10年數(shù)據(jù)組成訓(xùn)練集,剩余10年數(shù)據(jù)組成測試集,設(shè)定ε的初始值為0.01,采用網(wǎng)格搜索和5 折交叉驗證對懲罰參數(shù)C和核函數(shù)參數(shù) γ進(jìn)行尋優(yōu),C和 γ的取值范圍均為[2—10,210],網(wǎng)格寬度為0.2。系統(tǒng)將在訓(xùn)練集中尋找出訓(xùn)練誤差最小的一組超參數(shù)組合。參數(shù)選擇效果見圖3,最佳模型超參數(shù)(C,γ)的值為(1024,0.000 976 562 5),二乘回歸,可得:

圖3 參數(shù)選擇效果圖(3D)Fig.3 The effect drawing of the parameter selection(3D)

可決系數(shù)R2為0.940,調(diào)整后的R2為0.933,表明模型具有較高的擬合度。Sig.F=0.000＜0.05,表明在P＜0.05 的顯著性水平下模型線性關(guān)系顯著。Sig.t=0.000＜0.05,表明在P＜0.05 的顯著性水平下模型回歸系數(shù)顯著(表4)。將式(17)、(18)代入式(19)中可得:

表4 農(nóng)業(yè)碳排放影響因素的主成分回歸系數(shù)和顯著性檢驗Table 4 Coefficient and significance test of principal component regression of influencing factors of agricultural carbon emissions

將式(20)進(jìn)行反標(biāo)準(zhǔn)化處理,可得:

由式(21)得到最終的河南省農(nóng)業(yè)碳排放擴(kuò)展STIRPAT 模型:

模型表明:鄉(xiāng)村人口(R)、農(nóng)作物播種面積(S)、大型畜牧數(shù)(L)、人均農(nóng)業(yè)GDP(A)、農(nóng)村人均可支配收入(I)、農(nóng)業(yè)機(jī)械化水平(M)、城鎮(zhèn)化率(U)每發(fā)生1%的變動,將分別引起河南省農(nóng)業(yè)碳排放量0.162%、 0.175%、 0.130%、 —0.018%、 —0.029%、0.120、—0.071%的變動;影響河南省農(nóng)業(yè)碳排放量的7 個因素中,農(nóng)作物播種面積的促進(jìn)作用最大,其次是鄉(xiāng)村人口和大型畜牧數(shù),農(nóng)業(yè)機(jī)械化水平的促進(jìn)作用最小,城鎮(zhèn)化率的抑制作用最強(qiáng),其次是農(nóng)村人均可支配收入,人均農(nóng)業(yè)GDP 的抑制作用最小。

2.3 農(nóng)業(yè)碳排放預(yù)測分析

交叉驗證的MSE 為0.0395。將訓(xùn)練集和測試集的擬合值與實測值進(jìn)行線性回歸,其中訓(xùn)練集線性回歸的R2為0.96,MSE 為0.01,表明模型具有較高的擬合度。測試集線性回歸的R2為0.97,MSE 為0.01,表明模型具有較強(qiáng)的泛化能力。反歸一化后訓(xùn)練集和測試集的擬合值和實測值對比見圖4。

圖4 訓(xùn)練集(a)和測試集(b)農(nóng)業(yè)CO2 排放擬合值與實測值結(jié)果對比Fig.4 Comparing the fitting values of training set(a)and test set(b)with the measured values of agricultural CO2 emissions

同時,與2.2 節(jié)中擴(kuò)展STIRPAT 模型的R2為0.94,MSE 為0.067 相比,基于RBF 核ε-SVR 的農(nóng)業(yè)碳排放預(yù)測模型的測試集和訓(xùn)練集均具有更高的擬合度和更小的均方誤差?？梢娖湓趨^(qū)域農(nóng)業(yè)碳排放預(yù)測研究方面有更好的學(xué)習(xí)和推廣能力。

2.3.2 影響因素預(yù)測分析

根據(jù)《河南省國民經(jīng)濟(jì)和社會發(fā)展第十四個五年規(guī)劃和二〇三五年遠(yuǎn)景目標(biāo)綱要》(以下簡稱規(guī)劃目標(biāo)),并結(jié)合河南省農(nóng)業(yè)發(fā)展情況,設(shè)置基準(zhǔn)情景、低碳情景Ⅰ和低碳情景Ⅱ 3 種情景模式,以期能夠全面分析未來河南省農(nóng)業(yè)碳排放趨勢。其中:農(nóng)村人均可支配收入基于規(guī)劃目標(biāo)中人均可支配收入年均增長率6.0%設(shè)定;人均農(nóng)業(yè)GDP 基于規(guī)劃目標(biāo)地區(qū)生產(chǎn)總值年均增長率設(shè)定,同為6.0%;城鎮(zhèn)化率根據(jù)規(guī)劃目標(biāo)要在2025年達(dá)60%以上,2020年河南省城鎮(zhèn)化率為55.43%,年均最低增長率約為2.5%;鄉(xiāng)村人口同城鎮(zhèn)化率具有相反的增長率;農(nóng)作物播種面積、大型畜牧數(shù)和農(nóng)業(yè)機(jī)械化水平3 項影響因素沒有具體的發(fā)展目標(biāo),建立自回歸移動平均模型

(Autoregressive Integrated Moving Average Model,ARIMA)進(jìn)行預(yù)測。對3 項影響因素數(shù)據(jù)進(jìn)行差分平穩(wěn),確定其為非白噪聲序列后,根據(jù)自相關(guān)系數(shù)和偏自相關(guān)系數(shù)并結(jié)合赤池信息量和貝葉斯信息量選定各模型階數(shù)。各影響因素預(yù)測結(jié)果歸納為表5。

表5 農(nóng)業(yè)碳排放影響因素預(yù)測分析Table 5 Prediction and analysis of influencing factors of agricultural carbon emission

2.3.3 不同情景下農(nóng)業(yè)碳排放預(yù)測分析

分別對基準(zhǔn)情景和平衡低碳情景下的河南省農(nóng)業(yè)CO2排放量進(jìn)行預(yù)測,得到各情景下農(nóng)業(yè)CO2排放量預(yù)測值(圖5)。

圖5 不同情景模式下河南省農(nóng)業(yè)CO2 排放量預(yù)測Fig.5 Prediction of agricultural CO2 emissions in Henan Province under different scenarios

結(jié)果表明:在基準(zhǔn)情景下,2021—2025年河南省農(nóng)業(yè)CO2排放量仍呈持續(xù)下降的變化趨勢,2025年預(yù)測值為6483.80 萬t,與2020年7276.56 萬t 相比減少10.89%;在低碳情景Ⅰ下,呈現(xiàn)出較基準(zhǔn)情景更快的下降速率,2025年預(yù)測值為6369.19 萬t,較2020年減少12.47%;在低碳情景Ⅱ下,河南省農(nóng)業(yè)CO2排放量的下降速率最高,2025年預(yù)測值為6338.32 萬t,較2020年減少12.89%。綜上所述,2021—2025年河南省農(nóng)業(yè)CO2排放量仍呈持續(xù)下降的變化趨勢,且相比基準(zhǔn)情景,低碳情景下河南省具有更大的碳減排潛力,在實現(xiàn)農(nóng)業(yè)碳減排的同時,也能兼顧農(nóng)村經(jīng)濟(jì)發(fā)展和城鎮(zhèn)化進(jìn)程。

3 討論和結(jié)論

3.1 討論

本文利用機(jī)器學(xué)習(xí)方法對河南省農(nóng)業(yè)碳排放問題進(jìn)行了系統(tǒng)研究,建立區(qū)域農(nóng)業(yè)CO2排放測算指標(biāo)體系,定性與定量分析農(nóng)業(yè)碳排放的影響因素與未來排放趨勢。在研究結(jié)果上,河南省農(nóng)業(yè)已實現(xiàn)碳達(dá)峰,農(nóng)業(yè)碳排放的主要來源已從畜牧業(yè)轉(zhuǎn)移至種植業(yè),其中農(nóng)作物播種面積為促進(jìn)農(nóng)業(yè)碳排放的首要因素,這為未來全省實現(xiàn)農(nóng)業(yè)碳中和指明了政策方向。伴隨著城鎮(zhèn)化率和農(nóng)村經(jīng)濟(jì)的進(jìn)一步提升,未來全省農(nóng)業(yè)碳排放將持續(xù)下降,助力國家“雙碳”目標(biāo)的實現(xiàn)。在研究方法上,與現(xiàn)有的灰色預(yù)測模型、LEAP 模型等農(nóng)業(yè)碳排放研究方法相比,本文采用機(jī)器學(xué)習(xí)方法對農(nóng)業(yè)碳排放進(jìn)行影響因素及預(yù)測分析,很大程度上避免了傳統(tǒng)模型的過擬合、非線性關(guān)系模糊和泛化能力不足等缺陷,且通過訓(xùn)練和測試所得到的農(nóng)業(yè)碳排放預(yù)測模型也具有良好的學(xué)習(xí)和推廣能力,亦可應(yīng)用于其他區(qū)域的農(nóng)業(yè)碳排放預(yù)測研究。本文與李波等[4]、田成詩等[7]、王劼等[12]對農(nóng)業(yè)碳排放的測算與影響因素研究相比,對區(qū)域農(nóng)業(yè)CO2排放的測算指標(biāo)選取更加細(xì)致,從農(nóng)業(yè)產(chǎn)業(yè)、農(nóng)村經(jīng)濟(jì)、農(nóng)業(yè)技術(shù)和城鎮(zhèn)化進(jìn)程4 方面更加全面地探究了農(nóng)業(yè)碳排放的影響因素。與黎孔清等[15]、邱子健等[21]對農(nóng)業(yè)碳排放的預(yù)測研究相比,所選用的預(yù)測模型更加符合復(fù)雜的非線性農(nóng)業(yè)碳排放系統(tǒng),且模型的泛化能力更強(qiáng)。本文為河南省農(nóng)業(yè)低碳化發(fā)展提供了量化參考和科學(xué)依據(jù),同時也為區(qū)域農(nóng)業(yè)碳排放研究提供了新的方法借鑒。

在今后的農(nóng)業(yè)碳排放研究中將考慮更大區(qū)域尺度的農(nóng)業(yè)碳排放測算及空間差異分析。同時,結(jié)合深度學(xué)習(xí)對農(nóng)業(yè)碳排放進(jìn)行預(yù)測分析也是值得深入研究的方向。

3.2 結(jié)論

1)2001—2020年河南省農(nóng)業(yè)碳排放結(jié)構(gòu)及時序特征分析表明:河南省農(nóng)業(yè)CO2主要排放源已經(jīng)從畜牧業(yè)的腸道發(fā)酵和糞便管理轉(zhuǎn)移至種植業(yè)的土地利用和水稻種植;排放量及排放強(qiáng)度總體均呈下降趨勢,且分別于2005年與2003年達(dá)峰,農(nóng)業(yè)碳減排效果顯著,農(nóng)業(yè)碳排放與農(nóng)業(yè)經(jīng)濟(jì)增長已逐漸脫鉤。

2)通過擴(kuò)展的STIRPAT 模型對河南省農(nóng)業(yè)碳排放影響因素分析表明:河南省農(nóng)業(yè)碳排放的治理重點是農(nóng)作物的土地利用及大型畜牧的糞便管理,促進(jìn)農(nóng)業(yè)碳減排的著重點是穩(wěn)妥推進(jìn)城鎮(zhèn)化及農(nóng)村經(jīng)濟(jì)發(fā)展。

3)基于RBF 核ε-SVR 的農(nóng)業(yè)碳排放預(yù)測模型對不同情景下2021—2025年河南省農(nóng)業(yè)碳排放量預(yù)測分析表明:2021—2025年河南省農(nóng)業(yè)CO2排放量仍將呈現(xiàn)持續(xù)下降的變化趨勢,且較基準(zhǔn)情景,低碳情景具有更大的碳減排潛力,并能實現(xiàn)農(nóng)村經(jīng)濟(jì)、城鎮(zhèn)化進(jìn)程與低碳農(nóng)業(yè)兼顧的高效發(fā)展,有助于加速全省“雙碳”目標(biāo)的實現(xiàn)。