一种基于因数分析的贝叶斯神经网络方法,用于在双碳目标下量化中国的二氧化碳排放

科学领域:

• 环境科学与政策
• 计算科学 计算科学
• 能源经济学 能源经济学

背景情况:

• 全球迫切需要能源结构转型和减少二氧化碳排放.
• 中国的双重碳目标:在2030年之前达到碳峰值,到2060年实现碳中和.
• 现有的方法缺乏对影响二氧化碳排放的因素的全面分析.

研究的目的:

• 介绍一种新的基于因数分析的贝叶斯神经网络 (FABNN) 方法.
• 考虑多个因素来量化和预测中国 (CEC) 的二氧化碳排放.
• 分析能源,经济和社会因素对CEC的个别和相互作用影响.

主要方法:

• 开发和应用FABNN方法用于二氧化碳排放分析.
• 研究包括天然气消耗 (CONG),GDP和城市化速度 (ROU) 在内的因素.
• 模拟和预测使用512种设计的场景来实现双碳目标.

主要成果:

• 在CEC模拟中,FABNN在传统机器学习方法上表现出优异的性能.
• 影响CEC的主要因素是GDP (34.6%),CONG (43.5%) 和ROU (21.9%).
• 在所有情景中,CEC预计在2027-2032年之间达到峰值,并在2053-2057年之间实现碳中和.

结论:

• 在模拟和预测中国的二氧化碳排放方面,FABNN方法是有效的.
• 能源消耗,经济增长和城市化显著影响二氧化碳排放轨迹.
• 最佳情景显示出大量的二氧化碳减排潜力和减少化石燃料消耗,支持国家气候目标.