陳書(shū)忠 趙泉

摘 要：為了解決當(dāng)前碳匯計(jì)量方法存在計(jì)量誤差、準(zhǔn)確率低的問(wèn)題，提出了基于BP神經(jīng)網(wǎng)絡(luò)的碳達(dá)峰目標(biāo)下碳匯計(jì)量方法的研究。首先，基于碳達(dá)峰目標(biāo)對(duì)碳匯數(shù)據(jù)進(jìn)行預(yù)處理，獲取準(zhǔn)確度較高的碳匯數(shù)據(jù)；根據(jù)BP神經(jīng)網(wǎng)絡(luò)構(gòu)建碳匯計(jì)量BP神經(jīng)網(wǎng)絡(luò)模型，輸出碳匯數(shù)據(jù)集；然后綜合考慮碳庫(kù)選擇指標(biāo)，選擇與碳匯數(shù)據(jù)集匹配的碳庫(kù)；最后，實(shí)現(xiàn)碳達(dá)峰目標(biāo)下碳匯計(jì)量的目標(biāo)。實(shí)驗(yàn)證明，此種計(jì)量方法具有較高的擬合度，計(jì)算值與原值更加接近，相對(duì)誤差在1.01%～1.71%，始終保持在2%以下，證明該方法的碳匯計(jì)量結(jié)果準(zhǔn)確率較高。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；碳達(dá)峰；碳匯計(jì)量；準(zhǔn)確率；擬合度；碳庫(kù)

中圖分類(lèi)號(hào)：X38? ? ? 文獻(xiàn)標(biāo)志碼：A? ? 文章編號(hào)：1673-9655（2023）01-0-05

0 引言

在全球經(jīng)濟(jì)體系快速發(fā)展的趨勢(shì)下，人們對(duì)資源的需求量不斷提高。由于各個(gè)行業(yè)領(lǐng)域不斷地開(kāi)采自然資源，為企業(yè)帶來(lái)經(jīng)濟(jì)效益的同時(shí)，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(dǎo)致溫室效應(yīng)加劇[1]。為了降低碳的排放，應(yīng)當(dāng)采用一定的措施控制氣候變化，實(shí)現(xiàn)碳排放達(dá)到峰值的目標(biāo)[2]。碳達(dá)峰指的是二氧化碳在某個(gè)區(qū)域或一定的時(shí)間范圍內(nèi)排放量最高，達(dá)到了歷史最高值，經(jīng)過(guò)一段平臺(tái)冷靜期后，逐漸轉(zhuǎn)化為持續(xù)下降的過(guò)程[3]。碳達(dá)峰作為監(jiān)測(cè)二氧化碳排放量變化的一個(gè)拐點(diǎn)，標(biāo)志著二氧化碳排放量由上升趨勢(shì)轉(zhuǎn)換為下降趨勢(shì)[4]。根據(jù)碳達(dá)峰目標(biāo)的不同，將碳達(dá)峰劃分為兩種：碳達(dá)峰年份與碳達(dá)峰峰值[5]。通過(guò)碳達(dá)峰的情況，能夠判斷碳中和的程度，兩者之間具有一定的關(guān)聯(lián)，碳達(dá)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(jì)發(fā)展的速度不斷加快，為企業(yè)帶來(lái)經(jīng)濟(jì)效益的同時(shí)，也對(duì)生態(tài)環(huán)境產(chǎn)生了較大的影響，碳匯計(jì)量方法能夠估算碳排放量，評(píng)估經(jīng)濟(jì)與環(huán)境的發(fā)展。

有研究學(xué)者提出基于多目標(biāo)模型的碳匯計(jì)量方法，以我國(guó)主要耗煤產(chǎn)業(yè)、電力、供熱、交通以及碳匯量為研究對(duì)象建立多目標(biāo)模型，實(shí)現(xiàn)碳匯計(jì)量[7]。但是這種方法無(wú)法在碳達(dá)峰目標(biāo)下獲取精準(zhǔn)的評(píng)估結(jié)果，準(zhǔn)確率較低，失去了計(jì)量的意義。基于此，本文結(jié)合了BP神經(jīng)網(wǎng)絡(luò)，提出了在碳達(dá)峰目標(biāo)下碳匯計(jì)量方法的設(shè)計(jì)。

1 基于BP神經(jīng)網(wǎng)絡(luò)的碳達(dá)峰目標(biāo)下碳匯計(jì)量方法設(shè)計(jì)

1. 1 碳達(dá)峰目標(biāo)下碳匯數(shù)據(jù)預(yù)處理

碳匯儲(chǔ)存量不僅包括自身的碳儲(chǔ)量，在一定程度上還包括其他物質(zhì)釋放的碳儲(chǔ)量。受到自然環(huán)境與其他因素的影響，對(duì)碳匯計(jì)量的準(zhǔn)確度造成一定的影響，因此，應(yīng)當(dāng)首先對(duì)碳達(dá)峰目標(biāo)下碳匯數(shù)據(jù)進(jìn)行預(yù)處理[8]。BP神經(jīng)網(wǎng)絡(luò)包括多個(gè)單元模塊，單元模塊經(jīng)過(guò)組合，能夠與多個(gè)領(lǐng)域交叉應(yīng)用，幫助領(lǐng)域解決部分復(fù)雜的難題。BP神經(jīng)網(wǎng)絡(luò)具有較廣泛的適用范圍，在應(yīng)用過(guò)程中具有能力強(qiáng)、效率高以及執(zhí)行力強(qiáng)的優(yōu)勢(shì)[9]。碳匯計(jì)量方法作為評(píng)估項(xiàng)目環(huán)境與經(jīng)濟(jì)效益的重要基礎(chǔ)，在計(jì)量單位與屬性上具有較高的要求[10]。

本文設(shè)計(jì)的基于BP神經(jīng)網(wǎng)絡(luò)的碳達(dá)峰目標(biāo)下碳匯計(jì)量方法，能夠?qū)Ω鞣N環(huán)境下的碳匯數(shù)據(jù)進(jìn)行分析，通過(guò)一定的處理方式，生成符合碳達(dá)峰目標(biāo)的碳匯數(shù)據(jù)。數(shù)據(jù)中各指標(biāo)的量綱或數(shù)量級(jí)不同，在實(shí)質(zhì)性處理之前，需要對(duì)碳達(dá)峰目標(biāo)下碳匯數(shù)據(jù)進(jìn)行預(yù)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(gè)區(qū)間內(nèi)。將數(shù)據(jù)通過(guò)歸一化方法進(jìn)行處理，計(jì)算公式如下：

為了降低由于天氣情況等不利因素對(duì)碳匯計(jì)量結(jié)果產(chǎn)生的影響，在獲取碳匯數(shù)據(jù)時(shí)，盡量選擇天氣情況較好的時(shí)間[11]。采用MATLAB數(shù)據(jù)獲取工具，將觀測(cè)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(yīng)的指令，獲取碳匯數(shù)據(jù)點(diǎn)在圖像中的坐標(biāo)，基于比例換算的方式，獲取相關(guān)的二氧化碳通量，作為BP神經(jīng)網(wǎng)絡(luò)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(yīng)當(dāng)對(duì)碳匯數(shù)據(jù)進(jìn)行過(guò)濾處理，避免碳匯數(shù)據(jù)出現(xiàn)明顯的浮動(dòng)現(xiàn)象，縮小數(shù)據(jù)的變化范圍。

對(duì)BP神經(jīng)網(wǎng)絡(luò)的收斂速度進(jìn)行相關(guān)控制，對(duì)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間進(jìn)行嚴(yán)格的規(guī)劃與記錄，保證碳匯計(jì)量結(jié)果的客觀性[12]。采用規(guī)范化算法，對(duì)碳匯數(shù)據(jù)進(jìn)行變量轉(zhuǎn)換處理。給定一個(gè)變量 f，設(shè)置f的值域范圍在0到1之間，設(shè)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(zhuǎn)換f的變量形式，計(jì)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(fēng)速、二氧化碳通量和植物光合速率，經(jīng)過(guò)上述公式的轉(zhuǎn)換，獲取到碳匯數(shù)據(jù)的規(guī)范化參數(shù)結(jié)果，如表1所示。

如表1所示，為本文獲取到的經(jīng)過(guò)預(yù)處理的碳匯數(shù)據(jù)規(guī)范化參數(shù)，在進(jìn)行碳匯計(jì)量方法時(shí)，應(yīng)當(dāng)嚴(yán)格按照表1的參數(shù)進(jìn)行操作。

1. 2 建立碳匯計(jì)量BP神經(jīng)網(wǎng)絡(luò)模型

基于上述碳達(dá)峰目標(biāo)下碳匯數(shù)據(jù)的預(yù)處理結(jié)束后，為了提高碳匯計(jì)量結(jié)果的準(zhǔn)確率，結(jié)合BP神經(jīng)網(wǎng)絡(luò)的特征與優(yōu)勢(shì)，共同建立BP神經(jīng)網(wǎng)絡(luò)模型。通常情況下，碳匯計(jì)量中涉及的因素較多，包括二氧化碳濃度、平均風(fēng)速、二氧化碳通量、植物光合速率等，因此，在建立模型時(shí)，綜合考慮上述影響因子對(duì)計(jì)量結(jié)果的影響。設(shè)置二氧化碳、水平風(fēng)速和植物光合速率作為BP神經(jīng)網(wǎng)絡(luò)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(jì)量的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)進(jìn)行了劃分，具體劃分為輸出層、中間層與輸入層三種結(jié)構(gòu)。在模型中，ρc表示二氧化碳的濃度；w表示水平風(fēng)速，ρd表示植物光合速率；Fc表示輸出端二氧化碳的通量。設(shè)置神經(jīng)網(wǎng)絡(luò)模型的中間層為單層結(jié)構(gòu)，在中間層中包含若干個(gè)節(jié)點(diǎn)，根據(jù)碳達(dá)峰目標(biāo)下碳匯訓(xùn)練的樣本量、模型的收斂速度，確定BP神經(jīng)網(wǎng)絡(luò)模型輸入層最終的節(jié)點(diǎn)個(gè)數(shù)。

模型在訓(xùn)練樣本量的學(xué)習(xí)訓(xùn)練過(guò)程中，輸入層進(jìn)行單向傳播，輸入的數(shù)據(jù)為二氧化碳的濃度與實(shí)際的水平風(fēng)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(jìn)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(luò)模型在訓(xùn)練樣本數(shù)量方面沒(méi)有限制，能夠快速地獲取二氧化碳通量與各個(gè)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(shì)。本文設(shè)計(jì)的碳匯計(jì)量BP神經(jīng)網(wǎng)絡(luò)模型的運(yùn)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(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集。結(jié)合離散數(shù)據(jù)網(wǎng)格化的算法，對(duì)BP神經(jīng)網(wǎng)絡(luò)中的碳匯數(shù)據(jù)進(jìn)行排序，將模型訓(xùn)練樣本量的數(shù)據(jù)樣本進(jìn)行分組處理，劃分為A、B兩個(gè)組，根據(jù)具體的分組情況，初始化神經(jīng)網(wǎng)絡(luò)模型，當(dāng)模型讀入第一個(gè)樣本數(shù)據(jù)時(shí)開(kāi)始相應(yīng)的訓(xùn)練；采用算法計(jì)算出模型中輸出量的輸出誤差，判斷誤差是否達(dá)到碳匯計(jì)量的精度要求，達(dá)到要求則得出最終的碳匯訓(xùn)練數(shù)據(jù)，達(dá)不到則返回重復(fù)上一步模型操作，直至最終達(dá)到碳匯計(jì)量精度要求為止。

接下來(lái)，要確定神經(jīng)網(wǎng)絡(luò)模型中間層節(jié)點(diǎn)的個(gè)數(shù)，節(jié)點(diǎn)的個(gè)數(shù)與碳達(dá)峰目標(biāo)下碳匯計(jì)量的結(jié)果具有一定的關(guān)聯(lián)。模型中間層節(jié)點(diǎn)個(gè)數(shù)設(shè)置過(guò)少，會(huì)降低模型訓(xùn)練樣本的歸納與反映效果，無(wú)法清晰地獲取碳匯數(shù)據(jù)樣本集的變化規(guī)律；節(jié)點(diǎn)個(gè)數(shù)設(shè)置過(guò)多的話，在碳匯計(jì)量中會(huì)形成過(guò)量擬合的現(xiàn)象，降低BP神經(jīng)網(wǎng)絡(luò)模型的泛化水平，導(dǎo)致模型訓(xùn)練的時(shí)間較長(zhǎng)，影響碳匯計(jì)量的效率。本文采用交叉驗(yàn)證的方式確定模型中間層的節(jié)點(diǎn)個(gè)數(shù)，重復(fù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型的各個(gè)單元，保證充足的模型單元循環(huán)次數(shù)。

設(shè)置模型中的碳匯數(shù)據(jù)樣本容量為500，在樣本進(jìn)行訓(xùn)練時(shí)，設(shè)置模型各個(gè)單元的學(xué)習(xí)率為0.75，模型運(yùn)行的精度控制參數(shù)為0.001，在BP神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行擬合運(yùn)算，控制擬合運(yùn)算的循環(huán)次數(shù)不少于1000。結(jié)合BP神經(jīng)網(wǎng)絡(luò)慣性系數(shù)，提高神經(jīng)網(wǎng)絡(luò)模型的收斂速度與效率，避免在碳匯計(jì)量過(guò)程中出現(xiàn)模型訓(xùn)練時(shí)間過(guò)長(zhǎng)的情況?；谏窠?jīng)網(wǎng)絡(luò)算法，計(jì)算出BP神經(jīng)網(wǎng)絡(luò)模型在每次訓(xùn)練后的單元誤差值，計(jì)算公式為：

式中：Zij—模型運(yùn)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(fēng)速；e—模型訓(xùn)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(guò)公式（3）獲取到BP神經(jīng)網(wǎng)絡(luò)模型在每次訓(xùn)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(jié)果相對(duì)比，修改單元誤差值的權(quán)值，最終輸出模型的碳匯數(shù)據(jù)集。

1. 3 選擇碳庫(kù)

根據(jù)上述建立的碳匯計(jì)量BP神經(jīng)網(wǎng)絡(luò)模型，獲取到符合碳達(dá)峰目標(biāo)的碳匯數(shù)據(jù)集，選擇與碳匯數(shù)據(jù)集相匹配的碳庫(kù)，提高碳儲(chǔ)量的精確度。想要實(shí)現(xiàn)碳匯計(jì)量的目標(biāo)，最常用的方法就是對(duì)項(xiàng)目邊界內(nèi)所有類(lèi)型的碳庫(kù)進(jìn)行計(jì)量，然而，此種計(jì)量方法在一定程度上增加了項(xiàng)目的成本，消耗大量的人力與資源。因此，本文對(duì)此種方法進(jìn)行了改進(jìn)，選擇一個(gè)具有代表性的碳庫(kù)或者一系列主要碳庫(kù)，通過(guò)估算碳庫(kù)中碳存儲(chǔ)量的變化量，實(shí)現(xiàn)碳匯計(jì)量的目標(biāo)。由于不同碳庫(kù)中碳儲(chǔ)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(chǔ)存量也不同，基于此，在碳庫(kù)選擇中，本文結(jié)合了土地利用系統(tǒng)的優(yōu)勢(shì)進(jìn)行選擇。

在選擇過(guò)程中，綜合考慮碳匯計(jì)量的成本，如果計(jì)量成本過(guò)高，對(duì)項(xiàng)目的順利開(kāi)展會(huì)產(chǎn)生較大的影響。碳庫(kù)的選擇具有一定的指標(biāo)，包括碳匯計(jì)量項(xiàng)目的類(lèi)型、碳匯計(jì)量成本以及項(xiàng)目對(duì)碳匯計(jì)量結(jié)果精度的要求?；谔紟?kù)選擇指標(biāo)與碳儲(chǔ)存量的變化量，共同選擇碳匯計(jì)量所需的碳庫(kù)。

1. 4 碳達(dá)峰目標(biāo)下碳匯計(jì)量

碳匯計(jì)量主要是對(duì)碳儲(chǔ)量及儲(chǔ)量變化量進(jìn)行估算，計(jì)量方法的種類(lèi)較多，本文采用項(xiàng)目碳儲(chǔ)量變化量計(jì)量方法實(shí)現(xiàn)碳匯計(jì)量。項(xiàng)目碳儲(chǔ)量變化量主要包括碳庫(kù)中各個(gè)項(xiàng)目碳層生物量變化的和，減去項(xiàng)目引起的其他生物量碳儲(chǔ)量的降低量，計(jì)算公式為：

式中：ΔC1—第t年碳達(dá)峰目標(biāo)下碳儲(chǔ)量的具體變化量；ΔC2、ΔC3、ΔC4和ΔC5—第t年碳達(dá)峰目標(biāo)下，i碳層中碳儲(chǔ)量變化量、生物量碳儲(chǔ)量變化量、地下生物量碳庫(kù)中碳儲(chǔ)量的降低量和地上生物量碳庫(kù)中碳儲(chǔ)量的降低量；t—碳達(dá)峰目標(biāo)下碳儲(chǔ)量開(kāi)始的年數(shù)；i—項(xiàng)目碳儲(chǔ)量的碳層。

在碳庫(kù)中隨機(jī)設(shè)置幾個(gè)小樣方，采用收獲法獲取項(xiàng)目碳儲(chǔ)量中的含碳率平均值，結(jié)合物質(zhì)的量計(jì)算方法，獲取項(xiàng)目邊界內(nèi)各層計(jì)量碳庫(kù)基線的具體數(shù)據(jù)信息。在滿(mǎn)足碳匯計(jì)量精度的情況下，設(shè)定碳層內(nèi)樣方的形狀與面積相同，固定樣方的數(shù)量，基于有效性計(jì)量原則，最終獲取碳達(dá)峰目標(biāo)下碳匯計(jì)量結(jié)果。

2 實(shí)驗(yàn)分析

2. 1 實(shí)驗(yàn)準(zhǔn)備

基于上述的設(shè)計(jì)，為了進(jìn)一步對(duì)本文設(shè)計(jì)的基于BP神經(jīng)網(wǎng)絡(luò)的碳達(dá)峰目標(biāo)下碳匯計(jì)量方法作出客觀的分析，采用本文設(shè)計(jì)的方法，對(duì)綠地碳匯進(jìn)行計(jì)算。

選取本市郊區(qū)某校園綠地作為實(shí)驗(yàn)的目標(biāo)對(duì)象，以該綠地2018—2021年匯總數(shù)據(jù)為本文實(shí)驗(yàn)數(shù)據(jù)，對(duì)該綠地的碳匯進(jìn)行計(jì)算。將二氧化碳濃度、水平風(fēng)速和植物光合速率作為BP神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)輸入數(shù)據(jù)，以二氧化碳通量作為網(wǎng)絡(luò)輸出，進(jìn)而訓(xùn)練網(wǎng)絡(luò)。

構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，作為本次實(shí)驗(yàn)的核心模型，模型結(jié)構(gòu)如圖2所示。

本文構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)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(guò)正向傳播，誤差通過(guò)反向傳播。

設(shè)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(diǎn)數(shù)設(shè)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(diǎn)的權(quán)值，Wta（t=1，2，…，n；a=1，2，…，n）表示輸入層第t節(jié)點(diǎn)到隱含層第a節(jié)點(diǎn)的權(quán)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(zhǎng)=（l1，l2，…，ln），輸出向量為C。

調(diào)整神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的非控制性變量，進(jìn)而推算出控制變量，作為本次實(shí)驗(yàn)碳達(dá)峰的預(yù)測(cè)分析。本次實(shí)驗(yàn)在總數(shù)據(jù)中選取2018—2020年數(shù)據(jù)作為訓(xùn)練樣本，輸入碳匯訓(xùn)練數(shù)集到模型中，結(jié)合最速下降的方法，對(duì)誤差的反向傳播方式進(jìn)行設(shè)置，同時(shí)調(diào)整迭代次數(shù)，改變神經(jīng)網(wǎng)絡(luò)權(quán)值。通過(guò)反向傳輸?shù)姆绞剑{(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值，減小輸出向量與期望的向量之間的差值，提高計(jì)量結(jié)果的精度。將本文設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)隱藏層確定為6層，隱藏層中神經(jīng)元為12個(gè)，對(duì)應(yīng)該綠地碳排量主要因子，該綠地通過(guò) tansig函數(shù)進(jìn)行激活，學(xué)習(xí)速率設(shè)置為0.5，迭代訓(xùn)練次數(shù)為1500次，輸出層為1個(gè)神經(jīng)元，對(duì)應(yīng)該工廠碳排量，以此檢驗(yàn)BP神經(jīng)網(wǎng)絡(luò)模型的有效性。經(jīng)過(guò)1500次訓(xùn)練后，得到神經(jīng)網(wǎng)絡(luò)模型的權(quán)值閾值結(jié)果如表2所示。

2. 2 結(jié)果分析

設(shè)置本文提出的基于BP神經(jīng)網(wǎng)絡(luò)的碳達(dá)峰目標(biāo)下碳匯計(jì)量方法為實(shí)驗(yàn)組，將基于多目標(biāo)模型的碳匯計(jì)量方法為對(duì)照組，對(duì)比兩種碳匯計(jì)量方法計(jì)算結(jié)果的相對(duì)誤差，將該綠地2021年數(shù)據(jù)作為測(cè)試樣本，結(jié)果如表3所示。

根據(jù)表3可知，作為對(duì)照組的基于多目標(biāo)模型的碳匯計(jì)量方法的計(jì)算值與原值之間差距較大，相對(duì)誤差在3.64%～11.77%，波動(dòng)較大；而本文提出的基于BP神經(jīng)網(wǎng)絡(luò)的碳達(dá)峰目標(biāo)下碳匯計(jì)量方法的計(jì)算值與原值更加接近，相對(duì)誤差在1.01%～1.71%，始終保持在2%以下，波動(dòng)較小，并且誤差率較低，說(shuō)明本文提出方法計(jì)算結(jié)果的準(zhǔn)確率較高，更加具有優(yōu)勢(shì)。

3 結(jié)束語(yǔ)

本文設(shè)計(jì)的基于BP神經(jīng)網(wǎng)絡(luò)的碳達(dá)峰目標(biāo)下碳匯計(jì)量方法的計(jì)量結(jié)果準(zhǔn)確率較高，具有一定的優(yōu)勢(shì)。本文設(shè)計(jì)的計(jì)量方法能夠有效地推動(dòng)我國(guó)高新技術(shù)產(chǎn)業(yè)的發(fā)展，具有較高的擬合優(yōu)勢(shì)，能提高各個(gè)領(lǐng)域能源的利用率，實(shí)現(xiàn)碳系統(tǒng)的平衡發(fā)展。然而，本文在碳匯計(jì)量屬性方面的研究仍然存在一定的不足，在未來(lái)應(yīng)當(dāng)加以改進(jìn)。

參考文獻(xiàn)：

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

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

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

[4] 丁爽，姜玲玲，林翎，楊波，等.我國(guó)碳達(dá)峰碳中和標(biāo)準(zhǔn)化發(fā)展現(xiàn)狀及對(duì)策研究[J].中國(guó)標(biāo)準(zhǔn)化，2022（1）：63-70，75.

[5] 胡劍波，趙魁，楊苑翰.中國(guó)工業(yè)碳排放達(dá)峰預(yù)測(cè)及控制因素研究—基于BP-LSTM神經(jīng)網(wǎng)絡(luò)模型的實(shí)證分析[J].貴州社會(huì)科學(xué)，2021（9）：135-146.

[6] 范德成，張修凡.基于PSO-BP神經(jīng)網(wǎng)絡(luò)模型的中國(guó)碳排放情景預(yù)測(cè)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(biāo)模型的中國(guó)低成本碳達(dá)峰、碳中和路徑[J].環(huán)境科學(xué)研究，2021，34（9）：2044-2055.

[8] 王勇，許子易，張亞新.中國(guó)超大城市碳排放達(dá)峰的影響因素及組合情景預(yù)測(cè)—基于門(mén)限-STIRPAT模型的研究[J].環(huán)境科學(xué)學(xué)報(bào)，2019，39（12）：4284-4292.

[9] 高鳴，張哲晰.碳達(dá)峰、碳中和目標(biāo)下我國(guó)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(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2022（1）：24-31.

[10] 劉梅影，羅斌華，蘇利陽(yáng)，劉揚(yáng).國(guó)家生態(tài)文明試驗(yàn)區(qū)（江西）推進(jìn)碳達(dá)峰、碳中和的進(jìn)展、挑戰(zhàn)及對(duì)策分析[J].環(huán)境保護(hù)，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(shè)用地碳匯量核算方法[J].應(yīng)用生態(tài)學(xué)報(bào)，2019，30（3）：986-994.

[12] 段福梅.中國(guó)二氧化碳排放峰值的情景預(yù)測(cè)及達(dá)峰特征—基于粒子群優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)分析[J].東北財(cái)經(jīng)大學(xué)學(xué)報(bào)，2018（5）：19-27.