世界碳排放预测模型-数学建模

减少碳排放方案摘要本文应用系统聚类分析、BP神经网络、二分法等模型对碳减排问题进行分析。针对问题一，考虑到影响碳排放的因素多且复杂。于是应用系统聚类分析方法，把影响碳排放因素分为4个大类10个小类。通过世界银行数据资料利用SPSS软件分析得到三类影响因素，其中总人口（X4）、耗电量（X5）、人均GDP（X1）、化石燃料（X8），占主导地位。把这些因素作为BP神经网络的输入层，同时根据世界银行碳排放量的数据对当今世界碳排放形式作出分析，建立系统聚类分析和BP神经网络融合模型，预测2030-2050年的碳排放量。针对问题二，“使全球变暖不超过2摄氏度”这一目标是一个模糊的概念，无法和具体的措施联系起来，于是我们参照二分法解方程的思想建立气象评价方程fx。规定完成目标时fx0反之则0，恰好完成目标为零点，这样就把减排问题转化为寻找函数零点的问题。根据在减排5%到减排20%之间有最佳减排计划的假设，应用二分法寻找。最后得出12.5%的减排比例时合理可行的结论。针对问题三，因为不同国家的发展水平不同，每个国家的碳排放方式不同。把世界上的国家分为美国、金砖四国、发达国家、其他国家四类。建立碳守恒、能源消耗及碳排放分配模型分析各个国家未来碳排放走势，分别计算每个国家的碳排放量，联系每个国家的国情给出各个国家应该承担的义务。针对问题四，依照世界银行碳排放数据，结合前面三问的模型，把我们研究的成果写成报告，提交给IPCC。关键词：系统聚类分析、BP神经网络、二分法、碳守恒模型、能源消耗预测模型、碳排放分配模型一、问题重述1.1引言随着世界工业的不断发展，“全球气候变暖”以及“碳排放”问题，已经成为世界关注的一个热点问题。但是由于故国环境条件的巨大差异以及利益间的巨大冲突，世界各国却无法达成一个有效的法律约束的“碳排放”协议，相应IPCC的要求，对世界未来碳排放量建立模型。解决未来可能的问题。1.2问题的提出问题1：首先收集相关信息，对当今世界碳排放形式作出分析，据此建立模型预测2030年以及2050年前的碳排放情况问题2：为了可以达到联合国“使全球变暖不超过2度”的气候目标，根据问题一中的模型，设计合理可以实现的解决方案。并且预测2030到2050年的碳排放情况。并判断联合国的气候变化目标能否实现。问题3：依照问题2中的解决方案，分别结合美国、日本、俄罗斯、印度、巴西、中国的国情，具体分析分别应该承担的义务，陈述理由问题4：把研究结果写成不超过两页的报告，提交给IPCC。二、问题分析问题1的分析：由于问题一要求建立模型预测2030-2050年的碳排放情况，首先应收集当今世界碳排放量的数据，分析碳排放的形式。同时考虑到影响世界碳排放的因素很多，无法分析各项指标对碳排放的影响程度。于是把世界碳排放大致分为4大类10小类，建立系统聚类模型对各影响因素进行研究。选出影响程度大的最为下面BP神经网络的输入层。建立具有很强非映射能力的BP神经网络模型来预测2030年以及2050年前世界碳排放量情况。问题2的分析：对于“使全球变暖不超过2摄氏度”的气候变化目标，是一个模糊的概念，无法和具体的措施联系起来，于是我们参照二分法解方程的思想建立气象评价方程fx。规定完成目标时fx0反之则0；依次算出5%、20%和中点12.5%减排计划下的预碳测浓度并判断可行性，最后给出具体的方案。问题3的分析：每个国家的发展情况，各国的碳排放量存在众多差异。发达国家的碳排放量在全球碳排放总量中占有很大的比重，发展较快的国家碳排放量也在日益增大。所以必须得找到合适的方法，才能准确的估算各个国家碳排放量的情况，明确各自承担的义务。在问题二的方案基础之上，首先从英国石油公司的网站下载了每个国家过去的能源消耗数据，并依照数据把国家分为四类：美国、金砖四国、发达国家、其他国家；再根据联合国政府间气候变化专门委员会IPCC给出的计算国家碳排放量公式计算各个国家的碳排放量；最后制定出各个国家应承担的义务。问题4的分析：根据世界银行碳排放数据，对以往三十年全球碳排放来源进行分析，找出在碳排放方面所占比重较大的来源，并给出合理化建议，进行有效减排。其次，预测出未来2030-2050年全球碳排放量的走势，并具体到各个不同国家，同时有针对性地提出不同措施，从而减少碳排放。将我们研究的成果写成报告，提交给IPCC。三、模型假设1.假设碳排放量是以某种趋势变化的，无自然的突发因素影响碳排放；2.假设本文所有数据来源均真实可靠；3.假设根据公式换算，全球碳排放从2017年的21737.百万吨上升到2050年的57498.31百万吨时，地球表面温度上升2摄氏度成立；4.假设各国家每年的碳排放总量结构稳定，不发生大的变动；四、符号说明序号符号符号说明1.2.3567GtCerrℎ碳排放百万吨的符号单位误差最大数国内生产总值神经网络学习速率迭代过程这里只列出论文部分通用符号，个别模型单独使用的符号在首次引用会进行说明。五、模型的建立与求解5.1系统聚类处理和BP神经网络融合模型的建立5.1.1世界碳排放预测指标分析世界碳排放受到多方面因素影响，选取合适的指标对世界碳排放的预测起到决定性的作用。下面通过选取预测指标实现对碳排放预测的聚类分析。5.1.2预测指标的确定指标选取的科学性与否与以下3个原则有关：1）简明性原则：指标的选取应该具有清晰明了的特点。2）可操作性原则：选取的指标应该可以量化，并且有实际意义。3）独立性原则：每一个指标之间应该是独立的，没有内在联系。本文在参考相关文献的基础之上，根据以上3个原则选取了4个一级指标和10个二级指标。指标体系如表（5-1）：一级指标编号二级指标指标含义1人均GDP国内生产总值除以年中人口数（美元）经济因素2工业增加值工业产出相加再减去中间投入3农业增加值农业产出相加再减去中间投入4总人口所有的居民（人）社会因素5耗电量发电厂和热电厂的发电量减去输配电和变电损耗以及热电厂自用电（千瓦时）环境因素6森林面积自然生长或人工种植且原地高度至少为5米的直立树木所覆盖的土地（平方公里）7农业用地耕地、永久性作物和永久性牧场用地的比例8化石燃料能耗包括煤、石油、天然气产品能源因素9可替代能源与核源在生产过程中不会产生二氧化碳的非碳水化合物能源10可燃可再生资源和废弃物包括固体、液体生物质、生物气、工业废弃物和城市垃圾表（5-1）指标体系指标一：经济指标全球大气气温上升是伴随着社会经济发展所产生的一种人为现象。根据世界气象组织公报（2014年第十期）指出自1860工业革命以来，温室气体的浓度增加了40%。这意味着经济发展对温室气体排放有着显著、持续的影响。所以，选择经济指标为一级指标。并且具体化得到三个二级指标。（1）人均GDP人均GDP是世界生产总值除以人口，其增长依赖煤炭、石油以及其他化石燃料的使用。几个世纪以来，人均GDP快速增长，这给温室排放带来了负面影响。单位是（元/每人）计算公式如下：Mmn其中m为人均GDP，M为世界总GDP，n为世界人数。（2）工业增加值工业增加值的主要内容为：采矿业、制造业、建筑行业、水力、天然气行业带来的增加值。近年来，钢铁，建筑对化石燃料的消耗不断增加，所以工业增加值是预测世界碳排放的重要因素。（3）农业增加值农业增加值是指林业，狩猎业、农作物以及畜牧生产增加值。温度上升、干旱、气候灾害会导致粮食产量减少。因此农业增加值是预测世界碳排放的重要指标。指标二：社会指标根据世界气象组织公报（2014年第十期）指出：人类活动对气候的恶劣影响是毋庸置疑的。主要有以下两个因素：（1）总人口总人口是全世界人口的总和，每个人每天呼出2CO0.9千克，到2015年为止人类自身排放的2CO就有653.9万吨。所以，总人口直接影响着世界碳排放量。（2）耗电量耗电量可由以下公式表示：PFY其中：P为耗电量。F为热电站产生电量。Y为输电损耗。指标三：环境指标（1）森林面积森林面积指的是达到要求的树木覆盖的土地面积。森立树木具有吸收二氧化碳调节小气候的功能；炎热的夏季，林地的地表温度相比非林地要低3度到5度；严寒的冬季，林地能够降低风速提高温度等等。然而，全球范围内，森林的面积在迅速减少，加剧了温室效应。研究显示砍伐森林造成二氧化碳排放量的增加占总排放量的8%。因此，“森林面积”是影响世界碳排放预测的重要因素。（2）农业用地在2002-2011年期间，IPCC报告指出：因人为土地使用变化导致的年净排放量每年平均0.9。美国弗吉尼亚大学气象学教授拉曼地曾说：“要不是早期的农业带来的温室气体，地球气温很可能还是冰川时期的气温。”因此，选取“农业用地”作为二级指标来预测世界排放。指标四：能源指标（1）化石燃料能耗化石燃料是指煤炭、石油、以及天然气是的主要来源。2002-2011年期间，IPCC报告：因为化石燃料消耗及水泥制造产生的排放量为每年8.3，2011年排放量为9.5，比1990年水平高出54%。因此，化石燃料能耗直接促进了排放量的增长。（2）可代替能源与核能可代替能源与核能包括水能、核能。地热能和太阳能等。伴随人类发展方式的转变，新兴低碳产业的发展，极大的降低了的排放，因此可代替能源与核能对碳的排放的变化具有较大的影响。（3）可燃性再生资源和废弃物先进的填料技术和搞笑的气化技术，将生物质再生资源和生活废弃资源，通过空气动力学、流体学、传热学原理使得植物原料造气、燃气净化、自动分离，分别把固体物转化为气体更充分、燃烧时间更长。无烟法及游离碳的清洁卫生的可燃性气体，切实可减轻大气污染，减少的排放，是预测碳排放的重要指标。5.1.3系统聚类模型的建立（1）数据处理和解算借助MTALAB软件将1996-2017年世界碳排放指标（数据参见支撑文件）数据规范化，将数据导入SPSS中软件，选择系统聚类方法，用Pearon相关系数进行分析。（在此给出部分表格，完整参见附录）相关性GDP工业增加值农业增加值总人口森林GDP皮尔逊相关性0.91-.848**-.836**.918**-.031显著性（双尾）.000.000.000.892个案数2121212121工业增加值皮尔逊相关性-.848**1.938**-.960**-.005显著性（双尾）.000.000.000.982个案数2122222222农业增加值皮尔逊相关性-.836**.938**1-.957**-.053显著性（双尾）.000.000.000.815个案数2122222222总人口皮尔逊相关性.918**-.960**-.957**1-.020显著性（双尾）.000.000.000.931个案数2122222222表（5-2）由表（5-2）可知，各种预测因素中最大相关因数是4,5r=0.938，把G4和G5并称新的一类，计算G9和各类的相关系数，找出最大相关系数，每次缩小一类得到树状图（5-3）图（5-3）得出三类预测指标：第一类：总人口（X4）、耗电量（X5）、人均GDP（X1）、化石燃料（X8），占主导地位。第二类：工业增加值（X2）、农业增加值（X3）、可再生资源和废弃物（X10）、农业用地（X7），这类预测指标有一定的影响。第三类：森林面积（X10）、可替代能源（X9），此类指标对排放影响较小。对1996-2017年的数据进行分析，选取X4、X5、X1、X8作为预测的主要依据，指标结果可以和BP神经网络结合，建立碳排放预测模型，进行碳排放预测。5.1.4BP神经网络预测世界碳排放量模型的建立由于全世界碳排放量变化呈非线性，同时考虑到各种因素的可能性,所以选择具有很强非映射能力的BP神经网络，BP神经网络无需事先确定输入输出之间映射关系的数学方程，仅通过自身的训练，学习某种规则，在给定输入值时得到最接近期望输出值的结果。神经网络预测具体步骤：Step1设置变量和参数：12,,...,1,2,...,ttttmXxxxtN，N为训练样本个数。学习速率为，n为迭代次数。第n次迭