世界碳排放预测模型 数学建模

减少碳排放 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 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 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 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fx>0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 项目进度计划表范例计划下载计划下载计划下载课程教学计划下载 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fx>0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 关于失联党员情况说明岗位说明总经理岗位说明书会计岗位说明书行政主管岗位说明书 序号符号符号说明1.2.3567GtCerr��������ℎ��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次迭代输入层与隐含层的权值向量：111212122212IIMIMMMIwnwnwnwnwnwnWnwnwnwnLLMMMML第n次迭代隐含层J之间的权向量：1112121222JJ1J2JIIIIwnwnwnwnwnwnWnwnwnwnLLMMMML第n次迭代实际输出值：12,,,,1,2,ttttpYnynynyntNLL。期望输出：12y'',',,',1,2,,ttttpyyytNLL。Step2：按公式*2*min/maxmin1tjtjtjtjtjxxxxx把原始数据进行标准化处理。Step3：选取较小的随机非零值分别赋予000MIIJJPWWW、、，以保证网络不被大的加权输入饱和。Step4：计算输入信号u和v，其中,1,2,pptpvnynpPL。通过学习训练，修正各层权值的值。Step5：计算误差'ttEnYnY。判断其是否满足要求，若满足要求转至第八步，不满足则转至第六步。Step6：判断1n是否大于最大迭代次数，如果大于最大迭代次数，则转至第八步，如果小于，就对输入样本反向计算每层神经元的局部梯度。���(�)=��(�)�1−��(�)����(�)−��(�)�,�=1,2…,����������(�)������(�)���(�)����,�=1,2…,����(�)=�����̇�(�)�����(�)���(�)��,i=1,2…,�Step7：计算权值修正量V，并修正权值；若1nn，转至第四步。pjjpPjWnnnVn1jpjpwnwnwjpnjIijjiwnnnVn1ijijijwnwnwnImiitmwnnnxn1iiimmmnwnwnw其中=1,2jL12pI，；1,2,mMLStep8：判断全部训练样本的学习情况，学习结果符合要求结束训练，得出预测结果，否则进行第三步运算。5.1.5系统聚类处理与BP神经网络预测模型的综合求解通过系统聚类确定以总人口（X4）、耗电量（X5）、人均GDP（X1）、化石燃料（X8）作为预测的主要依据之后，结合BP神经网络，给出学习和训练样本，经过过自身的训练，学习世界总碳排放量未来走势规则，在给定输入值时得到最接近期望输出值的世界总碳排放量预测结果。具体做法：运用MATLAB软件输入1996-2017年世界碳排放量指标数据作为自变量与总碳排放量作为因变量来预测2020-2050年世界总碳排放量。Step1:设计网络输入层和输出层，即5.2中选取的X4，X5，X1，X8为自变量Step2：隐含节点的选取是神经网络训练精度的关键。过多或者过少都可能对预测结果产生影响。因此参照气象预测的Kolmogorov定理，采用以下经验公式：jmna其中m为输入节点数，n为输出节点数，a的取值是1-10。Step3：参数的设定或初始化：（1）期望误差最小值err_goal=0.0001；（2）最大循环次数max_epoch=2000；（3）修正权值的学习速率1r=10.1；（4）显示训练迭代过程show=50.Step4：运行网络，得出结果（程序见附录，程序一）。MATLAB运行结果图（5-4）：图（5-4）因为问题二要求的是预测至2030年及2050年前的碳排放情况，而神经网络输出经MATLAB求解出的为预测结果图，不容易看出直观的看出具体数据。所以，从2030-2050年以每1年截取一次结果，同样可以反应碳排放情况。做表（5-5）如下：年份全球CO2排放量（百万吨）203033717.86203134334.57203235023.12203335823.54203436835.35203537945.24203639295.26203740513.34203841979.95203943434.24204045034.58204146723.54204248814.83204350798.45204452792.23204554898.27204656943.17204759047.54204861031.73204963039.65205065755.06表（5-5）2030-3050年全球碳排放依据系统聚类之后BP神经网络法预测的结果，图（5-4）显示：未来世界碳排放量必然不断增加，并在2030-2050年之间速率呈不断上升趋势，到2040年总碳排放量可能达到87891GtC,到了2050年会有可能突破89461GtC。依据IPCC第五次全球气候报告专栏的第五期文章指出：对应于2℃温控目标的���浓度为(430-480)×10�����。由浓度与质量的关系，转化为，可排放的���的量为55891.7GtC。那么，也就是说照此状态发展下去，联合国“使全球变暖不超过2℃”的目标极有可能落空。5.2.2二分法确定减排比例模型的建立二分法是对于区间,ab上连续不断且0fafb的函数yfx，通过不断把函数fx的零点所在区间一分为二，使得区间两个端点逐渐趋近零点，进而得到方程近似值的方法。对于“使全球变暖不超过2摄氏度”的气候变化目标，没有准确的方案来推断如何来实现。于是类比二分法解方程的思想，建立气候评价函数：00fxfx当2050年实现使“使全球变暖不超过2摄氏度”实现时0fx，当2050年实现使“使全球变暖不超过2摄氏度”实现时0fx。分别计算在区间两段两端点（5%和20%）的减排目标碳排放值，和IPCC公报给出的当2050碳排放量为55901.7GtC时温度上升恰好为2摄氏度的数据进行比较得出fx值，然后依照二分法寻找中值继续计算直到最恰当的减排目标。下面首先计算在减排5%时2050年的碳排放。5.2.1减排5%的假设根据世界温室气体资料中心对二氧化碳排放比例的研究，轿车52%、货车31%、航运6%、铁路3%、其他5%。在运输方式中，公路和航空产生的二氧化碳量巨大。根据世界温室气体年鉴得到公路、铁路、航空的能耗比为1.9:3:18.6。所以在5%的减排目标之下，削减运输方面的碳排放为主要方向。针对上面的讨论，本文给出的建议是把减排的重点放在汽车上面。主要分为对汽车的数量控制和技术控制。（1）数量控制数量控制可以直接、准确、方便的将运输产生的大量碳排放控制在希望的范围之内。具体实施可以限制号牌，实行单双号分开上路，甚至可以控制汽油的使用权以及抬高油价。（2）技术控制对于汽车的生产技术作出规定，在制造新型汽车、生产汽车必须满足相应的排放标准才可以上路。第二，针对在用汽车实行排放标准管制。第三，提升油品质量，减少汽油中硫、铅的含量，研发高品质汽油。技术控制不仅可以从源头上减少汽车污染物的排放，还可以在全球范围之内提高技术创新。利用问题一中的模型，可以得出下图（5-6）。从图片中可以看出在2017年图（5-6）减排5%预测之后全球碳排放平均减少了5%，到了2050年全球每年平均碳排放重量达到了62476.25百万吨。进而得出如下结论：5%减排目标降低了到2050年的全球碳排放量，和IPCC的研究报告预测的55891.7GtC的数值小，因此不能完成使“全球变暖不超过2摄氏度”的目标下面对20%减排目标下的碳排放总量进行研究。5.2.2减排20%的假设在上文对运输方面的总控制5%的基础之上，接着，对其他行业进行分析，包括餐饮、建筑、旅游、建筑等行业。一般现在的节能系统，大多数效益都在40%以上。那么，可以尽可能的将所有的酒店、餐馆厨房的整柜的旧式燃烧系统改造成节能系统，并在日常饮食中再大力的提倡“光盘行动”在旅游方面，提倡减排，对各大景点的用水用电应该进行限制。游客在客房等地方的消费也应该限制，而不是无限制地使用。另一方面，选择旅游的方式也应该环保，集体出行，尽量不开私家车出行，用步行和自行车代替机动车。建筑行业主要是水泥的使用，水泥在碳排放中占5%的份额，所以在建筑行业中，应尽量使用环保水泥，进行材料转型。综上所述，如果实行合理，将每年的碳排放量降低20%是可行的，再根据问题一的预测模型，可以得到下图（5-7）图（5-7）减排20%由图（5-7）可以看出，全球每年平均碳排放减少20%时，2050年全球每年的平均碳排放量达52604.52GtC，比问题一中的预测值65755GtC减少很多，但是仍大于IPCC专栏报告中的数据57101.3GtC，因此应继续找到最合理的减排方案。5.2.3减排12.5%的假设由5.2.1和5.2.2从采用二分法继续进行分析。这里取5%和25%的中间值12.5%进行讨论。5.2.2在减排20%的情况下对交通运输、餐饮、建筑、旅游、建筑等产生大量碳排放的行业进行规划，但是这样可能会影响人类的正常活动。所以减排12.5%时可能符合实际。而且对电力，交通，工业这些经济命脉的行业的计划可以稍稍放缓。同时本文设想在不影响生产的情况下，可以实行农业减排。具体措施如下：加强宣传、转变思想、形成低碳农业意识、调整工业产业结构、政府扶持、提高土地利用率、政府扶持、典型模式引导。结合前面两个假设，在实施合理的情况下，利用模型一的假设计算减排12.5%得出下图（5-8）图（5-8）减排12.5%由上图可以看出在12.5%的减排计划之下，相较于5%的计划碳排放预测值已经有较大的减少，也比20%的计划排放量稍稍有些增加。考虑到：一．工业是当今支撑世界经济发展的重要支柱，所以控制工业消耗是十分困难的。二．在世界范围内经济发展是不平衡，所以一概而论的分析是不全面的。三．科技的发展不是一蹴而就的，需要漫长的时间积累。因此计划12.5%的减排目标是实际和理论的可靠结合实际上，在12.5%的减排计划之下2050年预测碳排放为57535.69GtC已经非常接近IPCC专栏报告中的数据57101.3GtC所以气候评价函数fx已经非常接近零点。综上所述，减排12.5%计划为一个很合理的，可以实施的目标。下面给出模型一在减排12.5%目标2030-2050年的碳排放数据，如表（5-9）：年份2030203120322033203420352036碳排放29502.3430042.8430645.4831346.0332231.7633201.5734383.27年份2037203820392040204120422043碳排放35448.3836731.5738004.2139406.8540882.5142712.3344448.29年份2044204520462047204820492050碳排放46139.3448036.5749825.5951666.7853402.5055159.657535.69表（5-9）减排2.5%后2030-2050年全球碳排放量5.3各类国家碳排放预测模型的建立国际能源协会在2006年调查了美中等多国的能源消费结构，下表是中国和美国的能源消费结构如表（10）：国家工业生活和交通其他中国43.18%38.87%17.95%美国17.85%57.51%24.64%表（5-10）中国、美国能源消费结构上图说明了不同类型的国家���的产生方式不同，像中国这样的发展中的国家，主要与经济的发展有关，随着经济的增长，���排放会发生巨大的变化；而发达国家主要排放方式则是生活方面，���排放比较平稳；这会使得不同类型的国家���总排放量的变化也截然不同。5.3.1碳守恒模型了解各个类型国家的碳排放量，才能更好具体明确各个国家应承担的义务。所以建立预测各类国家碳排放量的碳守恒模型。联合国政府间气候变化专门委员会IPCC给出了精确国家碳排放量的公式：2344=[10]12CO排放所有能量能源能源能源能源能源（可见消耗转换因子含碳量非燃碳）碳氧化因子222=CO()GOCOgC排放量表观消费=产量+进口-出口-国际燃料舱-库存变化转化因子=根据净发热值将燃料转化为能源单位（TJ）的转化因子；CC=碳含量（顿C/TJ=KgC/GJ）;非燃碳=排除在燃料燃烧排放以外的原料和非能源途中的碳（GgC）;碳氧化因子=碳被氧化的比例；5.3.2能源消耗预测模型碳守恒预测模型基于碳排放守恒的原则，在工业中的碳排放量主要来自于石油、煤炭、天然气等各种燃料的燃烧。对于一个国家的能源消耗情况，再建立能源消耗预测模型。从英国石油公司的网站下载了每个国家的能源消耗数据，并把这些国家依据当前的发展情况分为四类，如表（5-11）分类国家金砖四国中国、俄罗斯、巴西、印度发达国家法国、英国、加拿大、日本、意大利、德国、澳大利亚美国美国其他国家其他国家表（5-11）不同国家能源消耗把美国单独列出是由于其2008年的能源消耗就占全球的22%，远大于其他发达国家。金砖四国是前期（2030年前）由于工业化没有完成，消耗比较大，后期平稳增长。发达国家已完成工业革命，能源消耗也是缓慢增长，分为一类，其他的国家过去的能源消耗变化不太大，分为一类。对这四类国家采用曲线拟合的方式来预测2030-2050年能源消耗，预测方程为：byaxc首先利用以前的数据得出各类国家的预测方程的参数，并对金砖四国采取分段预测：在2030年以前能源消耗较大，2030年以后能源消耗的增长率逐步减小，满足公式'1batcyt其中为减少系数，取=0.5汇合如下表（5-12）：表（5-12）各国家预测方程整理出预测结果如表（5-13）：年份发达国家美国金砖四国其他国家20305428.4377114.2878665.26912509.00720315527.7747244.4748823.83812737.91420325638.7037389.8539000.91112993.53320335767.8257559.0759207.02513291.07520345930.5967772.3969466.85213666.15620356109.1458006.3959751.86514077.59520366326.4958291.24510098.81514578.44520376522.5938548.24310411.84115030.32320386758.6198857.56910788.60315574.20920396992.8749164.57411162.53816114.01420407250.7969502.59611574.25216708.35620417522.4039858.55312007.81117334.23320427859.05410299.7512545.19818109.99420438178.47810718.3813055.08618846.05820448499.51211139.1113567.54419585.83220458838.57811583.4814108.78620367.15820469167.82312014.9714634.35121125.85320479506.56712458.9215175.07921906.43720489825.99112877.5415684.96722642.501204910149.27913301.2316201.02323387.469205010586.55513874.3116899.03524395.105表（5-13）各国家2030-2050年碳排放预测结果通过以上预测出全球碳排放量与各个国家的关系，绘制出比例图如图（5-14）：图（5-14）股国家碳排放百分比由此看出，在未来的世界碳排放量中，美国依然占得比重很大，接着就是金砖四国，而后是发达国家，其他的国家排放较少。5.3.3碳排放分配模型的建立结合各类国家碳排放量的预测结果和问题二给出的方案，并依照以下几点0建立碳排放分配模型。明确各个国家应承担的义务在公正原则下影响碳排放分配的因素包括如下方面：（1）人口：人人都有权排放碳；（2）土地面积：面积越大，应分配较多的排放量；（3）历史因素：发达国家早期发展中已经排放的量应补偿给发展中国家；（4）工业和技术水平：技术水平影响碳的利用及排放。考虑公正原则，基于人口和土地因子的分配方案：=[+(1-)]国家全球国家人口国家面积排放排放全部人口全部面积把�设为0.5就有=[0.5+0.5]国家全球国家人口国家面积排放排放全部人口全部面积这个规则适用于分配未来的碳排放量，但是由于发达国家在历史上已经大量的排放了���，他们有义务减少现阶段的排放，将更多的发展空间留给发展中国家，并通过提供财政支持和技术转移等方法提高发展中国家的能源利用率，减少碳排放最终，得到如下的碳减排放方案，如表（15）：发达国家美国金砖四国其他国家减排比例40.3%.34%20%30%表（15）各国家减排方案在以此为前提之下，按照问题二所给的方案，按照比例，即可得到各个国家应承担的减排义务。问题三模型建立流程：21%26%16%37%碳含量百分比美国金砖四国发达国家其他国家5.4 建议书 项目建议书下载项目建议书格式服务建议书承包人建议书项目建议书 关于碳减排问题解决方案的探讨尊敬的IPCC：“全球气候变暖”（GlobalWarming）以及“碳减排”（Carbonemissionreduction）问题，已成为世界关注的一个热点问题。但是由于各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法律约束力的“碳排放”协议，为了解决上述问题，本报告对往年及预测的2030-2050年的碳排放量数据进行分析探讨，提出了相关见解，希望能对你们有所帮助。通过对世界银行碳排放数据，我们对以往30年全球碳排放来源进行分析，发现煤炭仍然占很大比重，其次是石油和天然气。节能减排已迫在眉睫，结合上图，我们需将重点放在煤炭、石油、天然气方面。由于电力行业占有很大比重的煤炭消耗，因此有必要对电力方面进行改革。可将煤的使用以天然气代之，从而减少CO2的排放。同时考虑到能源调整后会导致GDP增长速率放缓，所以提高能源利用率和技术方面的提高才是最有效的途径。对于石油方面，推出新政策，鼓励新能源汽车的研发与生产，提倡低碳交通等对于碳减排起到很大的作用。43%33%18%6%煤炭石油天然气其他碳守恒模型能源消耗预测模型各类国家排放碳守恒模型各类国家碳排碳排放分配模型碳减排方案与此同时，各个国家在碳排放方面的积极配合，以上建议才能得以有效实施。同样对世界银行碳排放数据，用MATLAB得出未来2030-2050年全球碳排放量的预测。由图可知，全球碳排放量仍在逐年增加，这就需要各个国家分别采取不同的措施来应对该问题。据权威统计，全球每年碳排放量排名靠前的国家分别是美国、日本、俄罗斯、中国、巴西、印度。下图给出近三十年全球部分国家能源消耗造成的碳排放量。由图可知，美国的碳排放量最大，中国在21世界后碳排放出现大幅度提高，俄罗斯、日本和巴西比较稳定。作为发达国家的美国和日本，他们国内科技发达，所以应主要撑到节能汽车等产品的要发，并在环保方面做出改变。作为发展中国家的中国、俄罗斯、巴西、印度等国家也要为碳减排作出相应贡献。中国是世界上人口最多的国家，也是矿产资源最丰富的国家。因此中国必须利用新能源，不能一直依靠传统的煤、石油等。巴西滥砍滥伐现象比较严重，所以政府应加大力度政治这一现象，同时增强国民环保意识。印度的制造业比较发达，在生产过程中，要注重减排，多运用高科技。其他国家也应采取相应措施来减少全球碳排放量。针对全球变暖以及碳排放问题，就像你们所说的，可再生能源行业正在大幅提高性能和降低成本，但同时日益增长的全球能源需求和煤炭在全球燃料结构中的增加，挫败了缓解气候变化的努力。不管精确的减排目标是什么，我们不得不走上减缓的轨道，从根本上扩大全世界范围内的低碳能源形式。核能和对环境安全的地球工程技术，如移除大气中二氧化碳的捕获和存储方式都是值得考虑的。研究人员认为应该更加务实和多元化地来应对气候变化。例如，2010年这个小组在政策文件中写道：促进技术进步同时还要关注减少贫困，因为估计有15亿人还没有用上电，这可能最终被证明是比已经到期的《京都议定书》更有效的国际条约。因此，对于这个迫在眉睫的问题，每个国家，每个公民都应尽最大努力去解决该问题。以上便是我们的一些研究及建议，为了我们共同的地球，将节能减排进行到底。六、模型的评价与推广为减缓世界碳排放，学者们对影响二氧化碳排放的指标体系及世界的二氧化碳排放预测模型进行过研究。然而，影响全球变暖的指标体系复杂多样，当前的研究虽然丰富，但是预测精度一般。本文在前人的基础之上，建立起的模型经过误差及灵敏度的分析，得到了较为精准的结果。6.1模型的优点：1、兼并考虑了世界碳排放量的预测及世界碳排放量影响指标在碳排放中的的作用；2、通过系统聚类方法对世界碳排放量影响指标进行了研究与筛选，简化了BP神将网络算法的输入层；3、运用BP神经网络算法对世界碳排放量进行预测，提升了原始算法的训练速度和精度，与单一的误差反向传播算法预测模型相比，该模型的绝对误差和相对误差都比较低，一侧结果也更加精确、可靠。模型的缺点：问题二的模型的建立及求解中，采用的二分法找最佳减排比例，只找了一次中点，就得出最佳减排比例，处理的方法过于粗糙，依据欠缺。6.2模型的推广碳排放预测指标涉及经济、社会、环境、能源等多个方面。本文打破一般研究的局限性，采取多个指标的综合分析，并对指标进行科学、客观的分析，提取有用的信息，去除杂乱无用的信息，对“碳排放量”进行进一步的研究，才给出预测结果，所以，本文为“碳排放量”的预测工作提供了理论依据。在现实生活的应用中值得推广。6.3误差及灵敏度分析：1）在问题一中主要的误差来源是碳排放预测指标的选取，在舍去的X2、X4、X5、X1、X8、X7、X10和X9也会对预测产生影响，然而舍去了这些因素这就带来了误差。下面研究这些因素带来的误差。在问题一中舍去的第二类因素有X2、X3、X7和X10。把这些因素加入到MIWn矩阵中进行预测得到2050年的碳排放预测结果是46546.32GtC求相对误差r其中12||带入数据可得0.142%r由此说明问题一中聚类分析得到的因素较好，灵敏度较高。2）本文的数据均来自IPCC和世界银行碳排放组织，数据本身就带来了误差，进而影响了对未来的预测。七、参考文献[1]王艳旭.基于系统聚类与BP神经网络的世界碳排放预测模型及应用研究[D].南昌大学,2016.[2]张发明,王艳旭.融合系统聚类与BP神经网络的世界碳排放预测模型研究[J].数学的实践与认识,2016,46(01):77-84.[2017-08-22].[3]胡蓉.从世界各国碳排放看中国减排[J].北方经济,2014,(12):72-73.[2017-08-22].[4]朱江玲,岳超,王少鹏,方精云.1850—2008年中国及世界主要国家的碳排放——碳排放与社会发展Ⅰ[J].北京大学学报(自然科学版),2010,46(04):497-504.[2017-08-22].DOI：10.13209/j.0479-8023.2010.073。[5]姚中华,沈大勇.全球CO_2排放预测模型[J].长沙大学学报,2011,25(02):65-67.[2017-08-22].[6]https://wenku.baidu.com/view/208a455f5727a5e9846a6123.html?re=view八、附录程序1functionmain()clc%清屏clearall;%清除内存以便加快运算速度closeall;%关闭当前所有figure图像SamNum=20;%输入样本数量为20TestSamNum=20;%测试样本数量也是20ForcastSamNum=2;%预测样本数量为2HiddenUnitNum=8;%中间层隐节点数量取8,比工具箱程序多了1个InDim=3;%网络输入维度为3OutDim=2;%网络输出维度为2%原始数据%GDP(单位：亿美元)sqrs=[20.5522.4425.3727.1329.4530.1030.9634.0636.4238.0939.1339.99...41.9344.5947.3052.8955.7356.7659.1760.63];%耗电量(单位：万千瓦时)sqjdcs=[0.60.750.850.91.051.351.451.61.71.852.152.22.252.352.52.6...2.72.852.953.1];%森林面积(单位：万平方公里)sqglmj=[0.090.110.110.140.200.230.230.320.320.340.360.360.380.49...0.560.590.590.670.690.79];%农业用地(单位：万平方公里)glkyl=[5126621777309145104601138712353157501830419836210241949020433...22598251073344236836405484292743462];%公路货运量(单位：万吨)glhyl=[123713791385139916631714183443228132893611099112031052411115...133201676218673207242080321804];p=[sqrs;sqjdcs;sqglmj];%输入数据矩阵t=[glkyl;glhyl];%目标数据矩阵[SamIn,minp,maxp,tn,mint,maxt]=premnmx(p,t);%原始样本对（输入和输出）初始化rand('state',sum(100*clock))%依据系统时钟种子产生随机数NoiseVar=0.01;%噪声强度为0.01（添加噪声的目的是为了防止网络过度拟合）Noise=NoiseVar*randn(2,SamNum);%生成噪声SamOut=tn+Noise;%将噪声添加到输出样本上TestSamIn=SamIn;%这里取输入样本与测试样本相同因为样本容量偏少TestSamOut=SamOut;%也取输出样本与测试样本相同MaxEpochs=50000;%最多训练次数为50000lr=0.035;%学习速率为0.035E0=0.65*10^(-3);%目标误差为0.65*10^(-3)W1=0.5*rand(HiddenUnitNum,InDim)-0.1;%初始化输入层与隐含层之间的权值B1=0.5*rand(HiddenUnitNum,1)-0.1;%初始化输入层与隐含层之间的阈值W2=0.5*rand(OutDim,HiddenUnitNum)-0.1;%初始化输出层与隐含层之间的权值B2=0.5*rand(OutDim,1)-0.1;%初始化输出层与隐含层之间的阈值ErrHistory=[];%给中间变量预先占据内存fori=1:MaxEpochsHiddenOut=logsig(W1*SamIn+repmat(B1,1,SamNum));%隐含层网络输出NetworkOut=W2*HiddenOut+repmat(B2,1,SamNum);%输出层网络输出Error=SamOut-NetworkOut;%实际输出与网络输出之差SSE=sumsqr(Error)%能量函数（误差平方和）ErrHistory=[ErrHistorySSE];ifSSE<E0,break,end%如果达到误差要求则跳出学习循环%以下六行是BP网络最核心的程序%他们是权值（阈值）依据能量函数负梯度下降原理所作的每一步动态调整量Delta2=Error;Delta1=W2'*Delta2.*HiddenOut.*(1-HiddenOut);dW2=Delta2*HiddenOut';dB2=Delta2*ones(SamNum,1);dW1=Delta1*SamIn';dB1=Delta1*ones(SamNum,1);%对输出层与隐含层之间的权值和阈值进行修正W2=W2+lr*dW2;B2=B2+lr*dB2;%对输入层与隐含层之间的权值和阈值进行修正W1=W1+lr*dW1;B1=B1+lr*dB1;endHiddenOut=logsig(W1*SamIn+repmat(B1,1,TestSamNum));%隐含层输出最终结果NetworkOut=W2*HiddenOut+repmat(B2,1,TestSamNum);%输出层输出最终结果a=postmnmx(NetworkOut,mint,maxt);%还原网络输出层的结果x=1990:2009;%时间轴刻度newk=a(1,:);%网络输出客运量newh=a(2,:);%网络输出货运量figure;subplot(1,1,1);plot(x,newk,'r-o')%绘值公路客运量对比图；legend('年份量','年');xlabel('年份');ylabel('碳排放量');%利用训练好的网络进行预测%当用训练好的网络对新数据pnew进行预测时，也应作相应的处理pnew=[73.3975.553.96354.09750.98801.0268];%2010年和2011年的相关数据；pnewn=tramnmx(pnew,minp,maxp);%利用原始输入数据的归一化参数对新数据进行归一化；HiddenOut=logsig(W1*pnewn+repmat(B1,1,ForcastSamNum));%隐含层输出预测结果anewn=W2*HiddenOut+repmat(B2,1,ForcastSamNum);%输出层输出预测结果%把网络预测得到的数据还原为原始的数量级；anew=postmnmx(anewn,mint,maxt)程序二%问题二x=[203020312032203320342035203620372038203920402041204220432044204520462047204820492050]y1=[337173433435023358253683637945392954051341979434344503646723488145079852792548985693459047610316303965755]y2=[269732746728018286602946930356314363241033582347473602837378390514063842233439184555447238488255043152604]scatter(x,y1,'k');holdon;scatter(x,y2,'k');plot(x,y1,x,y2,'k');legend('上：原始预测','下：减排20%');