区域性农业碳排放核算与预测方法综述

doi:10.19640/j.cnki.jtau.2025.03.010

天津农学院学报 ›› 2025, Vol. 32 ›› Issue (3): 50-53.doi: 10.19640/j.cnki.jtau.2025.03.010

区域性农业碳排放核算与预测方法综述

杨恺斯¹, 高斌¹, 金政翰^{2,通信作者}

1.天津农学院计算机与信息工程学院,天津 300392;
2.无锡职业技术学院机械工程学院,江苏无锡 214121

收稿日期:2025-04-13 出版日期:2025-06-30 发布日期:2025-07-02
通讯作者: 金政翰（1995—）,男,讲师,硕士,主要从事智能方面的研究。E-mail：63254894@qq.com。
作者简介:杨恺斯（1993—）,男,讲师,博士,主要从事人工智能、测控技术方面的研究。E-mail：296280063@qq.com。

Review of regional agricultural carbon emission accounting and prediction methods

Yang Kaisi¹, Gao Bin¹, Jin Zhenghan^{2,Corresponding Author}

1. College of Computer and Information Engineering, Tianjin Agricultural University, Tianjin 300392, China;
2. School of Mechanical Engineering, Wuxi Institute of Technology, Wuxi 214121, Jiangsu Province, China

Received:2025-04-13 Online:2025-06-30 Published:2025-07-02

摘要/Abstract

摘要： 在“双碳”目标驱动下,区域性农业碳排放的精准核算与预测有利于碳减排措施的制定。本文系统梳理了农业碳排放核算与预测方法的技术体系,将碳排放核算方法分类为模型估算法、样地清查法以及遥感估算法,将碳排放预测方法分为系统建模法、灰色系统预测法、机器学习法。此外,本文还对不同方法的适用场景与局限性进行了分析。

关键词: 碳排放核算, 碳排放预测, 农业碳排放

Abstract: Driven by the “Dual Carbon” goals, accurate accounting and prediction of regional agricultural carbon emissions facilitate the formulation of carbon emission reduction measures. This paper systematically reviews the technical system of agricultural carbon emission accounting and prediction methods, categorizing carbon emission accounting methods into model estimation methods, sample plot inventory methods, and remote sensing estimation methods, while classifying prediction methods into system modeling methods, grey system prediction methods, and machine learning methods. The applicable scenarios and limitations of different approaches are analyzed too.

Key words: carbon emission accounting, carbon emission prediction, agricultural carbon emissions

中图分类号:

TP391

杨恺斯, 高斌, 金政翰. 区域性农业碳排放核算与预测方法综述[J]. 天津农学院学报, 2025, 32(3): 50-53.

Yang Kaisi, Gao Bin, Jin Zhenghan. Review of regional agricultural carbon emission accounting and prediction methods[J]. Journal of Tianjin Agricultural University, 2025, 32(3): 50-53.

导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

链接本文: http://xuebao.tjau.edu.cn/CN/10.19640/j.cnki.jtau.2025.03.010

http://xuebao.tjau.edu.cn/CN/Y2025/V32/I3/50

参考文献

[1] 中华人民共和国国务院. 加快构建碳排放双控制度体系工作方案[R]. 国发办[2024]39号,(2024-07-30).
[2] 刘杨,刘鸿斌. 山东省农业碳排放特征、影响因素及达峰分析[J]. 中国生态农业学报,2022,30(4):558-569.
[3] IPCC. Refinement to the2006 IPCC Guidelines for National Greenhouse Gas Inventory [R],(2019-06-14).
[4] IPCC. IPCC Guidelines for National Greenhouse Gas Inventory [R],(2007-04-01).
[5] 张称意,巢清尘,袁佳双,等. 《在对2006 IPCC国家温室气体清单指南的2013增补:湿地》的解析[J]. 气候变化研究进展,2014,10(6):440-444.
[6] 何小田. 山东省农业碳排放时空特征及趋势预测[J]. 黑龙江粮食,2023,34(8):124-126.
[7] 韩宇,肖亚成,肖桑梦. 四川省种养业碳排放时空演变、影响因素与趋势分析[J]. 环境保护科学,2024,50(6):110-118.
[8] 张新宇,方昭,焦峰. 基于DNDC模型分析氮添加对内蒙古草甸和荒漠草地碳动态的影响[J]. 水土保持研究,2024,31(5):84-92,101.
[9] POLICY USEPAOO.Inventory of US greenhouse gas emissions and sinks:1990—1994[M]. US-WA. US Environmental Protection Agency,1995.
[10] 喻萧斌, 樊敏, 姚夏东. 基于DNDC模型的农田管理措施-气候变化作用下粮食产量与N₂O排放模拟研究:以四川省丘陵地区为例[J]. 生态与农村环境学报,2025,41(1):1-20.
[11] 白龙龙,盛雅琪,徐丽丽,等. “双碳”背景下我国稻田生态系统土壤固碳潜力分析[J]. 中国工程科学,2024,26(6):246-256.
[12] 刘泓君,许昭辉,周永馨,等. DNDC模型耦合遥感技术的保护性耕作下土壤有机碳模拟[J]. 农业工程学报,2024,40(9):108-118.
[13] 黄祖辉,米松华. 农业碳足迹研究:以浙江省为例[J]. 农业经济问题,2011,32(11):40-47,111.
[14] 杜江,罗珺,王锐,等. 粮食主产区种植业碳功能测算与时空变化规律研究[J]. 生态与农村环境学报,2019,35(10):1242-1251.
[15] 孙明星,石磊. 碳中和背景下生物基产品碳足迹评估[J]. 生态学报,2025,45(1):1-11.
[16] 郭靖,卢明艳,张东亚,等. 样地清查法在森林碳汇估算中的应用进展[J]. 防护林科技,2016,43(7):102-103.
[17] 张骏. 中国中亚热带东部森林生态系统生产力和碳储量研究[D]. 杭州:浙江大学,2008.
[18] 刘慧. “碳中和”背景下的浏阳河河岸带碳汇及其经济价值评估[D]. 南昌:南昌大学,2024.
[19] FELDMAN A F,ZHANG Z,YOSHIDA Y,et al.Using Orbiting Carbon Observatory-2(OCO-2)column CO₂ retrievals to rapidly detect and estimate biospheric surface carbon flux anomalies[J]. Atmospheric Chemistry and Physics,2023,23(2):1545-1563.
[20] YANG D,HAKKARAINEN J,LIU Y,et al.Detection of anthropogenic CO₂ emission signatures with TanSat CO₂ and with Copernicus Sentinel-5 Precursor(S5P)NO₂ measurements:First results[J]. Advances in Atmospherie Sciences,2023,40(1):1-5.
[21] 彭硕. 黑龙江省天然林分布区森林碳中和能力的预测[D]. 哈尔滨:东北林业大学,2024.
[22] 徐谢亲. 基于LEAP模型的舟山市渔业能源消耗及碳减排研究[D]. 舟山:浙江海洋大学,2024.
[23] 赵琪琛,余敦,王检萍. 九江市农地利用碳排放时空演变、影响因素及趋势预测[J]. 水土保持研究,2023,30(6):441-451.
[24] 胡旭东,林振福,黄彦璐,等. 南方区域电力碳排放趋势与预测分析:基于STIRPAT模型的研究[J]. 技术经济与管理研究,2024,(9):75-80.
[25] 邓聚龙. 灰色控制系统[J]. 华中工学院学报,1982,10(3):9-18.
[26] 冯颖,马桂英. 陕西省土地利用碳排放变化及预测研究[J]. 环境保护与循环经济,2023,43(9):34-39,56.
[27] TANG D,MA T,LI Z,et al.Trend prediction and decomposed driving factors of carbon emissions in Jiangsu province during 2015—2020[J]. Sustainability,2016,8(10):1018.
[28] 韩争,丁宁,郑光华,等. 浙江省农业碳排放影响因素分析与预测研究[J]. 杭州电子科技大学学报(自然科学版),2024,44(3):43-50.
[29] 唐菁,易露,曾庆均. 长江经济带农业碳补偿率的时空演进特征及碳补偿潜力预测[J]. 环境科学,2024,45(11):6378-6391.
[30] 乔节增,刘佳. 对内蒙古碳排放总量的中长期预测:基于灰色等维新息马尔可夫预测模型[J]. 内蒙古统计,2012(5):16-18.
[31] 鲁祖亮,李林,曹龙舟. 三峡库区碳排放预测模型[J]. 应用科技,2017,44(6):83-88.
[32] ZHAO Y,LIU L,WANG A,et al.A novel deep learning based forecasting model for carbon emissions trading:A comparative analysis of regional markets[J]. Solar Energy,2023,262:111863.
[33] 杨霖,刘双印,徐龙琴,等. 多源信息融合下冷链配送车辆碳排放动态预测方法[J]. 智慧农业,2024,6(4):138-148.
[34] 于晓月,潘昊,王国刚. 基于改进的LSTM电力碳排放分解预测模型[J]. 电子设计工程,2024,32(23):12-16.
[35] LI X,CHU L,LI Y,et al.Multi-scale patch transformer with adaptive decomposition for carbon emissions forecasting[J]. Engineering Applications of Artificial Intelligence,2025,146:110153.
[36] 叶仁道,卢毅. 基于优化LSTM模型的中国碳排放量预测研究[J]. 统计与咨询,2024,31(5):14-17.

区域性农业碳排放核算与预测方法综述

Review of regional agricultural carbon emission accounting and prediction methods

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	吴金苗, 王育欣, 韩江宁, 张家亮, 张志, 魏雨露. 一种基于深度残差网络的图像修复算法设计与实现[J]. 天津农学院学报, 2024, 31(3): 85-91.
[2]	安瑞钰, 郝志斌. 基于半监督主动学习的小麦叶片病虫害区域分割方法[J]. 天津农学院学报, 2024, 31(2): 87-93.
[3]	周晓睿, 杨磊, 娄莉娟, 宋欣, 陈江涛. 基于改进ORB-SLAM2算法的动态特征点剔除[J]. 天津农学院学报, 2024, 31(1): 88-94.
[4]	马含章, 王淼鑫, 钟拼扬, 刘华, 常若葵, 董晋峰. 视觉识别的生活垃圾分类系统设计[J]. 天津农学院学报, 2023, 30(4): 53-57.
[5]	郑海波, 宋爽, 刘同海. 基于改进Tiny YOLOv3的交通标志检测方法[J]. 天津农学院学报, 2023, 30(2): 62-68.
[6]	何建祥, 宋欣, 朱垲, 宋俊杰, 谢周强. 基于模糊神经网络的温室小气候预测模型[J]. 天津农学院学报, 2023, 30(1): 74-79.
[7]	高佳颀, 吴芳. 基于机器学习的农村水质水色分类研究[J]. 天津农学院学报, 2022, 29(1): 61-65.
[8]	纪思琪, 吴芳, 李乃祥. 基于决策树的蔬菜病害静态预警模型[J]. 天津农学院学报, 2017, 24(2): 77-80.
[9]	李燕杰, 赵娜, 赵平, 张京京. 基于声卡和LabVIEW的虚拟示波器的设计[J]. 天津农学院学报, 2016, 23(1): 51-53.
[10]	王启欣, 邓胜琳. 一种基于计算机图像处理经典算法的染色体边缘检测方法[J]. 天津农学院学报, 2012, 19(1): 42-44.
[11]	赵娜, 赵平, 高轶军. 机器视觉技术在我国现代农业生产中的应用研究[J]. 天津农学院学报, 2015, 22(2): 55-58.
[12]	杨静. 电子商务顾客信息模型的构建[J]. 天津农学院学报, 2013, 20(1): 37-40.
[13]	韦冰, 王颖杰, 李世栋. 高校毕业生派遣及档案去向查询系统的设计与实现[J]. 天津农学院学报, 2013, 20(2): 43-45.
[14]	马国强, 马吉飞, 郭鹏, 宋志恒, 于娜. 改进的医学CT图像K-均值聚类分割算法的实现[J]. 天津农学院学报, 2013, 20(4): 28-35.
[15]	陈成钢, 艾涛. 基于灰度共生矩阵的纹理分析的统计方法[J]. 天津农学院学报, 2014, 21(2): 33-38.