城市溫室氣體排放推演及其評估方法

摘 要：氣候變化已成為人類可持續發展面臨的重大挑戰。為應對這一緊迫問題，世界各國相繼制定了溫室氣體減排計劃和碳中和時間表。隨著全球氣候變化對城市溫室氣體排放管理需求的不斷增加，城市溫室氣體排放推演及其評估方法日益受到重視。這些方法通過模擬未來城市的溫室氣體排放趨勢，使政府、企業和各部門能夠更好地了解城市如何通過低碳轉型應對氣候變化并推動可持續發展，從而在實現氣候目標方面發揮關鍵作用。然而，盡管這些方法在氣候行動規劃中愈加重要，國際上依然缺乏統一的標準和方法論，這使得各城市在評估其氣候行動計劃和能源轉型策略的有效性時面臨挑戰。為此，本文提出并探討了一套標準化的城市溫室氣體排放推演與評估方法，旨在為全球城市提供統一的技術指南。該方法涵蓋數據收集、模型選擇、情景定義與評估指標等關鍵環節。通過對兩個典型城市的案例研究，本文驗證了該標準方法的適用性和有效性，展示了其在支持全球城市低碳轉型和氣候行動中的重要作用。這一標準化方法的推廣將為全球城市的氣候治理和可持續發展提供堅實的技術基礎，為標準研制提供有力支撐。

關鍵詞：城市溫室氣體排放，標準化方法，低碳轉型，數據集成分析，氣候行動評估

0 背 景

黨的十八大以來，我國高度重視綠色低碳和節能減排，將其置于重要戰略位置，建立并實施了能源消耗總量和強度雙控機制，顯著提升了我國能源利用效率，持續降低了二氧化碳排放強度[1]。習近平總書記強調，要以“雙碳”工作為引領，逐步推動從能耗雙控向碳排放雙控的轉變[2]。在此背景下，城市溫室氣體排放推演方法通過整合當前的溫室氣體排放數據、能源消耗記錄、其他碳相關監測信息及未來發展規劃，構建不同發展情景，模擬城市在各情景下溫室氣體排放的時空變化趨勢，不僅為城市在低碳轉型和能源協同發展的路徑選擇中提供了科學決策依據，還為制定有效的減排策略和氣候行動計劃奠定了堅實的科學基礎。通過評估這些推演方法的可行性、置信度和有效性，城市決策者能夠更加精準地預測和規劃未來的能源需求及溫室氣體減排目標，為實現碳達峰碳中和目標提供有力保障。

在全球范圍內，城市不僅是人口和經濟活動的集中地，也是能源消耗和溫室氣體排放的主要源頭，貢獻超過全社會總排放量的80%以上[3]。根據國際能源署（IEA）和世界資源研究所（WRI）的數據，特別是在能源電力領域，城市的能源結構、消費模式和效率與氣候變化趨勢和環境質量直接相關[4，5]。因此，城市溫室氣體排放推演及其評估方法在連接城市發展與全球氣候行動方面扮演著至關重要的橋梁和紐帶角色。這種方法通過收集獲得的溫室氣體直接監測、區域電力負荷消耗以及未來發展規劃等數據信息，模擬未來城市溫室氣體排放水平，使政府、部門、企業等能夠細致掌握城市如何通過低碳轉型來對抗氣候變化并推進可持續發展[6-8]。特別是電網公司，作為低碳轉型的推動者，通過優化電網運行和提高能源效率，以及增加可再生能源的使用比例，對城市實現氣候目標起到了關鍵作用。

該方法不僅包括提高能源效率和采用清潔能源替代傳統能源，還涵蓋了更復雜的系統級變革，如：城市規劃、交通系統優化等，這些都是提升城市減排潛力的關鍵因素[9]。更重要的是，城市溫室氣體排放推演及其評估方法的應用促進了跨部門和跨領域的協調與合作。面對涉及多個經濟部門和社會領域的復雜全球性問題，應對氣候變化需要整合不同領域的知識和資源[10]。這種方法有助于城市構建一個全面的視角，明確不同部門在減少排放和適應氣候變化中的角色，以及它們之間的相互作用和協同效應。電網公司作為策略制定與實施的關鍵參與者，對于城市能源供應保障和需求側管理策略的有效實施發揮著核心作用。評估這些推演方法的可行性、置信度和有效性時，電網公司的角色和貢獻是不可或缺的。

此外，隨著全球對氣候變化應對的重視日益增加，城市作為國際氣候行動的關鍵參與者，其在全球溫室氣體排放中的角色和責任也日益凸顯[11]。城市溫室氣體排放推演及其評估方法不僅能幫助城市評估自身減排目標的達成情況，也有助于在全球尺度上展示其氣候行動的貢獻和領導力[12]。這對于建立城市之間的信任、促進知識共享和激勵全球氣候行動具有重要意義。城市溫室氣體排放推演及其評估方法的深入開發和應用，不僅是城市層面應對氣候變化的實用工具，也是全球氣候治理體系中不可或缺的一環。這種方法的標準化和國際認可，將是支持全球城市有效、協調地應對氣候變化挑戰的關鍵步驟。

盡管城市溫室氣體排放推演及其評估在氣候行動規劃中的作用日益增強，目前國際上卻明顯缺乏統一的標準和方法論。這一空白限制了方法的普適性和可比性，使得不同城市之間的排放推演結果難以進行有效對比和學習。由于沒有統一的框架和標準，城市間在評估其氣候行動計劃和能源轉型策略的有效性時面臨著挑戰。

因此，推動“城市溫室氣體排放推演及其評估方法”標準化，目的是為城市規劃和政策制定提供科學決策支持，建立統一的評估標準和方法，增強城市間的協作和知識共享，以應對氣候變化并促進可持續發展。通過這種方法，城市能夠更有效地評估和展示其在全球氣候行動中的貢獻，同時激勵技術創新和政策改革，提升公眾意識和參與度，支持全球氣候治理體系的構建和完善。

1 數據收集

本章描述了城市溫室氣體排放推演所需數據的收集方法和標準。數據收集的全面性和準確性是預測結果可靠性的基礎。

1.1 數據類型

城市溫室氣體排放推演需要以下數據類型。

1.1.1 溫室氣體濃度數據

衛星遙感數據[ 1 3 ]： 使用軌道碳觀測衛星（OCO）和對流層監測儀（TROPOMI）等設備，獲取二氧化碳（CO2）、甲烷（CH4）等溫室氣體的特定區域濃度數據。

無人機監測數據：在特定區域使用配置高精度傳感器的無人機進行大氣溫室氣體濃度監測。監測頻率應根據具體需求確定[14]。

地面監測數據：在城市不同區域布設地面監測站，安裝連續排放監測系統（CEMS），實時監測大氣中溫室氣體濃度。監測站點的布設應覆蓋工業區、交通樞紐和居民區等重點區域[14]。

地面傳感器網絡數據：在城市關鍵區域部署傳感器網絡，實時采集和傳輸溫室氣體濃度數據。數據采集頻率根據具體需求確定[14]。

1.1.2 能源消耗數據

電力使用數據：通過智能電表和能源管理系統，監測家庭、商業和工業用電情況。數據應包括年度總用電量和分部門用電量[15]。

能源消耗數據：監測不同類型能源（如：煤炭、天然氣和可再生能源）的消耗量。數據應包括年度總消耗量和分部門消耗量[16]。

1.1.3 部門排放數據

電力部門：收集電力生產和消費數據，包括發電量、用電量和能效數據。數據來自電力公司和能源管理系統[16]。

工業生產部門：收集工業生產過程中的能耗和排放數據，包括原材料使用量、生產工藝和排放因子。數據應來自工業企業和環境保護部門[17]。

交通運輸部門：收集交通運輸工具的燃料使用和排放數據，包括車輛類型、行駛里程和燃料消耗量。數據應來自交通運輸部門和車聯網系統[17]。

住宅部門：收集居民生活中的能源消耗數據，包括家庭用電、取暖和烹飪等方面的能源使用。數據應來自能源公司和智能電表[17]。

1.1.4 社會經濟數據

經濟數據：收集城市年度GDP數據，單位為億元人民幣。

人口數據：收集城市年度人口數據，單位為萬人。

其他社會經濟數據：包括城市化率、工業和服務業增長率等，數據應來自國家統計局和城市規劃部門。

1.1.5 氣象和環境數據

氣象數據：收集城市的氣溫、降水、濕度、風速等氣象數據，這些數據對溫室氣體排放和吸收有重要影響。數據應來自氣象部門和氣象站。

土地利用數據：收集城市土地利用和覆蓋數據，如森林、草地、農田和城市建設用地的分布情況。數據應來自土地管理部門和遙感影像分析。

環境監測數據：收集城市空氣質量監測數據，包括PM2.5、PM10、NOx和SOx等污染物濃度數據。數據應來自環保部門和空氣質量監測站。

1.1.6 其他數據

除上述具體數據外，還需考慮其他可能影響溫室氣體排放的相關數據，這些數據可能因研究目標和具體情況而異，包括但不限于以下幾項。

廢棄物處理數據：收集城市固體廢棄物處理和處置過程中的能耗和排放數據。數據應來自廢棄物管理部門和處理企業。

建筑能耗數據：收集城市建筑物的能耗數據，包括公共建筑和住宅建筑的采暖、制冷和照明能耗。數據應來自建筑管理部門和能源服務公司。

水資源消耗數據：收集城市水資源消耗和處理過程中的能耗和排放數據。數據應來自水務部門和水處理企業。

農業和林業數據：收集農業生產和林業管理過程中的能耗和排放數據，如：農作物種植面積、施肥量、灌溉用水量和森林覆蓋率等。數據應來自農業和林業部門。

工業過程數據：收集工業過程中的非能源相關排放數據，如：化工生產、金屬冶煉和水泥生產中的溫室氣體排放數據。數據應來自相關行業協會和企業。

交通出行數據：收集城市居民和游客的交通出行模式和行為數據，包括公共交通使用率、步行和騎行數據等。數據應來自交通管理部門和相關研究機構。

1.2 數據收集標準

數據收集應符合以下標準。

數據精度：確保數據的高精度，以減少預測誤差。衛星遙感數據的空間分辨率應達到5 km，時間分辨率應達到每月更新。地面監測數據的精度應達到ppb級。

數據完整性：確保數據的完整性，避免缺失值和異常值。使用數據預處理技術（如插值法和異常值檢測）處理缺失值和異常值。

數據一致性：確保數據的時空一致性，所有數據應按照統一的時間和空間尺度進行處理和分析。

數據來源可靠性：確保數據來源的可靠性，選擇權威和可信的數據源，如：國家統計局、環保部門、電力公司和國際衛星遙感數據庫。

數據更新頻率：根據預測模型的需求，確定數據的更新頻率。一般而言，社會經濟數據和能源消耗數據每年更新一次，溫室氣體濃度數據每月更新一次。

通過以上標準化的數據收集方法，確保城市溫室氣體排放推演的數據基礎，為方法的準確、可靠提供保障。

2 城市溫室氣體排放推演模型

本章規范了部分城市溫室氣體排放推演模型的選擇和應用方法，并提供了必要的基本介紹，以明確不同類型模型的適用條件、模型結構和參數設定要求。

2.1 統計推斷模型

統計推斷模型基于歷史數據和統計方法，通過分析城市歷史排放數據和影響因素，推演未來的溫室氣體排放趨勢。本文選用統計推斷模型中的回歸分析模型為例進行規范。

回歸分析通過建立城市溫室氣體排放量與經濟、人口、能源等因素之間的線性或非線性關系，預測未來的排放量[15]。

適用條件：適用于溫室氣體排放量與經濟、人口、能源等因素之間存在顯著線性或非線性關系的情況。

模型結構：建立溫室氣體排放量（Y）與多個自變量（如：GDP、人口、能源消耗）的回歸關系。

線性回歸模型公式：

Y=β0+β1X1+β2X2+…+βnXn+ò （1）

其中，Y是推演的溫室氣體排放量。β0是常數項，表示在所有自變量都為零時的溫室氣體排放量。β1，…，βn是回歸系數，表示每個自變量對溫室氣體排放量的影響。X1，X2，…，Xn是自變量，分別表示GDP、人口、能源消耗等因素，ò是誤差項，設定其符合正態分布。

2.2 機器學習模型

機器學習模型通過訓練數據集，利用復雜算法學習城市數據的非線性關系，推演未來的溫室氣體排放量。本文選用機器學習模型中的隨機森林為例進行規范。

隨機森林通過構建多個回歸樹，進行集成學習，提高城市溫室氣體排放推演的精度[17]。

適用條件：適用于提高推演精度和泛化能力的情況。

模型結構：構建多個回歸樹的集成模型，通過平均各樹的預測結果得到最終預測值。

Bagging方法：從原始數據集中有放回地隨機抽取多個樣本子集，訓練多個回歸樹。

集成方法：通過投票或平均法集成多個回歸樹的預測結果。

樹的數量：通常設置為100～1000棵，根據數據集大小和計算資源確定。

通過以上標準化的模型選擇和應用方法，確保了城市溫室氣體排放推演的科學性和規范性，為準確推演和有效管理城市溫室氣體排放提供了堅實基礎。

3 推演模型的性能評估

本章介紹用于評估城市溫室氣體排放推演模型的基本指標，以確保模型的準確性和可靠性。

3.1 交叉驗證

交叉驗證是一種將數據集劃分為多個子集，通過交叉驗證評估模型泛化能力的方法。適用于回歸分析模型、支持向量回歸（SVR）和深度學習模型（CNN和ResNet）。

適用范圍：需要大量訓練數據的深度學習模型和機器學習模型。

交叉驗證可以有效防止模型過擬合，提高模型的泛化能力，特別適用于需要大量訓練數據的深度學習模型和機器學習模型，步驟如下。

1）將數據集隨機劃分為k個子集（通常k取5或10）。

2）在每次迭代中，選擇一個子集作為驗證集，其余k-1個子集作為訓練集。

3）訓練模型并在驗證集上進行評估，記錄誤差。

4）重復k次，計算所有迭代的平均驗證誤差。

精確率LymCoa1KvIaQduqBcjNTB9XKj0vRYSOB/lDS5QECI2E=、召回率和F1評分

3.2 統計性能評估指標

統計性能指標用于評估模型的精度和擬合效果。主要包括均方誤差（MSE）、決定系數（R2）和殘差分析。

其中，yi是真實值， 是預測值，n是樣本數量。

步驟：

1）計算實際值和預測值之間的差值。

2）求差值的平方和均值，得到MSE。

3）設定MSE的評估等級，如MSE < 0.01 為優秀，0.01 ≤ MSE < 0.05 為良好，MSE ≥ 0.05 為一般。

MSE越小，表示模型的預測精度越高。

其中， 是真實值的平均值。

步驟：

1）計算實際值和預測值之間的總平方差。

2）計算實際值和均值之間的總平方差。

3）設定R2的評估等級，如R2 > 0.9 為優秀，0.8 ≤ R2 ≤ 0.9 為良好，R2 < 0.8 為一般。

4） R2越接近1，表示模型的擬合效果越好。

4 案例研究與應用

本章通過具體案例展示城市溫室氣體排放推演及其評估方法在實際中的應用。通過詳細的步驟和數據示例，驗證前述模型及評估方法的實用性和可靠性。

4.1 案例背景

選取2座大城市作為案例研究對象，2座城市具有多種能源結構、復雜的經濟活動以及豐富的歷史排放數據，適用于溫室氣體排放推演模型測試。

城市A簡介：該城市是某國的經濟中心，人口超過1500萬，GDP超過1.5萬億元，能源消耗主要依賴煤炭、天然氣和可再生能源。該城市的工業和服務業發達，交通運輸業也非常繁忙。

城市B簡介：該城市是某國的制造業中心，人口超過1000萬，GDP超過1.2萬億元，能源消耗主要依賴煤炭和天然氣，逐漸增加可再生能源的使用。該城市的工業生產活動繁忙，能源消耗大。

4.2 數據收集

根據第2節中的數據收集方法，收集并整理2座城市的相關數據，確保數據的完整性和準確性。城市A、B具體的數據收集見表1、2。

將收集到的數據及各類環境協變量數據通過相應的方法進行空間重采樣，分配至預定義網格，建立模型訓練和推演的環境數據集。

4.3 情景定義及指標

為了評估不同情景下的溫室氣體排放，本文定義了以下4種情景，分別是基準情景、低碳情景、極端高碳情景、極端低碳情景，并列出了每個情景在2 0 3 0 年、2 0 4 0 年、2 0 50 年和2 0 6 0 年的量化指標。

1）基準情景：按當前政策和趨勢繼續發展，不進行額外的碳減排措施，基準情景的詳細指標詳見表3。

2）低碳情景：實施嚴格的碳減排政策，推進能源結構轉型，提高可再生能源比例，指標詳見表4。

3）極端高碳情景：經濟高速發展，但未采取任何碳減排措施，能源結構依然以化石燃料為主，指標詳見表5。

4）極端低碳情景：經濟發展較慢，但大力推動可再生能源發展，并采取極端碳減排措施，指標詳見表6。

4.4 案例研究

4.4.1 案例研究1：統計推斷模型的應用

背景：某城市政府計劃通過提高能源效率和推廣可再生能源，減少未來10年的溫室氣體排放。

數據收集：

1）GDP：過去10年的年度GDP數據，單位：億元人民幣。

2）人口：過去10年的年度人口數據，單位：萬人。

3）能源消耗：過去10年的年度能源消耗量，單位：萬噸標準煤。

4）溫室氣體排放：過去10年的年度溫室氣體排放量，單位：萬噸二氧化碳當量。

5）電力消耗：如：每年不同部門的電力消耗數據，包括工業、交通和居民等。

6）衛星遙感監測數據：如：每年獲取的大氣中二氧化碳濃度數據。

7）地面監測數據：如：每年在不同監測站點獲取的溫室氣體濃度數據。

模型構建：利用回歸分析模型，建立溫室氣體排放與GDP、人口、能源消耗、電力消耗和監測數據之間的關系：

E=β 0+β 1GDP+β 2Population+β 3Energy+β 4Power+β 5RemoteSensing+β 6Ground（2）

回歸系數估計結果： β 0= 1 0 ， β 1= 0 . 5 ，β2=0.3，β3=1.2，β4=0.8，β5=0.4，β6=0.6。

具體步驟：

1）數據準備：將收集到的GDP、人口、能源消耗、電力消耗和溫室氣體監測數據進行標準化處理。

2）模型訓練：使用最小二乘法估計回歸系數，建立回歸模型。

3）模型驗證：利用歷史數據對模型進行驗證，評估模型的擬合優度（R2）。

預測：利用模型預測未來10年的溫室氣體排放量。

1）假設未來10年GDP年均增長3%，人口年均增長1%，能源消耗年均減少2%，電力消耗優化。

2）預測結果顯示，未來10年溫室氣體排放量將減少20%。

3）具體步驟：

①未來情景設定：設定未來10年的GDP、人口、能源消耗、電力消耗和監測數據的增長率。

②模型應用：將設定的未來情景代入回歸模型，計算未來10年的溫室氣體排放量。

評估：利用統計性能指標評估模型。

1）MSE：0.02，表示模型的預測誤差較小。

2）R2：0.85，表示模型的擬合效果較好。

3）殘差分析：殘差分析顯示無顯著自相關性，模型預測精度較高。

4.4.2 案例研究2：機器學習模型的應用

背景：某城市政府計劃通過多種政策組合，如：提高能源效率、推廣可再生能源和實施碳稅，減少未來5年的溫室氣體排放。

數據收集：

1）能源消耗：過去5年的年度能源消耗量，單位：萬噸標準煤。

2）經濟活動：過去5年的年度GDP數據，單位：億元人民幣。

3）社會人口：過去5年的年度人口數據，單位：萬人。

4）溫室氣體排放：過去5年的年度溫室氣體排放量，單位：萬噸二氧化碳當量。

5）交通運輸數據：如：不同年份的車輛類型、行駛里程和燃料消耗量數據。

6）無人機監測數據：如：在特定區域內每年進行的溫室氣體濃度監測數據。

7）地面傳感器數據：如：每年獲取的城市不同區域的溫室氣體濃度實時數據。

模型構建：利用隨機森林模型，建立溫室氣體排放的預測模型。

模型流程：

1）數據準備：將數據集劃分為訓練集和測試集，訓練集用于模型訓練，測試集用于模型評估。

2）模型訓練：構建100棵回歸樹，每棵樹使用不同的樣本和變量。

3）模型驗證：利用交叉驗證評估模型性能。

預測：利用模型預測未來5年的溫室氣體排放量。

1）假設未來5年實施的政策包括提高能源效率每年2%、推廣可再生能源每年5%、碳稅每噸50美元。

2）預測結果顯示，未來5年溫室氣體排放量將減少15%。

3）具體步驟：

①未來情景設定：設定未來5年的能源效率提升、可再生能源推廣和碳稅政策。

②模型應用：將設定的未來情景代入隨機森林模型，計算未來5年的溫室氣體排放量。

評估：利用模型評估指標評估模型。

交叉驗證：平均MSE = 0.03，精確率 = 0.92，召回率 = 0.88，F1評分 = 0.90，模型表現優秀。

5 結 論

本文探討了城市溫室氣體排放推演及其評估的標準化方法，為全球城市提供了一個統一的框架，以應對氣候變化挑戰并推動低碳轉型。通過詳細定義數據收集、模型選擇、情景設定及評估指標，確保城市溫室氣體排放推演的準確性與可靠性，為城市決策者提供了更加科學的支持。兩個典型城市案例研究驗證了該標準化方法在實際應用中的有效性和適用性。未來，這一標準化方法的廣泛推廣將有助于提升全球城市氣候行動的協調性和科學性，為全球可持續發展目標的實現提供重要支持。

參考文獻

[1]孫永平， 蔣經寧. 推動“能耗雙控”逐步轉向“碳排放雙控”[J]. 光明日報， http：//theory.people.com.cn/n1/2024/0305/c40531-40188912.html.

[2]能耗雙控向碳排放雙控轉變的政策內涵與影響分析[J]. 南方能源觀察， https：//www.gov.cn/zhengce/content/202408/content_6966079.htm.

[3]Lee J Y， Marotzke J， Bala G， et al. Future global climate：scenario-based projections and near-term information[M].Cambridge University Press， 2021： 553-672.

[4]Barth B， Tollin N， Vener J， et al. Urban Climate Action.The urban content of the NDCs： Global review 2022[J].Urban Climate Action. The urban content of the NDCs：Global review 2022， 2022： 1-59.

[5]Cherian A. Energy and global climate change： bridging thesustainable development divide[M]. John Wiley & Sons，2015.

[6]Vijayan M， Patil A， Kapse V， et al. Assessing the energyefficiency practices in cities across the world[J]. CurrentScience， 2021， 121（3）： 372-383.

[7]Mil lwa rd-Hopkins J， G ou ldson A ， S cot t K ， et a l.Uncovering blind spots in urban carbon management： the role of consumption-based carbon accounting in Bristol，UK[J]. Regional environmental change， 2017， 17： 1467-1478.

[8]Kii M， Matsumoto K， Sugita S. Future Scenarios of UrbanNighttime Lights： A Method for Global Cities and Its Application to Urban Expansion and Carbon EmissionEstimation[J]. Remote Sensing， 2024， 16（6）： 1018.

[9]Jone s C M ， Whe eler S M ， K a m men D M. Ca rb on footprint planning： quantifying local and state mitigationopportunities for 700 California cities[J]. Urban Planning，2018， 3（2）： 35-51.

[10]Umoh A A， Ohenhen P E， Chidolue O， et al. Incorporatingenergy efficiency in urban planning： A review of policiesand best practices[J]. Engineering Science & TechnologyJournal， 2024， 5（1）： 83-98.

[11]汪光燾， 李芬， 劉翔. 城市科學研究的新機遇[J]. 中國科學院院刊， 2023， 38（7）： 978-990.

[12]張雅欣， 羅薈霖， 王燦. 碳中和行動的國際趨勢分析[J].氣候變化研究進展， 2021， 17（1）： 88.

[13]莊貴陽， 薄凡， 張靖. 中國在全球氣候治理中的角色定位與戰略選擇[J]. 世界經濟與政治， 2018（4）： 4-27.

[14]Kunchala R K， Patra P K， Kumar K N， et al. Spatiotemporalvariability of XCO2 over Indian region inferredfrom Orbiting Carbon Observatory （OCO-2） satellite andChemistry Transport Model[J]. Atmospheric Research，2022， 269： 1-9.

[15]鄭珂. 京津冀區域近地面CO2時空變化的觀測和模擬研究 [D]. 南京： 南京信息工程大學， 2020.

[16]陳啟鑫， 康重慶， 夏清， 等. 電力行業低碳化的關鍵要素分析及其對電源規劃的影響[J]. 電力系統自動化， 2009，33（15）： 18-23.

[17]張巍. 基于STIRPAT模型的陜西省工業碳排放量預測和情景分析[J]. 可再生能源， 2017（ 05）：143.

[18]蘆穎， 李旭東， 楊正業. 貴州省能源碳排放現狀及峰值預測[J]．環境科學與技術，41（11）：173．

[19]陳玉敏， 唐偉， 劉雪原， 等. 基于衛星遙感的四川省XCO2 高分辨率時空分布[J]. Environmental Science &Technology （10036504）， 2023， 46（2）.