Vorhersagemodell und Demonstration regionaler landwirtschaftlicher Kohlenstoffemissionen basierend auf Isomap

Jul 15, 2023

Scientific Reports Band 13, Artikelnummer: 12688 (2023) Diesen Artikel zitieren

Details zu den Metriken

Die wissenschaftliche Analyse regionaler Modelle zur Vorhersage der Kohlenstoffemissionen in der Landwirtschaft und empirische Studien sind von großer praktischer Bedeutung für die Verwirklichung einer kohlenstoffarmen Landwirtschaft, die zur Wiederbelebung und zum Aufbau ökologischer und schöner Landschaften in China beitragen kann. In diesem Artikel wird die Landwirtschaft in der Provinz Guangdong, China, als Forschungsobjekt betrachtet und das erweiterte STIPAT-Modell verwendet, um ein Indikatorensystem für die Faktoren zu erstellen, die die Kohlenstoffemissionen der Landwirtschaft in Guangdong beeinflussen. Basierend auf diesem System wurde ein kombiniertes Isomap-ACO-ET-Vorhersagemodell, das den isometrischen Kartierungsalgorithmus (Isomap), den Ameisenkolonie-Algorithmus (ACO) und den Extreme Random Tree-Algorithmus (ET) kombiniert, verwendet, um die Kohlenstoffemissionen der Landwirtschaft in der Provinz Guangdong in fünf Szenarien vorherzusagen . Für die Kohlenstoffemissionen der Landwirtschaft in der Provinz Guangdong können effektive Vorhersagen getroffen werden, die im Jahr 2030 voraussichtlich zwischen 11.142.200 und 11.386.000 Tonnen schwanken werden. Und im Vergleich zu anderen Modellen für maschinelles Lernen und neuronale Netze weist das Isomap-ACO-ET-Modell eine bessere Vorhersageleistung auf mit einem MSE von 0,00018 und einer Genauigkeit von 98,7 %. Um eine kohlenstoffarme Landwirtschaft in der Provinz Guangdong zu entwickeln, sollten wir die Anbaumethoden verbessern, die Intensität der Anwendung von Agrarchemikalien verringern, die Entwicklung und Förderung landwirtschaftlicher Technologien zur Energieeinsparung und Emissionsreduzierung sowie kohlenstoffarmer Energiequellen stärken und die Intensität der Kohlenstoffemissionen verringern aus dem landwirtschaftlichen Energieverbrauch optimieren, die landwirtschaftliche Pflanzstruktur optimieren und umweltfreundliche Agrarprodukte und agrarökologischen Tourismus entsprechend den örtlichen Gegebenheiten entwickeln. Dies wird die Entwicklung der Landwirtschaft in der Provinz Guangdong in eine grüne und nachhaltige Richtung fördern.

Die Daten zeigen, dass menschliche Aktivitäten seit dem Industriezeitalter zu einem Anstieg der globalen Treibhausgasemissionen geführt haben, mit einem Anstieg von 70 Prozent zwischen 1970 und 20211,2. Kohlendioxid hingegen ist das wichtigste anthropogene Treibhausgas, dessen Emissionen zwischen 1970 und 2021 um etwa 80 Prozent gestiegen sind3,4. Aus dem von der Weltorganisation für Meteorologie veröffentlichten Bulletin geht hervor, dass die weltweite durchschnittliche Jahrestemperatur im 100-Jahres-Zeitraum vom Ende des 19 zu einer ernsten Herausforderung für die gesamte Menschheit im 21. Jahrhundert werden5,6. Die Studie des Zwischenstaatlichen Gremiums der Vereinten Nationen für Klimaänderungen (IPCC) zeigt, dass die durch landwirtschaftliche Aktivitäten erzeugten Treibhausgase 13,5 % der gesamten globalen Treibhausgasemissionen ausmachen7,8. Und laut der Ernährungs- und Landwirtschaftsorganisation der Vereinten Nationen (FAO) sind „Land- und Forstwirtschaft sowie Landnutzungsänderungen für etwa 20 % der weltweiten Treibhausgasemissionen verantwortlich“9,10. Aus diesen Daten geht klar hervor, dass die Landwirtschaft eine wichtige Quelle von Treibhausgasemissionen ist. Die zunehmenden Kohlenstoffemissionen haben äußerst erhebliche Auswirkungen auf den globalen Klimawandel, und der Anstieg der Kohlenstoffemissionen aufgrund menschlichen Verhaltens ist eine der Hauptursachen für die globale Erwärmung11,12. China hat auch eine wichtige Rolle bei der Bekämpfung des globalen Klimawandels gespielt und sich auf der Kopenhagener Konferenz verpflichtet, seine Kohlendioxidemissionen pro BIP-Einheit bis 2030 um 60–65 Prozent im Vergleich zu 2005 zu reduzieren13,14.

Eine wachsende Zahl von Wissenschaftlern im In- und Ausland hat zahlreiche Studien zu Kohlenstoffemissionen in der Landwirtschaft durchgeführt und sich dabei hauptsächlich auf sechs Aspekte konzentriert. Erstens die Messung der Kohlenstoffemissionen der Landwirtschaft. Beispielsweise haben Wang et al.15 die Gesamtmenge und Intensität der landwirtschaftlichen Kohlenstoffemissionen Chinas von 2000 bis 2016 gemessen und die regionalen Unterschiede bei den landwirtschaftlichen Kohlenstoffemissionen Chinas verglichen. Chen et al.16 haben die landwirtschaftlichen Kohlenstoffemissionen in der Provinz Fujian, China, von 2008 bis 2017 auf der Grundlage von fünf Hauptquellen für Kohlenstoffemissionen aus der Landwirtschaft neu gemessen. Zweitens: Erforschung der Treiber der Kohlenstoffemissionen in der Landwirtschaft. Beispielsweise verwendeten Xiong et al.17 das STIRPAT-Modell, um die Faktoren zu identifizieren, die die Kohlenstoffemissionen der Landwirtschaft in der Provinz Jiangsu, China, beeinflussen, und kamen zu dem Schluss, dass die Einflussfaktoren folgende waren: landwirtschaftliche Produktionseffizienz, landwirtschaftliche Struktur, landwirtschaftlicher wirtschaftlicher Entwicklungsstand, landwirtschaftliche Bevölkerungsgröße, Urbanisierung, Mechanisierung und das Ausmaß von Naturkatastrophen. Yang et al.18 untersuchten die Treiber des agrarökologischen Effizienzwachstums auf Provinzebene in China und kamen zu dem Schluss, dass die Treiber folgende waren: technologischer Fortschritt, landwirtschaftliche Infrastruktur, Verbesserungen des Humankapitals und öffentliche Investitionen. Drittens: Analyse der räumlichen und zeitlichen Merkmale landwirtschaftlicher Kohlenstoffemissionen. Beispielsweise haben Hu et al.19 die räumlichen und zeitlichen Eigenschaften der landwirtschaftlichen Kohlenstoffemissionen in der chinesischen Provinz Jiangsu aus drei Kohlenstoffquellen gemessen und analysiert: landwirtschaftliche Landnutzung, Reisanbau und Viehzucht. Zhou et al.20 berechneten die landwirtschaftlichen Kohlenstoffemissionen in Chinas „Belt and Road“-Region von 2003 bis 2018 und analysierten ihre räumlichen und zeitlichen Eigenschaften. Viertens Untersuchung der Wechselwirkung zwischen landwirtschaftlichen Kohlenstoffemissionen und wirtschaftlicher Entwicklung. Beispielsweise führten Zang et al.21 von 2002 bis 2020 eine Studie über den Zusammenhang zwischen der Intensität der landwirtschaftlichen Kohlenstoffemissionen, der landwirtschaftlichen Wirtschaftsentwicklung und dem Agrarhandel in China durch. Shu-jie et al.22 analysierten die Entkopplungsbeziehung zwischen landwirtschaftlichen Kohlenstoffemissionen und der Wirtschaft Wachstum in der Provinz Jilin, China, von 1999 bis 2014. Fünftens Effizienzmessungen der landwirtschaftlichen Kohlenstoffemissionen. Beispielsweise bewerteten Wang und Feng23 die Effizienz der landwirtschaftlichen Kohlenstoffemissionen Chinas sowohl aus statischer als auch dynamischer Perspektive auf der Grundlage von DEA- und Theil-Modellen. Zhang et al.24 verwendeten das SBM-DEA-Modell, um die wirtschaftliche Effizienz der interprovinziellen Landwirtschaft in China für die Jahre 2000–2019 zu messen. Sechstens: Untersuchung von Maßnahmen zur Kohlenstoffreduzierung in der Landwirtschaft. Beispielsweise untersuchten Panchasara et al.25 die Hauptquellen der Kohlenstoffemissionen aus dem Agrarsektor in Australien und prüften wirksame Möglichkeiten zur Reduzierung der Treibhausgasemissionen durch intelligente Landwirtschaftstechnologien. Cui et al.26 untersuchten Mitte 1997–2017 landwirtschaftliche Paneldaten aus 31 Provinzen und schlugen differenzierte CO2-Reduktionsstrategien auf der Grundlage regionaler und zeitlicher Unterschiede sowie einen Handelsmechanismus für CO2-Reduktionsmärkte und Kompensationsrichtlinien vor. Zusammenfassend lässt sich feststellen, dass Wissenschaftler im In- und Ausland fruchtbare Erfolge bei der Erforschung landwirtschaftlicher Kohlenstoffemissionen erzielt haben, es jedoch weniger Studien zur Vorhersage und empirischen Evidenz regionaler landwirtschaftlicher Kohlenstoffemissionen gibt und die Erforschung immer noch unzureichend ist.

Die Forschung der oben genannten Wissenschaftler hat zur Messung landwirtschaftlicher Kohlenstoffemissionen, den Treibern landwirtschaftlicher Kohlenstoffemissionen, der Analyse der räumlichen und zeitlichen Eigenschaften landwirtschaftlicher Kohlenstoffemissionen, der Wechselwirkung zwischen landwirtschaftlichen Kohlenstoffemissionen und der wirtschaftlichen Entwicklung sowie der Effizienzmessung landwirtschaftlicher Kohlenstoffemissionen beigetragen Emissionen und Maßnahmen zur Reduzierung der landwirtschaftlichen Kohlenstoffemissionen, die die Forschung zu landwirtschaftlichen Kohlenstoffemissionen immer umfangreicher und tiefgreifender gemacht haben. Es gibt jedoch keine Forschung zur Vorhersage landwirtschaftlicher Kohlenstoffemissionen, insbesondere zur Vorhersage regionaler landwirtschaftlicher Kohlenstoffemissionen mithilfe von Methoden wie maschinellem Lernen. In diesem Artikel wird die Vorhersage regionaler landwirtschaftlicher Kohlenstoffemissionen mithilfe eines auf maschinellem Lernen basierenden kombinierten Vorhersagemodells untersucht und empirisch demonstriert, wobei die Landwirtschaft der Provinz Guangdong als Forschungsobjekt dient.

Der Beitrag dieser Arbeit liegt in der Auswahl von sieben Variablen wie der Zahl der landwirtschaftlichen Bevölkerung, dem Pro-Kopf-BIP der Landbevölkerung und der Energieeffizienz der landwirtschaftlichen Produktion als Faktoren, die die regionalen landwirtschaftlichen Kohlenstoffemissionen beeinflussen. In diesem Artikel wird außerdem ein kombiniertes Isomap-ACO-ET-Vorhersagemodell erstellt, das den Isomap-Algorithmus (Isomap), den Ant Colony-Algorithmus (ACO) und den Extreme Random Tree-Algorithmus (ET) kombiniert, basierend auf den Indikatordaten für den Zeitraum 2000–2020 zur Vorhersage die regionalen landwirtschaftlichen Kohlenstoffemissionen in der Provinz Guangdong anhand von fünf Szenarien. Die Ergebnisse zeigen, dass die regionalen landwirtschaftlichen Kohlenstoffemissionen in der Provinz Guangdong im Zeitraum 2000–2021 im Allgemeinen einen Aufwärts- und dann einen Abwärtstrend zeigten.

Die Neuerungen dieses Papiers sind wie folgt:

Für die Vorhersage landwirtschaftlicher Kohlenstoffemissionen wird ein kombiniertes Vorhersagemodell basierend auf maschinellem Lernen bereitgestellt und die Gültigkeit des Modells durch empirische Belege anhand der Agrardaten der Provinz Guangdong überprüft.

Das in diesem Dokument vorgeschlagene kombinierte Vorhersagemodell wird angewendet, um die landwirtschaftlichen Kohlenstoffemissionen der Landwirtschaft der Provinz Guangdong in den nächsten neun Jahren in mehreren Szenarien vorherzusagen. Es wird erwartet, dass die landwirtschaftlichen Kohlenstoffemissionen der Provinz Guangdong im Jahr 2030 zwischen 11.142.200 Tonnen und 11.386.600 Tonnen schwanken werden.

Das in diesem Artikel vorgeschlagene kombinatorische Vorhersagemodell für maschinelles Lernen weist im Vergleich zu anderen Modellen eine bessere Vorhersagegenauigkeit für die Agrardaten der Provinz Guangdong auf, mit einem mittleren quadratischen Fehler von 0,00018 und einer Genauigkeitsrate von 98,7 %.

Die Provinz Guangdong liegt im südlichen Teil des chinesischen Festlandes und hat eine durchschnittliche jährliche Sonnenscheindauer von mehr als 1800 Stunden, eine jährliche Gesamtstrahlung von mehr als 5,9 × 105 J/cm2 und einen durchschnittlichen jährlichen Niederschlag von 1652,5 mm. Die Provinz Guangdong weist im Norden eine hohe Topographie und im Süden eine niedrige Topographie auf und ist reich an Wasserressourcen. Diese geografischen und klimatischen Bedingungen bieten günstige Bedingungen für die Landwirtschaft und machen die Provinz Guangdong zu einer der produktivsten Regionen Chinas27. Die derzeitige Art der landwirtschaftlichen Entwicklung in der Provinz Guangdong gehört zur typischen chemischen Landwirtschaft, die übermäßig auf kohlenstoffreiche Produktionsmittel wie chemische Düngemittel und Pestizide angewiesen ist28. Daher untersucht dieses Papier die regionalen landwirtschaftlichen Kohlenstoffemissionen in der Provinz Guangdong, um eine Referenz für die Umsetzung einer umweltfreundlichen landwirtschaftlichen Entwicklung und von Richtlinien zur Reduzierung der landwirtschaftlichen Kohlenstoffemissionen in der Landwirtschaft der Provinz Guangdong zu liefern, die zur Verwirklichung einer kohlenstoffarmen Landwirtschaft und allgemeiner Emissionsreduzierungsziele führen werden .

Der isometrische Kartierungsalgorithmus (ISOMAP) basiert auf geometrischen Abständen anstelle traditioneller euklidischer geometrischer Abstände und verwendet dann Multidimensional Scaling (MDS)-Algorithmen, um den Datensatz isometrisch vom hochdimensionalen Raum in den niedrigdimensionalen Raum einzubetten und so einen niedrigdimensionalen Raum zu erhalten. Dimensionsmatrix von Proben mit konstanten geodätischen Abständen zwischen den Probendaten29.

Der euklidische Abstand (euklidische Metrik) ist die gebräuchlichste Darstellung des Abstands zwischen zwei oder mehr Punkten, definiert im euklidischen Raum, für jeden n-dimensionalen Vektor \(x=({x}_{1}, {x}_{ 2}, \dots , {x}_{n})\) und \(y=({y}_{1}, {y}_{2}, \dots , {y}_{n})\ ), dessen Abstand \(d\left(x,y\right)\) wie folgt berechnet wird:

Das geodätische Distanzmodell konzentriert sich auf die räumliche Verteilung der Daten und charakterisiert den räumlichen Abstand zwischen zwei Punkten durch die Suche nach dem kürzesten Weg, der den räumlichen Abstand zwischen zwei Punkten realistischer widerspiegeln kann. Die geodätische Entfernungsberechnungsmethode verwendet den Algorithmus für den nächsten Nachbarn, um das Diagramm für den nächsten Nachbarn zu erstellen, und sucht basierend auf dem Algorithmus für den kürzesten Pfad nach dem kürzesten Weg im Diagramm für den nächsten Nachbarn.

Der Extreme Random Trees (ET)-Algorithmus basiert auf dem Random Forest (RF)-Algorithmus und kann für die nichtlineare Systemmodellierung und Regressionsvorhersage30 verwendet werden. Im Gegensatz zum RF-Algorithmus, der Bootstrap zum Extrahieren des Trainingssatzes verwendet, verwendet der ET-Algorithmus beim Training des Entscheidungsbaums alle Trainingssätze, was eine relativ stärkere Generalisierungsfähigkeit aufweist. Für den gesammelten Datensatz \(\Omega = \{({A}_{1}, {y}_{1}), ({A}_{2},{ y}_{2}) ... ({A}_{N},{ y}_{N})\}\), wobei \({A}_{i}\) ein 1 × 5-dimensionaler Zeilenvektor ist, ein Satz von Eingaben für die modellierte Stichproben, \({y}_{i}\) ist der wahre Ausgabewert der Stichprobe entsprechend \({A}_{i}\), \(i= 1, 2 ... N\), \(N\) ist die Anzahl der Stichprobengruppen. Der ET-Algorithmus wird verwendet, um die Daten basierend auf dem Training zu trainieren.

Ant Colony Optimization (ACO) ist ein heuristischer Suchalgorithmus, der auf der Populationssuche31 basiert. Im ACO-Algorithmus gibt es insgesamt m Nahrungsquellenknoten, und die Menge aller Nahrungsquellen, die jede Ameise finden kann, ist \(s (s=1, 2, ..., m)\). Der Abstand zwischen zwei beliebigen Knoten auf der Nahrungsquelle beträgt \(d\), und die Menge an Restinformationen zwischen zwei Knoten zu jedem Zeitpunkt \(t\) beträgt \(\tau (t)\). Zu Beginn des Algorithmus ist die Informationsmenge zwischen zwei beliebigen Nahrungsquellenknoten gleich, d. h. \(\tau (0) = c\) (\(c\) ist eine sehr kleine Konstante). Die Tabutabelle \({Tabu}_{\xi } (\xi = 1, 2..., n)\) im ACO-Algorithmus wird verwendet, um die Menge aller Pfade zu bezeichnen, die der \({\xi } ^{th}\) Ameise bei der Suche nach dem Nahrungsquellenknoten, und das erste Element der Tabutabelle wird auf die aktuelle Position der \({\xi }^{th}\) Ameise gesetzt. Somit ist die Wahrscheinlichkeit, dass eine Ameise im Moment \(t\) vom Nahrungsquellenknoten \({i}^{th}\) zum Nahrungsquellenknoten \({j}^{th}\) wandert, \( {p}_{ij}^{\xi }\left(t\right)\) ist wie folgt:

wobei \({J}_{k\xi }^{(i)} = \{S-{tabu}_{\xi }\}\) den Nahrungsquellenknoten bezeichnet, der als nächstes vom \({\ xi }^{th}\) ant; \(\eta \) bezeichnet die heuristische Information des Pfades; α bezeichnet die relative Bedeutung der Informationsmenge auf dem Pfad; \(\beta \) bezeichnet die relative Wichtigkeit der heuristischen Informationen.

Das Isomap-ACO-ET-Modell ist eine Kombination der oben genannten drei Algorithmen. Das heißt, das Isomap-ACO-ET-Modell ist eine Kombination aus dem Isometrischen Kartierungsalgorithmus (ISOMAP), dem Ant Colony-Algorithmus (ACO) und dem Extreme Random Tree-Algorithmus (ET). Hier verwenden wir zunächst den Isomap-Algorithmus zur Dimensionsreduzierung der landwirtschaftlichen Startdaten der Provinz Guangdong von 2000 bis 2021, um die neuen Daten nach der Dimensionsreduzierung zu erhalten, und teilen die neuen Daten dann in einen Trainingssatz und einen Testsatz auf und geben das Training ein für das Training in den ET-Algorithmus eingefügt. Anschließend wird der ACO-Algorithmus verwendet, um während des Trainingsprozesses die optimalen Hyperparameter des ET-Algorithmus zu finden. Der Testsatz wird zum Testen in das optimale ET-Modell eingegeben, um die Vorhersagevalidität des Modells zu testen. Schließlich wird der ET-Algorithmus mit optimierten Hyperparametern mit dem vorherigen Isomap- und ACO-, Isomap-ACO-ET-Modell kombiniert.

In diesem Artikel wird das kombinierte Prognosemodell Isomap-ACO-ET angewendet, um die Kohlenstoffemissionen der Provinz Guangdong von 2022 bis 2030 in mehreren Szenarien vorherzusagen, und das kombinierte Prognosemodell wird mit anderen Modellen verglichen, um die Leistungsvorteile der kombinierten Prognose zu überprüfen Modell gegenüber anderen Modellen.

Das STIRPAT-Modell (Scalable Stochastic Environmental Impact Assessment) wird aus der IPAT-Gleichung abgeleitet, auf deren Grundlage York et al.32 das STIRPAT-Modell mit dem Ausdruck konstruierten:

wobei \(I\) die Umweltbelastung ist; \(P\) ist die Bevölkerungsgröße; \(A\) ist der Wohlstand; und \(T\) ist das Technologieniveau. \(a\) ist der konstante Term; \(b\), \(c\) und \(d\) sind die Exponentialterme für \(P\), \(A\) bzw. \(T\); und \(\mu \) ist der Fehlerterm.

Das STIRPAT-Modell kann die Auswirkungen von Faktoren auf Umweltbelastungen quantitativ analysieren und die Methode wird häufig in Umweltschutzstudien eingesetzt. Bei der Verwendung des STIRPAT-Modells zur Untersuchung von Kohlenstoffemissionen ist es möglich, ein erweitertes STIRPAT-Modell zu erstellen, das auf der tatsächlichen Situation des Untersuchungsgebiets basiert und andere Faktoren einbezieht, die sich auf die Kohlenstoffemissionen auswirken können. Um den Einfluss der wirtschaftlichen Entwicklung und des technologischen Fortschritts auf die Kohlenstoffemissionen der Landwirtschaft widerzuspiegeln, wählt dieses Papier sieben Faktoren als unabhängige Variablen zur Erweiterung des STIRPAT-Modells aus, darunter die Zahl der landwirtschaftlichen Bevölkerung \((P)\), das landwirtschaftliche BIP pro Kopf \ ((A)\), der Grad der landwirtschaftlichen Mechanisierung \((T)\), die Energieeffizienz der landwirtschaftlichen Produktion \((E)\), die Struktur der Agrarindustrie \((S)\), das verfügbare Einkommen der Landbewohner \( (N)\) und die Fläche des mechanisierten Ackerlandes \((J)\). Das erweiterte Modell wurde wie folgt aufgebaut:

wobei \(b\), \(c\), \(d\), \(e\), \(f\), \(g\) und \(h\) die Indexterme für \(P \), \(A\), \(T\), \(E\), \(S\), \(N\) bzw. \(J\).

Um mögliche Heteroskedastizitätseffekte im Modell zu eliminieren, lautet die logarithmische Studie aller Variablen und das erweiterte STIRPAT-Modell nach der Legitimierung wie folgt:

Für dieses Papier wurden die Zahl der landwirtschaftlichen Bevölkerung \((P)\), das landwirtschaftliche BIP pro Kopf \((A)\) und sieben weitere Indikatoren ausgewählt, die sich auf die Kohlenstoffemissionen der Landwirtschaft in der Provinz Guangdong auswirken.

Da die Einheiten der einzelnen Indikatoren in der Ausführungsform der ausgewählten Indikatoren variieren, ist es zur Eliminierung des Einflusses der Datenskala auf den Vorhersageeffekt des Modells erforderlich, die Originaldaten so zu standardisieren, dass sie dimensionslos sind. In diesem Artikel wird die Mittelwert-Standardabweichung-Standardisierungsmethode verwendet und die standardisierten Daten der unabhängigen und abhängigen Variablen werden als \({z}_{1}, {z}_{2},...,{ z}_{7}\) bzw. \(\widetilde{y}\). Der Prozess der Datenstandardisierung ist:

Dabei sind \({Z}_{i}\) die normalisierten Daten, \({X}_{i}\) die Originaldaten, \(\mu \) der Mittelwert und \(S\). die Standardabweichung.

Die Daten zur Zahl der landwirtschaftlichen Bevölkerung \((P)\), zum landwirtschaftlichen BIP pro Kopf \((A)\, zum Grad der landwirtschaftlichen Mechanisierung \((T)\), zur landwirtschaftlichen Industriestruktur \((S)\) , Energieeffizienz der landwirtschaftlichen Produktion \((E)\, Fläche mechanisch bewirtschafteter Ackerflächen \((J)\, verfügbares Einkommen der Landbewohner \((N)\) und gesamte landwirtschaftliche Kohlenstoffemissionen \((I) \), die für die landwirtschaftlichen Kohlenstoffemissionen in der Provinz Guangdong von 2000 bis 2021 erforderlich sind, wurden aus den Vorjahren des Guangdong Statistical Yearbook, des China Rural Statistical Yearbook und des China Agricultural Yearbook ermittelt. Um Inflation und andere Preissteigerungen auszuschließen, wurden im Jahr 2000 das Pro-Kopf-BIP der Landwirtschaft und das verfügbare Einkommen der Landbewohner in konstante Preise umgerechnet.

Die landwirtschaftlichen Kohlenstoffemissionen und jährlichen Wachstumsraten in der Provinz Guangdong sind in Abb. 1 dargestellt, und die Intensität der landwirtschaftlichen Kohlenstoffemissionen und jährlichen Wachstumsraten in der Provinz Guangdong sind in Abb. 2 dargestellt.

2020–2021 Landwirtschaftliche Kohlenstoffemissionen und jährliche Wachstumsrate der Provinz Guangdong.

2020–2021 Intensität der landwirtschaftlichen Kohlenstoffemissionen und jährliche Wachstumsrate der Provinz Guangdong.

In einem multiplen linearen Regressionsmodell spricht man von Multikollinearität zwischen erklärenden Variablen, wenn zwischen ihnen eine enge lineare Korrelation besteht. Bei Multikollinearität kann die Varianz der Schätzungen der Regressionsparameter groß sein, wodurch die Interpretation der abhängigen Variablen durch die unabhängigen Variablen beeinträchtigt wird, die Genauigkeit der Schätzungen verringert werden kann und die Schätzungen schlechter werden können. Multikollinearität kann beurteilt werden, indem ein neuer Indikator Toleranz \(TOL\) (Toleranz) unter Verwendung des Bestimmtheitsmaßes erstellt wird, das wie folgt definiert ist:

Dabei ist \({R}_{j}\) der Korrelationskoeffizient zwischen der unabhängigen Variablen \({X}_{j}\) und den anderen \(m-1\) unabhängigen Variablen. Wenn eine starke Kovarianz zwischen der unabhängigen Variablen \({X}_{j}\) und den anderen \(m-1\) unabhängigen Variablen besteht (d. h. \({R}_{j}^{2}\) ≈ 1), dann ist \({TOL}_{(j)} \ approx 0\). Ein Toleranzwert \(TOL\) von weniger als 0,2 kann als Hinweis auf das Vorliegen einer Multikollinearität angesehen werden, und ein Toleranzwert von weniger als 0,1 weist auf eine schwere Multikollinearität hin.

Um das Problem zu lösen, dass das im STIRPAT-Modell zum Aufbau eines Indikatorsystems für die Einflussfaktoren landwirtschaftlicher Emissionen in der Provinz Guangdong verwendete multiple lineare Regressionsmodell anfällig für multiple Kolinearität ist, verwendet dieser Artikel den Isomap-Algorithmus, um die Dimensionalität zu reduzieren der Datenmerkmale. ISOMAP ist ein auf Merkmalsextraktion basierender Dimensionsreduktionsalgorithmus, der vom mehrdimensionalen Skalierungsalgorithmus (MDS) adaptiert wurde. Seine Kernidee besteht darin, den „geodätischen“ Abstand anstelle des „euklidischen Abstands“ in MDS zu verwenden, um den Abstand zwischen Proben zu berechnen Punkte. Die Kernidee besteht darin, den Abstand zwischen Stichprobenpunkten mithilfe von „geodätischen“ Distanzen anstelle von „euklidischen Distanzen“ in MDS zu berechnen. Die ursprünglichen Stichprobendaten der landwirtschaftlichen Kohlenstoffemissionen werden in den Isomap-Algorithmus zur Reduzierung der Merkmalsdimensionalität eingespeist. Die sechs neuen Hauptkomponenten \({t}_{1}\), \({t}_{2}\), \({t}_{3}\), \({t}_{4} \), \({t}_{5}\), \({t}_{6}\) werden durch Isomap erhalten.

Als nächstes wird das ACO-ET-Modell verwendet, um landwirtschaftliche Kohlenstoffemissionen in der Provinz Guangdong vorherzusagen, wobei die neuen Hauptkomponenten nach Dimensionsreduktion als Eingabedaten verwendet werden.

In diesem Artikel wird der Ant Colony-Algorithmus (ACO) verwendet, um die optimalen Hyperparameter im Extreme Random Tree-Algorithmus (ET) zu finden. Die beiden im Extreme Random Tree-Algorithmus (ET) optimierten Hyperparameter sind die maximale Anzahl von Regressionsbäumen \(n\_estimators\) und die maximale Tiefe jedes Regressionsbaums \(max\_ Depth\), wobei die Werte von \(n \_Schätzer\) sind \(\{100, 101, 102, 103, \dots \dots , 240\}\) und \(max\_ Depth\) sind \(\{1, 2, 3, 4,\ Punkte \dots ,20\}\). Eine zehnfache Kreuzvalidierung wurde verwendet, um die Stichprobendaten der landwirtschaftlichen Kohlenstoffemissionen aus Guangdong in das Modell einzugeben, um die optimalen Hyperparameter des Modells zu finden und den mittleren quadratischen Fehlerindex zu minimieren. Das ACO-ET-Programm wurde ausgeführt und die optimalen Hyperparameter waren: \(n\_estimators\): 136, \(max\_ Depth\): 6, was zu einem minimalen mittleren quadratischen Fehler von 0,0002 führte.

Als Datensatz wurden die Beispieldaten der landwirtschaftlichen Kohlenstoffemissionen in der Provinz Guangdong von 2000 bis 2021 verwendet und in einen Trainingssatz und einen Testsatz unterteilt. Darunter sind die Beispieldaten von 2000 bis 2018 der Trainingssatz und die Daten von 2019 bis 2021 der Testsatz. Der Trainingssatz wird verwendet, um das kombinierte Vorhersagemodell Isomap–ACO–ET zu trainieren, und dann wird das trainierte kombinierte Vorhersagemodell zum Testen des Testsatzes verwendet, um die Leistung des kombinierten Vorhersagemodells zu bewerten.

Ein Diagramm, das die Anpassung dieses kombinierten Vorhersagemodells an den Trainingssatz zeigt, ist in Abb. 3 dargestellt.

Anzeige der Trainingsset-Anpassung.

Um die Wirksamkeit des in diesem Artikel vorgeschlagenen Isomap-ACO-ET-Modells zu überprüfen, das den isometrischen Kartierungsalgorithmus (Isomap), den Ameisenkolonie-Algorithmus (ACO) und den Extrem-Random-Tree-Algorithmus (ET) kombiniert, wurden weitere Modelle zum Vergleich hinzugefügt . Dazu gehören der Random Forest-Algorithmus (RF), der Gradient Boosted Tree-Algorithmus (GBDT), das Recurrent Neural Network (RNN) und deren Modelle ohne Isomap-Algorithmus, aber mit ACO-Algorithmus, mit Isomap-Algorithmus und ACO-Algorithmus, mit Hauptkomponentenanalyse und ACO-Algorithmus. usw., und die Metriken werden für die Leistung mithilfe von MSE, MAE, RMSE, MAPE bewertet. Es lässt sich feststellen, dass das Isomap-ACO-ET-Modell die besten Leistungsbewertungsmetriken aufweist, was darauf hinweist, dass das kombinierte Isomap-ACO-ET-Prognosemodell den besten Prognoseeffekt hat. Die Vergleichsergebnisse der Leistungsbewertung jedes Modells sind in Tabelle 1 aufgeführt.

Basierend auf den Daten der tatsächlichen und prognostizierten Werte für den Zeitraum 2000–2021 können wir berechnen, dass die Unsicherheit des kombinierten Vorhersagemodells 8,238 beträgt, was 7,35 Prozent des Durchschnittswerts und weniger als 10 Prozent entspricht. Es ist ersichtlich, dass die Unsicherheit im normalen Bereich liegt, was darauf hinweist, dass das Modell zuverlässig und glaubwürdig ist.

Anschließend wird das trainierte kombinierte Isomap-ACO-ET-Vorhersagemodell zum Testen des Testsatzes angewendet. Die Ergebnisse sind in Tabelle 2 aufgeführt. Es ist ersichtlich, dass die durchschnittliche Vorhersagefehlerrate des kombinierten Isomap-ACO-ET-Vorhersagemodells 0,013 beträgt , und der vorhergesagte Wert liegt im Wesentlichen nahe am tatsächlichen Wert, was darauf hinweist, dass die Vorhersagefähigkeit des Isomap-ACO-ET-Modells relativ gut ist. Darüber hinaus weist das Isomap-ACO-ET-Modell die kleinste durchschnittliche Fehlerrate im Vergleich zum ACO-ET ohne isometrischen Kartierungsalgorithmus und zum PCA-ACO-ET-Modell mit Hauptkomponentenanalyse und Ameisenkolonie-Algorithmus auf. Es ist ersichtlich, dass Isomap–ACO–ET eine bessere Vorhersageleistung aufweist als die beiden anderen Modelle und dass der isometrische Abbildungsalgorithmus (Isomap) zur Dimensionsreduzierung der Daten und der Ant Colony-Algorithmus (ACO) zur Optimierung verwendet werden Modellparameter sind hilfreich, um die Vorhersageleistung des Modells zu verbessern.

Der nächste Schritt besteht darin, die prognostizierten Werte der landwirtschaftlichen Kohlenstoffemissionen in der Provinz Guangdong von 2022 bis 2030 zu untersuchen. Mithilfe der Szenarioanalysemethode werden verschiedene Szenarien für die Zukunft der Landwirtschaft in der Provinz Guangdong erstellt. Und die deduktive Analyse unter verschiedenen Szenarien kann die möglichen zukünftigen Entwicklungsszenarien klar und eindeutig machen, was hilfreich ist, um eine umfassende Referenz für die Vorhersage der landwirtschaftlichen Kohlenstoffemissionen in der Provinz Guangdong unter verschiedenen Szenarien bereitzustellen.

Die Szenarioanalyse ist eine Methode zur Vorhersage der möglichen Situation oder Folgen des vorhergesagten Objekts unter der Voraussetzung, dass sich der Trend verschiedener Indikatoren auch in der Zukunft fortsetzen wird. In diesem Artikel wird die Landwirtschaft in der Provinz Guangdong als Forschungsgegenstand herangezogen und das kombinierte Isomap-ACO-ET-Vorhersagemodell für landwirtschaftliche Kohlenstoffemissionen erstellt. Im Modell werden die Indikatoren des Wirtschaftswachstums und des technologischen Fortschritts berücksichtigt, die sich auf die Kohlenstoffemissionen der Landwirtschaft auswirken, und die Methode der Szenarioanalyse wird verwendet, um den zukünftigen Kohlenstoffemissionsstatus der Guangdong-Landwirtschaft unter verschiedenen Entwicklungsszenarien quantitativ vorherzusagen. In diesem Papier werden fünf verschiedene Szenarien festgelegt: maximale Wachstumsrate, durchschnittliche Wachstumsrate, minimale Wachstumsrate, positive minimale Wachstumsrate und positive durchschnittliche Wachstumsrate. Einzelheiten zu den Parametern verschiedener Szenarien finden Sie in den spezifischen Indexdaten in Tabelle 3. Die Daten stammen aus dem Guangdong Statistical Yearbook, zitiert auf der Website der chinesischen Provinzregierung Guangdong.

In diesem Papier werden verschiedene Szenarien für die Indikatoren festgelegt, die die Vorhersage der landwirtschaftlichen Kohlenstoffemissionen in der Provinz Guangdong beeinflussen. Die Werte der Indikatoren für jedes festgelegte Szenario werden vorhergesagt und die landwirtschaftlichen Kohlenstoffemissionen in der Provinz Guangdong werden entsprechend vorhergesagt. Basierend auf den oben genannten Szenarien wird das Isomap-ACO-ET-Modell verwendet, um die zukünftigen landwirtschaftlichen Kohlenstoffemissionen in der Provinz Guangdong in fünf Szenarien vorherzusagen: maximale Wachstumsrate, durchschnittliche Wachstumsrate, minimale Wachstumsrate, positive und minimale Wachstumsrate und negatives Maximum Wachstumsrate. Die Prognoseergebnisse der landwirtschaftlichen Kohlenstoffemissionen in der Provinz Guangdong von 2022 bis 2030 sind in Abb. 4 dargestellt.

Vorhersage der landwirtschaftlichen Kohlenstoffemissionen in der Provinz Guangdong von 2022 bis 2030.

Aus Abb. 4 ist ersichtlich, dass der prognostizierte landwirtschaftliche Kohlenstoffausstoß der Provinz Guangdong in Szenario 1 zunächst einen langsamen Rückgang zeigt, von 11.388.200 Tonnen im Jahr 2022 auf 11.336.200 Tonnen im Jahr 2030, was einem Rückgang von 0,45 % in 9 Jahren im Durchschnitt entspricht jährliche Rückgangsrate von 0,06 %. In Szenario 2 wird für die landwirtschaftliche Kohlenstoffemission der Provinz Guangdong ein stabiler Trend vorhergesagt, von 11.142.200 Tonnen im Jahr 2022 auf 11.142.200 Tonnen im Jahr 2030. In Szenario 3 zeigt die prognostizierte landwirtschaftliche Kohlenstoffemission der Provinz Guangdong ebenfalls einen stabilen Trend von 11.148.000 Tonnen im Jahr 2022 auf 11.148.000 Tonnen im Jahr 2030. In Szenario 4 wird prognostiziert, dass die landwirtschaftlichen Kohlenstoffemissionen der Provinz Guangdong einen leichten Anstieg verzeichnen, von 11.380.100 Tonnen im Jahr 2022 auf 11.386.000 Tonnen im Jahr 2030, mit einem leichten Anstieg von 0,05 % in 9 Jahren. In Szenario 5 zeigen die prognostizierten landwirtschaftlichen Kohlenstoffemissionen in der Provinz Guangdong einen Aufwärtstrend und steigen von 10,960100 Tonnen im Jahr 2022 auf 11.268.700 Tonnen im Jahr 2030, was einem Anstieg von 2,82 % in 9 Jahren und einer durchschnittlichen jährlichen Steigerungsrate von 0,35 % entspricht. Zusammenfassend lässt sich sagen, dass die landwirtschaftlichen Kohlenstoffemissionen der Provinz Guangdong in China im Jahr 2030 gemäß der Prognose in fünf verschiedenen Szenarien zwischen 11.142.200 Tonnen und 11.386.000 Tonnen schwanken werden.

Aus der obigen Analyse geht hervor, dass die Provinz Guangdong versuchen sollte, ihre Agrarindustrie gemäß Szenarien wie Szenario 2 und Szenario 3 zu entwickeln, um die landwirtschaftlichen Kohlenstoffemissionen in der Provinz Guangdong im Zeitraum 2022–2030 auf einem niedrigeren Wachstumsniveau zu kontrollieren. Das heißt, die sieben Indikatoren wie Effizienz der landwirtschaftlichen Produktion und Struktur der Agrarindustrie sollten unter dem Entwicklungsniveau der positiven und minimalen Wachstumsrate sowie der durchschnittlichen Wachstumsrate kontrolliert werden, um die zukünftige CO2-Emissionenmission der Landwirtschaft und Produktion der Provinz Guangdong wirksam zu kontrollieren Die Landwirtschaft der Provinz Guangdong soll sich auf grüne, umweltfreundliche und gesunde Weise entwickeln können.

Die Landwirtschaft in der Provinz Guangdong befindet sich in einer Phase beschleunigter Urbanisierung und Industrialisierung, in der große Mengen „drei Abfälle (Abgas, Abwasser, Abfallrückstände)“ aus dem städtischen Leben und der Industrieproduktion ausgestoßen werden. Der starke Einsatz chemischer Düngemittel und Pestizide im landwirtschaftlichen Produktionsprozess hat zu einer schwerwiegenden Oberflächen- und endogenen Verschmutzung geführt, die das ländliche Ökosystem und die biologische Kette geschädigt hat, was zu einem Rückgang der Anzahl biologischer Arten und einer Luftverschmutzung geführt hat Wassersysteme33. Guangdong verfügt über einen Vorteil in Bezug auf Wirtschaftsvolumen und -größe, da sein Wirtschaftsvolumen im Laufe der Jahre etwa ein Achtel des Gesamtvolumens des Landes ausmachte, und sein starkes Wirtschaftsmaß und seine Wirtschaftsstärke haben den wirtschaftlichen Grundstein für die Entwicklung kohlenstoffarmer Technologien gelegt ländliche Gebiete und die Umstrukturierung der Agrarwirtschaft34. Die Provinz Guangdong sollte die landwirtschaftlichen Praktiken verbessern, die Intensität der Anwendung von Agrochemikalien verringern, den Grad der Kohlenstoffbindung im Boden erhöhen und den Anteil organischer Düngemittel, Biopestizide und anderer kohlenstoffarmer grüner Produktionsmaterialien schrittweise erhöhen, um das Nährstoffgleichgewicht im Boden zu fördern und einzudämmen der Verlust an organischem Kohlenstoff im Boden und an Treibhausgasemissionen35. Gleichzeitig sollten wir die Entwicklung und Förderung landwirtschaftlicher Energiespar- und Emissionsminderungstechnologien sowie kohlenstoffarmer Energiequellen stärken, die Effizienz der Energienutzung verbessern, ländliche erneuerbare Energiequellen energisch entwickeln und nutzen und die Energieverbrauchsstruktur optimieren die landwirtschaftliche Produktion zu verbessern und die CO2-Emissionsintensität des landwirtschaftlichen Energieverbrauchs zu verringern36. Darüber hinaus sollte die landwirtschaftliche Pflanzstruktur optimiert und Nutzpflanzen wie südliche subtropische Früchte, Gemüse und Blumen mit Guangdong-Merkmalen und Wettbewerbsvorteilen entsprechend den örtlichen Gegebenheiten entwickelt werden, um einen Industriegürtel vorteilhafter landwirtschaftlicher Produkte aufzubauen und zu verbessern Qualität und Effizienz landwirtschaftlicher Produkte37. Auch hier sollten Freizeittourismus und Ökotourismus-Landwirtschaft entwickelt werden, um die Verbesserung der ländlichen ökologischen Umwelt zu fördern und eine gesunde und nachhaltige Entwicklung der Agrarökologie der Provinz Guangdong sicherzustellen38.

Die wissenschaftliche Analyse regionaler Prognosemodelle für landwirtschaftliche Kohlenstoffemissionen und empirische Studien sind für China von großer praktischer Bedeutung, um eine kohlenstoffarme Landwirtschaft zu erreichen, die Strategie der ländlichen Wiederbelebung umzusetzen und eine ökologisch zivilisierte und schöne Landschaft aufzubauen. Um das regionale Kohlenstoffemissionsproblem in der Landwirtschaft besser empirisch zu untersuchen, wird in diesem Artikel die Landwirtschaft der Provinz Guangdong, China, als Forschungsobjekt herangezogen und ein kombiniertes Isomap-ACO-ET-Vorhersagemodell basierend auf Isomap, ACO und ET erstellt. Und die Indikatoren für Faktoren, die die landwirtschaftlichen Kohlenstoffemissionen beeinflussen, wie z. B. landwirtschaftliche Bevölkerung, landwirtschaftliche Industriestruktur, Produktionseffizienz usw., wurden ausgewählt, um die landwirtschaftlichen Kohlenstoffemissionen in der Provinz Guangdong in fünf Szenarien vorherzusagen. Die Ergebnisse zeigen, dass diese Methode die landwirtschaftlichen Kohlenstoffemissionen in der Provinz Guangdong effektiv vorhersagen kann, die im Jahr 2030 voraussichtlich zwischen 11.142.200 Tonnen und 11.386.600 Tonnen schwanken werden. Und im Vergleich zu anderen Modellen für maschinelles Lernen und neuronale Netzwerke schneidet das Isomap-ACO-ET-Modell besser ab Vorhersageleistung mit einem MSE von 0,00018 und einer Genauigkeitsrate von 98,7 %. Die politischen Empfehlungen für die Entwicklung einer kohlenstoffarmen Landwirtschaft in der Provinz Guangdong lauten wie folgt: Erstens: Verbesserung der landwirtschaftlichen Praktiken, Verringerung der Intensität der Anwendung von Agrochemikalien und Erhöhung des Niveaus der Kohlenstoffbindung im Boden. Das Hauptaugenmerk liegt auf der Transformation traditioneller Anbaumethoden und der Umsetzung konservierender Bodenbearbeitung sowie auf der Verbesserung der Effizienz des Einsatzes kohlenstoffreicher Produktionsmaterialien wie chemischer Düngemittel und Pestizide und der Reduzierung der Intensität ihrer Anwendung. Zweitens die Entwicklung und Förderung landwirtschaftlicher Technologien zur Energieeinsparung und Emissionsreduzierung sowie kohlenstoffarmer Energiequellen stärken und die Intensität der Kohlenstoffemissionen aus dem landwirtschaftlichen Energieverbrauch verringern. Das Hauptaugenmerk liegt auf der Stärkung der Entwicklung und Förderung von Technologien zur Energieeinsparung und Emissionsreduzierung in der Landwirtschaft sowie auf der Verbesserung der Effizienz der Energienutzung. Darüber hinaus werden ländliche erneuerbare Energiequellen energisch entwickelt und genutzt und die Struktur des Energieverbrauchs in der landwirtschaftlichen Produktion optimiert. Drittens: Optimieren Sie die Struktur des landwirtschaftlichen Anbaus und entwickeln Sie grüne Agrarprodukte und agrarökologischen Tourismus entsprechend den örtlichen Gegebenheiten.

In diesem Artikel wurde eine empirische Studie zu landwirtschaftlichen Kohlenstoffemissionen in der Provinz Guangdong durchgeführt, es gibt jedoch noch einige Bereiche, die weiterer Forschung und Verbesserung bedürfen. Aufgrund der landwirtschaftlichen Kohlenstoffemissionen sind derzeit viele Einflussfaktoren in die Forschung involviert. Neben Wirtschaftswachstum und technologischem Fortschritt werden auch andere Aspekte wie lokale und nationale Richtlinien Auswirkungen haben. Zukünftig kann der Umfang der Forschung erweitert werden, um die Auswirkungen von Vorschriften und Richtlinien auf die Landwirtschaft zu untersuchen, und die regionalen Merkmale der Provinz Guangdong können analysiert werden, um die Situation der landwirtschaftlichen Kohlenstoffemissionen in der Provinz Guangdong weiter zu untersuchen.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Gyamfi, BA, Agozie, DQ & Bekun, FV Können technologische Innovation, ausländische Direktinvestitionen und natürliche Ressourcen die BRICS-Volkswirtschaften im gegenwärtigen Industriezeitalter etwas entlasten? Technol. Soc. 70, 102037 (2022).

Artikel Google Scholar

Whelan, MJ, Linstead, C. & Worrall, F. Ist die Wasserqualität in britischen Flüssen „besser als jemals zuvor seit dem Ende der industriellen Revolution“? Wissenschaft. Gesamtumgebung. 843, 157014 (2022).

Artikel ADS CAS PubMed Google Scholar

Vaz Jr., S., de Souza, APR & Baeta, BEL Technologien zur Kohlendioxidabscheidung: Eine Überprüfung für Energiesektoren. Sauber. Ing. Technol. 8, 100456 (2022).

Artikel Google Scholar

Gür, TM Kohlendioxidemissionen, Abscheidung, Lagerung und Nutzung: Überprüfung von Materialien, Prozessen und Technologien. Prog. Energieverbrennung. Wissenschaft. 89, 100965 (2022).

Artikel Google Scholar

Dyurgerov, MB & Meier, MF Klimawandel im 20. Jahrhundert: Beweise aus kleinen Gletschern. Proz. Natl. Acad. Wissenschaft. 97(4), 1406–1411 (2000).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Kutuzov, S. & Shahgedanova, M. Gletscherrückgang und Klimavariabilität im östlichen Terskey-Alatoo, im inneren Tien Shan zwischen der Mitte des 19. Jahrhunderts und dem Beginn des 21. Jahrhunderts. Globaler Planet. Änderung 69(1–2), 59–70 (2009).

Artikel ADS Google Scholar

Balafoutis, A. et al. Präzisionslandwirtschaftstechnologien tragen positiv zur Reduzierung der Treibhausgasemissionen, zur landwirtschaftlichen Produktivität und zur Wirtschaftlichkeit bei. Nachhaltigkeit 9(8), 1339 (2017).

Artikel Google Scholar

Menegat, S., Ledo, A. & Tirado, R. Treibhausgasemissionen aus der weltweiten Produktion und Verwendung von stickstoffsynthetischen Düngemitteln in der Landwirtschaft. Wissenschaft. Rep. 12(1), 14490 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Xu, X. et al. Die globalen Treibhausgasemissionen tierischer Lebensmittel sind doppelt so hoch wie die der pflanzlichen Lebensmittel. Nat. Essen 2(9), 724–732 (2021).

Artikel CAS PubMed Google Scholar

Tubiello, FN et al. Treibhausgasemissionen aus Lebensmittelsystemen: Aufbau der Evidenzbasis. Umgebung. Res. Lette. 16(6), 065007 (2021).

Artikel ADS CAS Google Scholar

Qader, MR, Khan, S., Kamal, M., Usman, M. & Haseeb, M. Prognose der Kohlenstoffemissionen aufgrund der Stromerzeugung in Bahrain. Umgebung. Wissenschaft. Umweltverschmutzung. Res. 29, 1–12 (2021).

Google Scholar

Celik, S. Die Auswirkungen des Klimawandels auf das menschliche Verhalten. Umwelt, Klima, Pflanzen- und Vegetationswachstum 22, 577–589 (2020).

Google Scholar

IPCC. Klimawandel 2007: Eindämmung des Klimawandels. Beitrag der Arbeitsgruppe III zum vierten Sachstandsbericht des zwischenstaatlichen Gremiums für Klimawandel, 63–67 (Cambridge University Press, Cambridge, 2007).

Mi, Z., Wei, YM & Wang, B. Sozioökonomische Folgenabschätzung des Höhepunkts der CO2-Emissionen Chinas vor 2030. J. Clean. Prod. 142, 2227–2236 (2017).

Artikel Google Scholar

Wang, G., Liao, M. & Jiang, J. Forschung zu landwirtschaftlichen Kohlenstoffemissionen und regionalen Strategien zur Reduzierung von Kohlenstoffemissionen in China. Nachhaltigkeit 12(7), 2627 (2020).

Artikel CAS Google Scholar

Chen, Y., Li, M., Su, K. & Li, X. Räumlich-zeitliche Eigenschaften der treibenden Faktoren landwirtschaftlicher Kohlenstoffemissionen: Empirische Beweise aus Fujian, China. Energien 12(16), 3102 (2019).

Artikel CAS Google Scholar

Xiong, C., Chen, S. & Xu, L. Analyse der treibenden Faktoren landwirtschaftlicher Kohlenstoffemissionen basierend auf dem erweiterten STIRPAT-Modell der Provinz Jiangsu, China. Wachstumswandel 51(3), 1401–1416 (2020).

Artikel Google Scholar

Yang, H., Wang, X. & Bin, P. Reduzierung der Kohlenstoffemissionen in der Landwirtschaft und sich ändernde Faktoren für das Wachstum der landwirtschaftlichen Ökoeffizienz in China. J. Sauber. Prod. 334, 130193 (2022).

Artikel CAS Google Scholar

Hu, C., Fan, J. & Chen, J. Räumliche und zeitliche Merkmale und Treiber landwirtschaftlicher Kohlenstoffemissionen in der Provinz Jiangsu, China. Int. J. Umgebung. Res. Öffentliche Gesundheit 19(19), 12463 (2022).

Artikel PubMed PubMed Central Google Scholar

Zhou, Y., Wang, T., Peng, R. & Hu, H. Räumlich-zeitliche Merkmale und Faktoren der landwirtschaftlichen Kohlenstoffemissionen in der Gürtel- und Straßenregion Chinas. Pol. J. Umgebung. Zucht. 30(3), 2445–2457 (2021).

Artikel CAS Google Scholar

Zang, D., Hu, Z., Yang, Y. & He, S. Forschung zum Zusammenhang zwischen der Intensität der landwirtschaftlichen Kohlenstoffemissionen, der landwirtschaftlichen Wirtschaftsentwicklung und dem Agrarhandel in China. Nachhaltigkeit 14(18), 11694 (2022).

Artikel Google Scholar

Shu-jie, Y., Yu-bo, L. & Shou-gang, Y. Eine empirische Analyse der Entkopplungsbeziehung zwischen landwirtschaftlichen Kohlenstoffemissionen und Wirtschaftswachstum in der Provinz Jilin. In der IOP-Konferenzreihe: Materials Science and Engineering 392, 062101 (2018).

Artikel Google Scholar

Wang, R. & Feng, Y. Forschung zur Bewertung der landwirtschaftlichen Kohlenstoffemissionseffizienz Chinas und zur regionalen Differenzierung basierend auf DEA- und Theil-Modellen. Int. J. Umgebung. Wissenschaft. Technol. 18, 1453–1464 (2021).

Artikel CAS Google Scholar

Zhang, X., Zhou, X. & Liao, K. Regionale Unterschiede und dynamische Entwicklung der landwirtschaftlichen Kohlenstoffemissionseffizienz Chinas. Int. J. Umgebung. Wissenschaft. Technol. 20, 1–18 (2022).

Google Scholar

Panchasara, H., Samrat, NH & Islam, N. Treibhausgasemissionstrends und Minderungsmaßnahmen im australischen Agrarsektor – Ein Überblick. Landwirtschaft 11(2), 85 (2021).

Artikel CAS Google Scholar

Cui, Y., Khan, SU, Deng, Y., Zhao, M. & Hou, M. Umweltverbesserungswert der landwirtschaftlichen Kohlenstoffreduzierung und ihre räumlich-zeitliche dynamische Entwicklung: Beweise aus China. Wissenschaft. Gesamtumgebung. 754, 142170 (2021).

Artikel ADS CAS PubMed Google Scholar

Sun, Y. Der Erfolg, die Bedeutung und die Zukunftsaussichten von Chinas Initiative für erneuerbare Energien. Int. J. Energy Res. 44(15), 12209–12244 (2020).

Artikel Google Scholar

Liu, W. et al. Dynamische Beziehungen, regionale Unterschiede und Antriebsmechanismen zwischen wirtschaftlicher Entwicklung und Kohlenstoffemissionen der Agrarindustrie: empirische Belege aus dem ländlichen China. Int. J. Umgebung. Res. Öffentliche Gesundheit 18(5), 2257 (2021).

Artikel PubMed PubMed Central Google Scholar

Ding, S., Keal, CA, Zhao, L. & Yu, D. Dimensionsreduktion und Klassifizierung für hyperspektrale Bilder basierend auf robustem überwachtem ISOMAP. J. Ind. Prod. Ing. 39(1), 19–29 (2022).

Google Scholar

Gong, M., Wang, J., Bai, Y., Li, B. & Zhang, L. Wärmelastvorhersage von Wohngebäuden basierend auf diskreter Wavelet-Transformation und baumbasiertem Ensemble-Lernen. J. Bauen. Ing. 32, 101455 (2020).

Artikel Google Scholar

Deng, W., Xu, J. & Zhao, H. Ein verbesserter Algorithmus zur Optimierung von Ameisenkolonien basierend auf Hybridstrategien für Planungsprobleme. IEEE Access 7, 20281–20292 (2019).

Artikel Google Scholar

York, R., Rosa, EA & Dietz, T. STIRPAT, IPAT und ImPACT: Analysetools zur Aufklärung der treibenden Kräfte von Umweltauswirkungen. Ökologisch. Wirtschaft. 46(3), 351–365 (2003).

Artikel Google Scholar

Wehmeyer, H., de Guia, AH & Connor, M. Reduzierung des Düngemitteleinsatzes in Südchina – Auswirkungen und Auswirkungen auf kleinbäuerliche Reisbauern. Nachhaltigkeit 12(6), 2240 (2020).

Artikel CAS Google Scholar

Wang, JA, Liang, S. und Shi, P. Chinas Öffnung und Handel. In The Geography of Contemporary China, 337–376 (2022).

Wu, H. et al. Leistung der kohlenstoffarmen Nutzung von Ackerland in China: Messung, räumlich-zeitliche Merkmale und treibende Faktoren. Wissenschaft. Gesamtumgebung. 800, 149552 (2021).

Artikel ADS CAS PubMed Google Scholar

Wang, Y. et al. CO2-Peak und CO2-Neutralität in China: Ziele, Umsetzungspfad und Perspektiven. China Geol. 4(4), 720–746 (2021).

CAS Google Scholar

Wang, J. & Dai, C. Ermittlung des räumlich-zeitlichen Musters der Nichtgetreideproduktion von Cropland und seiner Auswirkungen auf die Ernährungssicherheit in China. Lebensmittel 11(21), 3494 (2022).

Artikel PubMed PubMed Central Google Scholar

Liao, C., Zuo, Y., Law, R., Wang, Y. & Zhang, M. Räumliche Differenzierung, Einflussfaktoren und Entwicklungspfade ländlicher Tourismusressourcen in der Provinz Guangdong. Land 11(11), 2046 (2022).

Artikel Google Scholar

Referenzen herunterladen

Förderprogramm des Ministeriums für Wissenschaft und Technologie, Förder-/Auszeichnungsnummer: 2021ZD0113702.

Fakultät für Wirtschaft und Management, Xidian University, Xi'an, 710071, China

Yanwei Qi, Huailiang Liu & Jianbo Zhao

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

YQ und HL haben die Studie entworfen; YQ und JZ führten die Datenanalyse durch; HL und JZ analysierten die Ergebnisse; YQ und JZ haben das Manuskript mit Beiträgen aller Autoren geschrieben.

Korrespondenz mit Yanwei Qi.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Qi, Y., Liu, H. & Zhao, J. Vorhersagemodell und Demonstration regionaler landwirtschaftlicher Kohlenstoffemissionen basierend auf Isomap-ACO-ET: eine Fallstudie der Provinz Guangdong, China. Sci Rep 13, 12688 (2023). https://doi.org/10.1038/s41598-023-39996-5

Zitat herunterladen

Eingegangen: 10. März 2023

Angenommen: 03. August 2023

Veröffentlicht: 04. August 2023

DOI: https://doi.org/10.1038/s41598-023-39996-5

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.