李聪慧 黄林昊 祁芳斌 王慰娟 张先佶
（福建开放大学，福建 福州，350003）
人类社会高速发展对能源的消耗带来碳排放量的与日剧增，随之而来的全球气候变化造成难以估计的生态危机受到全人类的共同关注。[1]“双碳”政策在各行业的贯彻落实是我国自2020 年作出该国际承诺以来的有力保障，也是作为最大发展中国家探索缓解全球气候变化，构建人类命运共同体的大义之举。[2]近年来，机器学习算法的优化使得通过学习现有数据规则预测未来发展趋势越来越准确，而要实现碳达峰、碳中和，最根本的是要对碳排放量进行有效预测，在此基础上施行更合理的政策引领、制度改革以及产业结构调整[3-5]等举措。目前，国内外围绕机器学习和“双碳”的单方面研究已逐渐成为热点，有关机器学习在排碳量估计及预测方面应用的综述性文章，大部分偏向于模型的总结[6]或某项具体方法的探讨，如碳捕获过程概述[7]等，系统全面的分析尚缺乏明晰的量化。文献计量分析以其直观的可视化结果和客观的量化分析，[8]为揭示机器学习在碳排放相关领域的研究现状及发展趋势提供了可能。研究通过系统分析近十年来机器学习在碳排放相关领域的国内外应用研究现状，提出该领域未来发展的空缺和重点，将对推动机器学习算法在碳排放领域的深度应用提供理论基础。
2023 年4 月2 日选取近十年来（2013 年1月1 日—2023 年4 月1 日）中国知网（CNKI）和Web of Science 核心合集（WOS）两个数据库进行关键词搜索，分别设置中英文检索条件，中文检索词为“神经网络and 碳排放”or“深度学习and 碳排放”or“机器学习and 碳排放”；
英文检索词“deep learning and carbon emission”or“machine learning and carbon emission”or“neural network and carbon emission”。经过保留期刊文献及学位论文，剔除与研究方向无关的主题等筛选，最终CNKI数据库中选取相关文献506 篇，WOS 中选取相关文献1772 篇。文献的分析和处理使用当前常用于文献计量分析的CiteSpace 6.2.R2 软件，对关键词、作者、国家、研究机构等进行科学分析和可视化呈现。数据处理和制图使用Microsoft Office Excel 2019。
（一）研究总体分布情况
2013—2022 年国内外基于机器学习的碳排放研究领域发文量呈指数增长（见图1）。外文期刊较中文期刊具有更强内生力。随着2012年深度卷积神经网络AlexNet[9]作为深度学习新纪元重新点燃了业界对深度学习的热情，碳排放量的估计和预测领域也作出新尝试，相关研究随着各国对全球气候变化的重视迅速成为热点，尤其自2016 年以来真正进入快速发展时期，这可能与AlphaGo[10]战胜人类的热度为各行业打开了一道融合发展的大门有关。能源资源禀赋结构和生产力布局调整等多重压力下，[11]我国碳排放总量居于世界领先地位，[12]但人类命运共同体的大国担当展现在深度学习掀起机器学习浪潮之初，国内学者便展开了相关碳排放估计和预测的研究，CNKI 近十年来平均发文量49 篇/年，WOS 平均发文量160 篇/年。可见，碳排放对全球气候变化影响的国际共识已逐步深化，而我国的研究也从探索国内可行性向人类命运共同体大局出发。由表1 可见，近十年来，我国是将机器学习应用于碳排放领域研究的领先国家，相关发文量占国际发文总量的43.74%，约与发文量排名前六的其他国家总量相当，而将“双碳”承诺转化为绝对科研热度，更展现出作为发展中国家为全球气候变化作贡献的决心。澳大利亚的中心度最高（0.15），我国的中心度较低（0.01），表明我国还需投入更大精力在该领域的深入研究中。此外，该领域的综述性文章虽已有61 篇，但主要侧重于技术改革、清洁能源、森林监测以及火灾探测等相关领域展开，其中，我国相关综述类分析占比近三分之一，且多侧重于“双碳”背景下城市建设的节能减排建设方案，如汽车电池优化、[13]废弃物处理、[14]政策介导[15]等，在碳排放量的估计和预测方面的研究还存在缺口。
表1 Web of Science 近十年基于机器学习的碳排放研究领域发文量排名前十国家
图1 近十年基于机器学习的碳排放研究领域发文量统计
（二）研究作者及机构分析
基于机器学习的碳排放研究尚处于起步阶段，领域内作者并未出现较明显的集群现象。由表2 可见，近十年发文最多的学者Sun，Wei自2016 年以来也才发表10 篇SCI 论文，但从作者层面依旧展现出我国学者对将机器学习应用于碳排量估计和预测等方面的重视。通过CNKI 作者分析也表明，该领域作者发文量并不集中，可见，该领域的国内合作研究仍需加强。
表2 发文量排名前五作者
基于机器学习的碳排放研究领域科研机构分析（表3）可见，华北电力大学在国内外均表现出对该领域研究的绝对优势，既是国内最早开展研究的机构，也是综合发文量最大的机构，近十年来的总发文量达113 篇，占该领域国际总研究的5%。中国科学院在该领域的研究也较为突出，自2016 年以来发文79 篇，且中心度达到0.16，是该领域研究的核心机构，可以预测，未来中国科学院将在该领域发挥更大作用。
表3 发文量排名前五机构
（三）关键词及研究趋势分析
高频关键词是研究领域热点和趋势的代表，[16]近十年来基于机器学习的碳排放研究热点见图2。国内研究热点围绕碳排放（关键词出现89 次）、神经网络（30 次）、机器学习（28次）、影响因素（24 次）以及预测（20 次）等展开，国际热点以machine learning（319 次）、artificial neural network（206 次）、model（192次）、prediction（192 次）等为重点。可见，国内外的研究热点主要为碳排放量的预测，国内侧重于碳排放量对城市治理和产业结构的综合影响，而国际则更侧重于算法的优化。
图2 近十年基于机器学习的碳排放研究领域关键词共现图谱
国内外关键词聚类图谱的可视化结果进一步清晰对比了研究趋势，节点大小指示着领域发展热度持续时间和趋势变化重点。研究基于对数似然比（Log-likelihood Ratio）算法[17]的聚类结果加以分析，由图3 可见，国内相关领域的研究相对较集中，在11 个关键词聚类结果中，神经网络成为机器学习中的重点，在碳排放研究中占据重要地位。但在神经网络具体方法上，国内相关研究并未有所突破，将一些当前热门神经网络模型，如可提取空间特征的卷积神经网络、[18]可提取时间特征的循环神经网络和长短期记忆网络[19]以及可提取时空特征的图卷积神经网络[20]等应用于评价和预测模型构建上，将是未来该领域的最大努力方向。此外，在国内“双碳”政策大背景下，一些关于低碳节能的产业研究方向也是当下研究的主流，石油、森林、海洋等资源的合理利用，[21-23]车辆、船舶、交通等建设的节能减排，[24-26]以及人类生活方式改变等城市改革方案制订[4，5，27]等一些领域都在探索可行路径，但目前领域间差异融合尚未形成相对统一的模式，有待进一步深入探索。
图3 基于机器学习的碳排放研究领域（CNKI）关键词聚类时间线图
图4 所示，国际相关领域的研究则更为丰富，关键词的14 个聚类结果都相对独立又彼此联系，构建起利用机器学习方法研究碳排放的多元路径，在作用对象方面有关于柴油机（#3）、禽舍（#10）、压缩天燃气（#12）等不同方向策略性研究，该方面与空气污染（#4）相关研究息息相关，这可能就引起对碳价格预测（#8）的需求；
另一条与环境相关的研究线路中，碳的水相（#6）化处理与碳贮存（#5）有关联；
而以上过程的研究将回归到生命周期评估（#2）上来，对于社会面经济增长（#1）具有最终指向性。
图4 基于机器学习的碳排放研究领域（WOS）关键词聚类图谱（上）及关联趋势图（下）
基于机器学习研究碳排放的关键词突现分析（表4）可以看出，国内外相关研究强度介于2 ～9 之间，国外突现强度略高于国内，其中以“aqueous solution”强度最高（8.21），国内则以“预测模型”强度最高（3.43）。从时间维度来看，2016—2018 年突现词最多，且以国外关于深度学习模型算法的研究居多。总体来看，关键词突现与聚类结果相一致，国外相关研究以深度学习中的神经网络优化为主，在2015 年“artificial neural network”突现词出现后，2017 年逐渐出现关于利用粒子群算法（particle swarm optimization）的优化以及基于梯度下降优化算法的“bp neural network”的研究，而2018 年又进一步在神经网络中加入模糊算法的优化从而突现出自适应模糊神经网络（anfis）。与国外相关研究相比，国内关键词突现出现的时间相对较迟，虽然自2008 年新修订的《中华人民共和国节约能源法》使“节能减排”以法律责任的形式得以细化，且在2011 年首次下发的《“十二五”控制温室气体排放工作方案》进一步推动了碳排放领域与同一时期出现的深度学习相融合，但“节能减排”关键词自2013年突现后并未在国内引起相关研究的深入，自2020 年才又在国内逐渐引起重视，且由突现词可见国内相关研究尚处于起步阶段，尤其需要与国际接轨，更多重视深度学习在排碳量预测领域的应用，才能赋予“双碳”政策以更丰富的时代价值。
表4 基于机器学习的碳排放研究领域（CNKI 和WOS）关键词突现分析表
我国是最早尝试将机器学习算法应用于碳排放研究领域的国家，且近十年来，我国对该领域的重视程度远高于其他国家，表现出全球最大的发展中国家在缓解气候变化上的坚持；
但从发文总量和作者及机构的发文贡献上来看，我国的研究进展尚处于起步阶段，国内作者的研究集群合力还不明显；
华北电力大学作为研究的核心机构需要与具有科研潜力的中国科学院合力推动该领域的高质量研究开展，如碳捕获技术开发、[7]能源优化利用、[28]深度学习算法优化、[29]生态补偿标准制订[4]以及企业行业结构调整措施改革[3]等。
深度学习在排碳量估计及预测领域应用是当前国内外研究热点。目前，国际上的相关研究较为系统全面，构建起由碳生命周期评估指示社会经济增长的全链条联系，并分为两条路径加以解决，一条由具体环境污染问题解决，上升到碳价格预测；
另一条则以碳的水相处理，上升到碳贮存技术优化，该思路为国内研究提供了借鉴，需要在关注产业政策及企业、社会生活方式变革的基础上，优化升级算法适用性，提升碳排量估计和预测精度。
从关键词聚类的国内11 个聚类结果和国际14 个聚类结果来看，神经网络算法在碳排放研究领域的应用是国内外研究的重点和热点，当前的神经网络算法已对最初提出的人工神经网络做了更多如粒子群算法、[30]梯度下降算法[25]以及模糊算法[31]等处理，方法的优化将对碳排放量的估计和预测发挥有力作用，需结合人类社会发展的碳减排技术和举措改革进一步深化研究，为减缓全球气候变化提供新依据。
利用机器学习算法对碳排放量的估计及预测将是我国贯彻“3060 双碳”政策的大势所驱，尤其是深度学习算法的优化为排碳量准确计算和预测结果的精度提升提供了强大的技术动力，但该领域纵深研究上还缺乏较为系统全面的国际和国内合作，未来领域研究的重点和趋势也需进一步从智能化技术改进和科学化评估预测双向发力，加快教产学研一体化建设，推动科研产出向产业发展的有机转化，真正站在人类命运共同体的高度攻克极端气候频发等气候变化难关。
猜你喜欢 发文机器聚类 机器狗环球时报(2022-07-13)2022-07-13机器狗环球时报(2022-03-14)2022-03-1410条具体举措！ 山东发文做好返乡留乡农民工就地就近就业今日农业(2020年14期)2020-08-14未来机器城电影(2018年8期)2018-09-21校园拾趣阅读(低年级)(2018年10期)2018-05-14爷孙趣事阅读(低年级)(2018年11期)2018-05-14以牙还牙阅读(低年级)(2018年12期)2018-03-23基于DBSACN聚类算法的XML文档聚类电子测试(2017年15期)2017-12-18基于高斯混合聚类的阵列干涉SAR三维成像雷达学报(2017年6期)2017-03-26无敌机器蛛小猕猴智力画刊(2015年4期)2015-04-28