Long-term variation characteristics of radiation in the tropical seasonal rainforest in Xishuangbanna, southwestern China
-
摘要:目的 太阳辐射是森林生态系统最主要的能量来源，同时是影响森林生态系统区域气候与环境的最重要因素之一。探讨森林辐射长期变化特征，以期为气候变化、热带地区森林生产力、辐射能量平衡的研究以及辐射模型的建立和验证等建立研究基础。方法 利用西双版纳热带季节雨林14年（2003—2016）辐射实测数据，对不同时间尺度的辐射各分量变化特征及其占总辐射的比率进行了比较分析。结果 西双版纳热带季节雨林的总辐射、净辐射、反射辐射、大气逆辐射和林冠向上长波辐射的年平均值分别为：5 268.8、3 151.5、513.8、12 468.6、13 299.3 MJ/m2。总辐射的年际变化呈波动上升趋势，相反，净辐射的年际变化呈显著下降趋势；受大气状况的影响，大气逆辐射的年际变率较大，导致有效辐射的年际变率较大，而林冠向上的长波辐射年际变率较小；受研究区域特殊天气、季节性雾的影响，大气逆辐射日变化曲线在干季呈双峰型，雨季呈单峰型；在不同时间尺度上，林冠向上的长波辐射高于大气逆辐射，表明热带季节雨林林冠是大气的一个热源。净辐射占年总辐射的比率在60%左右，年际变化呈显著下降趋势，反射辐射和有效辐射占年总辐射的比率变化不大；净辐射占总辐射比率在昼间高，清晨和傍晚低，日变化曲线呈倒U型，反射辐射和有效辐射占总辐射的比率在昼间低，清晨和傍晚高，日变化曲线呈U型。结论 西双版纳热带季节雨林辐射除受到太阳活动、云量和水汽等因子的影响外，还受区域小气候的影响，如季节性落叶和季节性雾。研究森林辐射特征的长期变化，对于气候变化研究、气候模型验证和森林生产力研究等具有重要意义。Abstract:Objective Solar radiation is the main source of energy and also one of the most important influencing factors affecting the local and regional climate and environment of forest ecosystem. However, long-term changes of radiation data are needed to focus on climate change research. Exploring the long-term characteristics of solar radiation of forest is very important to establish a research foundation for climate change, tropical forest productivity, radiation energy balance, and the establishment and verification of radiation models. In order to explore the long-term changes of radiation characteristics of tropical seasonal rainforest in Xishuangbanna of southwestern China, the observation of ground based long-term radiation had been conducted.Method The characteristics of the ratio of various components to solar radiation had been explored in a tropical seasonal rainforest in Xishuangbanna on different time scales from 2003 to 2016.Result The multi-year mean annual values of total radiation, net radiation, reflected radiation, atmospheric invers-radiation and upward canopy long-wave radiation were: 5 268.8, 3 151.5, 513.8, 12 468.6, 13 299.3 MJ/m2, respectively. The inter-annual variation of global radiation showed a fluctuating upward trend, whereas the net radiation fluctuates showed a downward trend, and a significant decrease in the proportion of global radiation. The inter-annual variability of atmospheric invers-radiation was higher due to the different atmospheric conditions were mainly affected, which resulting in a large inter-annual variability of the effective radiation. Whereas the inter-annual variability of upward canopy long-wave radiation was lower, indicating that the canopy long-wave radiation of tropical seasonal rainforest was not changed too much. The diurnal variation curve of atmospheric inverse-radiation was bimodal in the dry season and unimodal in the rainy season. On different time scales, the upward long-wave radiation from the forest canopy was higher than the atmospheric inverse-radiation, indicating that the tropical seasonal rainforest canopy was a heat source for the atmosphere. The ratio of net radiation to Comment annual global radiation was about 60%, and the inter-annual variation showed a significant downward trend. The ratios of reflected radiation and effective radiation to annual global radiation were relatively stable. The ratio of net radiation to global radiation was high during the daytime but low at dawn and dusk, which showed an inverted U-shaped curve. The ratios of reflected radiation and effective radiation to total radiation were lower during the daytime and higher at dawn and dusk, which showed U-shaped curves.Conclusion In addition to being affected by general factors such as solar activity, cloud cover and water vapor, the radiation of Xishuangbanna tropical rainforest is also affected by regional climates, such as seasonal defoliation and seasonal fog weather. The study of long-term changes in forest radiation characteristics have great significance for climate change research, climate model verification and forest productivity research.
-
全球气候变暖是人类迄今所面临的最严重的环境问题。解决气候变暖问题的主要措施之一就是减少温室气体的排放。CO2作为主要的温室气体，在全球温室气体减排中有着举足轻重的地位。自从《京都议定书》生效以来，各国对碳排放给予相当程度的关注[1]，我国也于2013年开始了7个省市的碳排放权交易试点。目前，已有8个省市加入了碳排放权交易试点，国家发改委也正式宣布于2017年12月19日启动全国碳交易市场[2]。中国碳市场已超过欧盟成为全球最大的碳市场，但中国碳交易价格上下波动，基本维持在每吨30元人民币上下，很难满足减排的需要，也难以刺激碳汇造林的积极性。因此，加强对中国碳交易市场价格的管理，成为碳交易市场发展的重点，也成为碳排放权交易管理的难点。
1. 研究背景
众所周知，自1992年联合国通过了《联合国气候变化框架公约》以来，1997年又通过了《京都议定书》。《京都议定书》规定，碳交易是促进全球温室气体减排的新途径。2009年联合国召开了《联合国气候变化框架公约》第15次缔约国会议，温室气体减排量，尤其是CO2减排量成为各国关注的焦点。欧洲很多国家也成为倡导降低全球碳排放的先锋，并相继成立了很多碳交易所和环交所，促进减排工作的发展。领衔这些交易所的就是2003年建立的欧盟碳排放交易体系(European Union Emission Trading Scheme，EU ETS)。该体系承担欧洲各国温室气体排放量核配规划工作，以减小CO2的排放[1]。在全球CO2交易中，EUETS的碳交易约占全球碳排放量的一半。自碳排放权交易市场创立以来，根据统计，2006年全球碳市场交易额达到312.35亿美元，2010年接近1 419亿美元[3]。2011年底，我国也批准在北京、天津、上海、广东、深圳、湖北、重庆7个省市开展碳排放权交易的试点工作。自从2013年开始交易以来，截至2017年9月，全国累计配额交易量达到1.97亿t CO2当量，约45亿元人民币[2]。全国约3 000家重点排放单位在这些试点市场进行了交易，涵盖了电力、钢铁、水泥等多个行业，为我国碳市场的全面开展打下一定的基础。
总体来看，我国碳市场的有效性不足，碳交易试点的市场碳价较低，很难发挥市场促进CO2减排的作用。有关研究表明，按照目前的发展趋势，2020年后，碳价才有可能达到每吨200~300元人民币，才有可能起到促进企业减少CO2减排的作用[2-4]。
国内外对碳交易市场的价格都有一定的研究，尤其是Hritonenko等[5]采用经济控制论的方法，把经济—生态看成一个大的控制系统，即经济—生态系统(Economic-ecological system，EES)，并采用最优控制的方法对碳汇的价格进行了系统研究。Blyth等对政策作用、碳市场的风险和碳交易价格的形成等进行了深入研究[6]。近年来，IPCC对全球农业、林业和其他土地利用视角下的碳汇、碳源及其碳交易价格的研究较多[7]，并且具有一定的参考价值。2016年，陈欣[8]等对我国的7个碳交易试点的价格专门进行了研究，并对交易价格的驱动因素与结构性断点进行了分析。叶斌[9]等研究了碳排放的影子价格。但是，对于2013年以来我国碳交易试点的交易价格分析，尤其是对不同时间交易价格的分段分析和相关模型的研究较少，对不同交易价格对林业碳汇造林的影响研究更少[10]。因此，在此背景下，本文采用分类分析的方法，即主要采用该方法中聚类分析和判别分析的方法对2013年以来中国碳交易试点的交易价格进行分析，并建立碳交易价格的判别方程，以期为相关管理决策提供参考。
2. 研究方法与数据来源
2.1 研究方法
本研究主要采取分类分析的方法进行研究。分类分析主要包括聚类分析和判别分析，是一种研究多变量分类的分析方法[11]。聚类分析(Cluster Analysis)是根据事物在某些特征上的相似性或相异性，并按这些特性将事物划分成不同类别的方法。聚类分析的方法相当多，主要有系统聚类法和非系统聚类法。二者的主要步骤是选择变量、相似性测量、进行聚类和对聚类结果进行解释。本研究中主要采用系统聚类法，并根据中国碳交易试点的统计数据，把2013—2018年不同交易试点、不同年份的1—12月的碳交易量、交易价格等进行聚类，以寻求交易价格的变化规律。
判别分析(Discriminant Analysis)是一种由一个分类变量作为因变量，多个连续的判别变量作为自变量的多变量分析方法。判别分析与回归分析最大的不同在于因变量的量表不一样。回归分析因变量一般为连续数据，判别分析为分类变量[11]。判别分析的基本模型为：
y=b0+k∑i=0bixi (1) 式中：y是判别函数值；xi为判别变量；bi为相对应的判别系数；i=0，1，…，k，为判别变量的个数。
本研究中针对不同年份和月份的碳交易价格类别，采用判别分析方法建立不同类型交易价格的判别函数。
2.2 数据来源
研究数据主要来源于中国碳排放交易网[12]。我国碳排放权交易始于2013年6月17日。在开始交易中，主要包括7个试点省市区，即深圳、北京、上海、广东、天津、湖北、重庆。2017年1月，福建省也加入碳排放权交易试点行列。因此，在数据收集过程中，主要列出8个碳排放权交易试点省市区，即深圳、北京、上海、广东、天津、湖北、重庆、福建(按试点交易开放顺序排列)。另外，在数据收集过程中，研究主要采用线上数据收集的方法进行碳交易价格和交易量的统计。根据中国碳排放交易网站所公布的碳交易行情变化图(碳K线)[13]，将2013年6月至2018年3月的碳交易价格和交易量进行统计。统计中，选择每月最后一个交易日作为月份统计数据，并按时间序列和试点交易开放顺序整理成表。全国碳交易价格则采用8个试点碳交易价格加权平均值计算得到，交易量为权数，若一些试点交易没有交易量或交易价格的数据，计算中则不予计算或仅计算碳交易价格的算数平均值。最后，统计整理的2013—2018年8个碳交易试点省市和全国碳交易价格的面板数据如表 1所示。
表 1 2013—2018年8个碳交易试点省市交易价格统计Table 1. Carbon trading price statistics from 2013 to 2018 in 8 carbon trading pilot provinces in China省(市)
Province(City)年份
Year月份Month 年份
Year月份Month 6 7 8 9 10 11 12 1 2 3 4 深圳Shenzhen 2013 29.00 29.00 53.60 64.16 76.53 79.63 66.00 2014 71.58 80.14 82.00 68.93 北京Beijing 2013 0.00 0.00 0.00 0.00 0.00 51.25 50.00 2014 50.80 51.78 56.86 53.15 上海Shanghai 2013 0.00 0.00 0.00 0.00 0.00 0.00 29.80 2014 33.00 40.00 40.00 39.06 广东Guangdong 2013 0.00 0.00 0.00 0.00 0.00 0.00 60.00 2014 60.00 60.00 61.50 70.88 天津Tianjin 2013 0.00 0.00 0.00 0.00 0.00 0.00 26.78 2014 25.68 29.49 33.56 37.00 湖北Hubei 2013 0.00 0.00 0.00 0.00 0.00 0.00 0.00 2014 0.00 0.00 0.00 24.45 重庆Chongqing 2013 0.00 0.00 0.00 0.00 0.00 0.00 0.00 2014 0.00 0.00 0.00 0.00 福建Fujian 2013 0.00 0.00 0.00 0.00 0.00 0.00 0.00 2014 0.00 0.00 0.00 0.00 全国China 2013 29.00 29.00 53.60 64.16 76.53 79.63 29.79 2014 30.13 45.62 56.78 24.54 省(市)
Province(City)月份Month 年份
Year月份Month 5 6 7 8 9 10 11 12 1 2 3 4 深圳Shenzhen 74.99 64.32 61.59 54.70 49.50 41.40 41.98 38.94 2015 43.50 41.83 38.85 47.50 北京Beijing 53.00 62.45 58.00 53.00 51.00 51.00 52.40 54.19 2015 53.00 54.50 50.00 50.45 上海Shanghai 38.51 48.00 48.00 48.00 34.90 35.60 35.79 32.65 2015 31.90 32.20 27.75 26.60 广东Guangdong 61.18 62.41 71.09 43.65 38.74 26.00 21.00 27.74 2015 20.68 20.88 28.16 25.81 天津Tianjin 28.01 35.58 23.88 20.35 30.09 27.25 25.20 25.22 2015 24.96 24.53 25.31 24.13 湖北Hubei 24.00 24.40 23.60 23.48 24.99 25.01 24.50 24.20 2015 24.15 21.44 26.20 25.50 重庆Chongqing 0.00 30.74 30.74 30.74 30.74 30.74 30.74 30.74 2015 30.74 30.74 24.00 24.00 福建Fujian 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 2015 0.00 0.00 0.00 0.00 全国China 34.96 42.91 23.75 34.24 27.30 30.80 28.95 26.82 2015 28.62 28.27 31.63 30.45 省(市)
Province(City)月份Month 年份
Year月份Month 5 6 7 8 9 10 11 12 1 2 3 4 深圳Shenzhen 42.42 41.01 31.70 34.50 42.90 41.57 42.61 38.90 2016 42.70 47.98 47.43 43.86 北京Beijing 46.76 40.66 42.00 49.14 39.40 45.00 33.60 40.52 2016 38.90 38.00 33.94 49.70 上海Shanghai 23.50 15.50 9.50 13.40 12.36 12.50 18.30 11.80 2016 9.20 9.80 6.70 4.94 广东Guangdong 16.67 15.28 15.20 19.40 16.50 14.99 15.00 18.85 2016 15.01 15.96 14.23 11.89 天津Tianjin 18.95 14.32 16.75 22.27 23.17 22.86 22.93 22.82 2016 22.80 23.03 23.13 23.15 湖北Hubei 23.80 25.78 24.00 24.50 23.20 21.21 23.11 24.40 2016 22.20 23.52 21.62 16.77 重庆Chongqing 24.00 18.00 15.00 15.00 15.00 10.40 12.50 12.50 2016 13.00 13.00 10.00 10.00 福建Fujian 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 2016 0.00 0.00 0.00 0.00 全国China 24.51 25.90 24.02 26.47 23.86 25.19 33.25 24.61 2016 16.19 19.29 23.11 16.12 省(市)
Province(City)月份Month 年份
Year月份Month 5 6 7 8 9 10 11 12 1 2 3 4 深圳Shenzhen 35.71 46.36 36.29 25.54 31.98 29.83 26.51 29.00 2017 32.73 31.33 35.67 36.52 北京Beijing 51.00 39.46 53.94 52.10 53.00 52.00 51.99 55.40 2017 50.35 54.98 52.14 49.98 上海Shanghai 5.50 8.79 9.80 9.80 9.80 9.80 20.60 27.21 2017 36.80 38.28 39.07 37.00 广东Guangdong 14.94 8.76 8.19 15.16 10.31 10.53 13.67 14.27 2017 17.77 14.63 15.37 14.56 天津Tianjin 23.01 7.00 14.50 14.70 15.05 15.05 15.05 15.05 2017 15.05 15.05 13.55 13.55 湖北Hubei 15.17 16.52 14.20 15.33 16.52 16.65 17.78 19.28 2017 18.04 16.91 16.96 16.22 重庆Chongqing 10.00 10.00 10.00 21.07 34.69 39.60 39.60 14.22 2017 19.99 17.60 6.00 1.43 福建Fujian 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 2017 37.74 36.72 34.60 34.01 全国China 29.66 8.35 14.23 15.37 23.06 29.06 29.83 21.78 2017 45.44 36.59 30.84 23.73 省(市)
Province(City)月份Month 年份
Year月份Month 5 6 7 8 9 10 11 12 1 2 3 深圳Shenzhen 30.95 27.21 38.96 38.76 32.19 30.82 32.12 35.75 2018 33.40 39.15 41.84 北京Beijing 52.53 50.33 50.97 51.00 51.00 50.66 57.71 54.00 2018 58.00 56.20 59.87 上海Shanghai 35.40 36.37 31.50 25.20 24.80 29.58 32.97 35.00 2018 32.50 34.82 38.62 广东Guangdong 13.98 12.85 11.64 12.81 13.50 13.44 14.23 12.91 2018 12.70 13.39 16.10 天津Tianjin 13.55 8.51 8.51 8.51 8.51 8.51 8.51 8.51 2018 8.51 8.51 8.51 湖北Hubei 16.71 13.58 13.01 12.76 13.81 13.96 14.88 15.68 2018 15.14 14.99 15.11 重庆Chongqing 3.18 1.50 1.51 2.88 2.29 2.88 2.67 9.82 2018 31.93 31.93 24.00 福建Fujian 27.41 25.47 31.60 33.30 20.00 28.10 24.83 21.79 2018 20.56 16.49 20.00 全国China 15.81 11.10 12.99 12.82 10.14 13.61 30.83 14.97 2018 13.77 31.42 25.43 注：在全国碳交易价格统计中，一些试点省市缺少碳交易的数据，交易价格则按算术平均值计算。资料来源于文献[2, 12-13]。Notes: in the statistics of national carbon trading price, some pilot provinces lack carbon trading data, and the trading price is calculated according to the arithmetic mean value. Data are cited from reference [2], [12] and [13]. 3. 结果与分析
由表 1的统计结果可以看出：2013—2018年试点地区碳交易成交量激增，交易价格出现明显上涨，价格的波动幅度较大，以2014年11—12月为例，2014年11月碳交易综合价格环比增长约126.56%，同年12月份的综合价格环比下降约51.45%。前期，最先试点的深圳、北京、上海的碳市场交易情况对全国碳交易价格影响较大，但从2014年4月起，由于湖北的碳交易量大幅上升，多次占据同期全国碳交易总额的50%以上，因此也成为影响全国碳交易价格的重要因素。另外，2013—2018年不同试点地区碳成交量激增也与不同试点地区密集出台相关政策有关。仅上海市2014年一年就出台相关碳交易政策8项多，2017年达到2项多[2]。表 1的数据显示，每年年初的碳交易成交量都较低，成交价格较高，除北京、上海外，各试点地区次月起都出现价格下降的趋势；直至7月左右，经历短暂的回升后，价格再次下跌(图 1)。因此，不同时间碳交易价格的变化呈明显的季节性变化特征。
![]()
图 1 2013—2018年1—12月全国碳交易价格变化Figure 1. National carbon trading price changes from January to December in 2013-2018为了进一步研究全国碳交易价格的变化规律，分别采用聚类分析和判别分析的方法具体进行分析研究。
3.1 聚类分析
聚类分析中，设全国1—12月的碳交易价格分别为Pi，i=1，2，…，12，即Pi=P1，P2，…，P12，碳交易价格分类为Ct(t为碳交易价格的分类数)。采用SPSS 21.0进行聚类分析。
首先，采用K-Means聚类分析方法进行快速聚类，发现2013—2018年全国各碳交易试点省市不同月份碳交易价格分为3类比较合适，即t=3。此时Kaiser-Meyer-Olkin检验, 即KMO=0.868＞0.5，巴特利特球体检验的P=0.00＜0.05，说明分类合适，也非常适合作聚类分析和判别分析。因此，再采用系统聚类方法对全国碳交易价格进行详细分析。具体的聚类结果如表 2所示，聚类分析的树状图如图 2所示。
表 2 2013—2018年全国8个碳交易试点1—12月份交易价格聚类结果Table 2. Clustering results for 8 carbon pilot trading prices between January and December from 2013 to 2018 in China1—12月份碳交易价格
Carbon trading price from January to December(Pi)P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 不同价格聚类结果
Clustering results for different prices (Ct, t=3)1 1 1 1 1 2 2 3 3 3 3 3 ![]()
图 2 全国碳交易价格聚类分析树状图Figure 2. Dendrogram of cluster analysis of national carbon trading price由表 2、图 2的结果可以看出：全国和8个试点地区碳交易价格存在明显的规律性，即每年的1—5月份为一类，一般交易价格较高；6—7月份为一类，交易价格由年初的较高逐步变低；8—12月份为一类，交易价格又由年中的较低逐步走高。
聚类分析的方差分析表如表 3所示。表 3结果说明各种变量都通过了显著性水平检验，说明聚类分析结果合理，真实反映了我国碳交易价格的变化情况。
表 3 聚类分析的方差分析表(ANOVA)Table 3. ANOVA of cluster analysis变量
Variable聚类Clustering 误差Error F值
F valueSig. 均方差Mean square error df 均方差Mean square error df P1 3 504.594 2 122.826 33 28.533 0.000 P2 4 146.392 2 130.564 33 31.758 0.000 P3 4 280.117 2 155.574 33 27.512 0.000 P4 4 819.278 2 85.792 33 56.174 0.000 P5 4 380.834 2 87.695 33 49.955 0.000 P6 4 662.146 2 88.059 33 52.944 0.000 P7 4 706.253 2 81.908 33 57.458 0.000 P8 3 459.768 2 63.359 33 54.606 0.000 P9 3 133.144 2 48.860 33 64.125 0.000 P10 2 738.797 2 63.523 33 43.115 0.000 P11 2 325.704 2 81.144 33 28.661 0.000 P12 2 273.651 2 74.563 33 30.493 0.000 3.2 判别分析
针对上面的分析结果，进一步采用判别分析的方法，定量给出不同月份碳交易价格的判别方程。判别分析中我们首先采用强入法进行分析，即把所有变量作为自变量，分类变量作为因变量进行分析。
判别分析结果的Wilks' Lambda检验见表 4。
表 4 判别分析的Wilks' Lambda检验Table 4. Test of Wilks' Lambda for discriminant analysis方程检验
Equation testWilks'
Lambda卡方值
Chi-squaredf Sig. 方程1 Equation 1 0.071 72.634 24 0.000 方程2 Equation 2 0.071 72.634 24 0.000 方程3 Equation 3 0.662 11.360 11 0.414 由表 4的Wilks' Lambda值可以看出，采用强入法进行判别分析时，判别方程1和判别方程2的Wilks' Lambda值为0.071，接近于0，其显著性检验Sig.=0.000，小于0.05的显著性水平，说明判别方程有统计学意义。方程3的Wilks' Lambda值为0.662，接近于1，其显著性检验Sig.=0.414，大于0.05的显著性水平，说明该判别方程的意义不大，仍需要采用逐步判别分析的方法进行分析。此时，采用强入法所求3个判别分析的系数如表 5所示。因此，采用强入法所求3个判别方程的具体形式如公式(2)所示。
表 5 采用强入法所求出的判别方程的系数Table 5. Discriminant function coefficients of entered method变量
Variable判别方程1
Discriminant equation 1判别方程2
Discriminant equation 2判别方程3
Discriminant equation 3P1 0.071 -0.775 -0.336 P2 0.221 2.083 0.775 P3 -0.219 -1.194 -0.343 P4 0.011 0.931 0.567 P5 0.001 -0.557 -0.406 P6 0.049 0.116 -0.002 P7 -0.084 0.157 -0.006 P8 0.032 -0.076 0.013 P9 0.166 0.679 0.276 P10 -0.055 0.368 0.181 P11 -0.050 0.006 0.143 P12 0.125 -0.110 -0.069 常数项
Constant-2.503 -41.395 -10.944 注：Fisher线性判别函数。表 7同此。Notes: Fisher's linear discriminant functions. Same as Tab. 7. 进一步采用逐步回归的方法所求的判别方程的检验结果和系数如表 6、表 7所示。
{C1=−2.503+0.071P1+0.221P2−0.219P3+0.011P4+0.001P5+0.049P6−0.084P7+0.032P8+0.166P9−0.055P10−0.050P11+0.125P12C2=−41.395−0.775P1+2.083P2−1.194P3+0.931P4−0.557P5+0.116P6+0.157P7−0.076P8+0.679P9+0.368P10+0006P11−0.11P12C3=−10.944−0.336P1+0.775P2−0.343P3+0.567P4−0.406P5−0.002P6−0.006P7+0.013P8+0.276P9+0.181P10+0.143P11−0.069P12 (2) 表 6 逐步回归的Wilks' Lambda检验Table 6. Test of Wilks' Lambda for stepwise regression步骤
Step进入
Entered统计量
Statisticsdf1 df2 df3 F值F value 统计量Statistics df1 df2 Sig. 1 P9 0.205 1 2 33 64.125 2 33 0.000 2 P4 0.138 2 2 33 27.063 4 64 0.000 表 7 逐步回归的判别方程的系数Table 7. Discriminant function coefficients of stepwise regression变量
Variable判别方程1
Discriminant equation 1判别方程2
Discriminant equation 2判别方程3
Discriminant equation 3P4 0.065 0.509 0.230 P9 0.117 0.771 0.404 常数项
Constant-1.703 -31.293 -8.440 因此，采用逐步回归的方法求得的最终碳交易价格的分类判别方程为：
{C1=−1.703+0.065P4+0.117P9C2=−31.293+0.509P4+0.771P9C3=−8.440+0.230P4+0.404P9 (3) 从方程(3)的最终结果可以看出，我国碳交易价格存在明显的季节波动性，且从2013—2018年每年的碳交易价格波动存在明显的3个类型，而且3类交易价格波动中受每年4月份、9月份的价格影响较大。
另外，从判别方程的后验结果来看，3个方程的全部样点回代检验的准确度分别为100%，说明判别方程有一定的可信度。同时，也反映出我国碳交易市场价格存在明显的季节波动性和规律性。实际上，2011年国务院出台《关于开展碳排放权交易试点工作的通知》后，2013年开始的碳排放交易试点市场，虽然交易量增长迅速，但为了平衡交易，国家发改委一定程度上控制着全国碳交易配额总量和分配方案，这在一定程度上造成了我国碳交易市场价格的季节性波动。因此，如何统一市场，均衡交易，也是我国碳市场管理所面临的一大难题。
4. 讨论
(1) 碳交易价格对林业碳汇造林和森林碳汇经营管理有重要的影响。试点省市碳交易价格不仅对碳排放权交易市场的交易量有重要的影响，也对我国林业碳汇造林有重要的影响。相关研究资料显示，国内外碳市场交易价格一直存在较大的波动，且存在较大的风险。2006年上半年国际碳排放权配额价格曾飙升至每份30欧元，而在2007年年初骤降至每份0.1欧元[14]。2008年，雷曼兄弟花费400万美元购买了中国国电集团公司62万t的碳排放权配额，平均6.5美元/t，但当时的国际市场平均价格为15.9美元/t[3]。目前，我国许多地方营造碳汇林，并想在碳交易市场中分得“一杯羹”。有些地方营造了杉木(Cunninghamia lanceolata)、马尾松(Pinus massoniana)碳汇林，也有一些地方营造了杨树(Populus spp.)、桦树(Betula spp.)等碳汇林[14]。根据2015年《中国林业统计年鉴》统计，国家储备林营造林面积5.71万hm2，总投资16.45亿元，单位面积营造林成本约为28 812.08元/hm2，折合约1 920.81元/亩[15]。在不考虑培育周期的情况下，按照目前的经营管理水平，我国乔木林单位面积蓄积为89.79 m3/hm2，年均生长量为4.23 m3/hm2，按照每生长1 m3蓄积约吸收1.83 t CO2，释放1.62 t O2计算，每公顷年均吸收7.74 t CO2 [16]。按照上面统计的数据，2017年全国8个试点省市1—12月份的碳交易的平均价格为21.57元/t CO2。在不考虑时间因素的情况下，营造碳汇林每公顷的年均最大收入约为166.95元/hm2，折算成每亩约为11.13元/亩，远低于目前实际的造林成本。从经济上来说根本收不回成本，且十分不划算。另外，按目前碳汇的长周期造林30年计算，在目前的经营管理水平和碳交易市场价格下，30年时每公顷的林业碳汇收入约为14 102.58元/hm2，也远低于目前碳汇营造林成本28 812.08元/hm2，从经济上来说也是十分不划算的[17-18]。因此，林业碳汇造林收益主要取决于碳市场交易价格的高低，这也是碳汇造林最主要的风险因素之一。从这点来说，切实做好碳市场交易价格的管理，才是促进碳市场健康发展的关键因素和影响碳汇经营管理的重要因素，这一点应引起充分的重视。
(2) 碳交易市场应建立以价格为中心的管理目标。自从我国碳交易市场2010年正式启动、2013年正式开市以来，目前已有9个碳交易市场开展试点交易，其中已有8个试点省市存在碳交易量并有成交额。截至2017年12月底，全国配额累计成交4.70亿t，成交总额104.9亿元[13]。另外，从交易价格来看，2017年北京交易价格基本稳定在55~60元/t，上海和深圳试点处于25~35元/t区间，湖北、广东稳定在15元/ t上下，差异较大。我国“十二五”规划提出了到2015年实现单位国内生产总值CO2排放比2010年下降17%的目标，并强调要更多发挥市场机制对实现减排目标的作用，并提出到2020年单位国内生产总值CO2排放比2005年下降40%~45%的目标。另外，2017年起我国有望建立全国统一的碳市场，并提出通过建立自愿碳交易市场，鼓励企业自愿参与碳减排交易[13, 15]。这些举措无疑有利于我国碳交易市场的发展，但目前的碳市场缺少长期管理目标，主要靠盲目的扩大交易规模，靠政府推动来发展。从上述研究可以看出，我国碳市场的建立应有长期的管理目标，并建立以市场机制为主，以价格为中心的管理目标，减少交易价格大起大落的风险，这样才有利于碳市场的持续、稳定、健康发展，也才能真正有利于我国减排目标的实现。另外，许多人在研究森林碳汇的过程中，也把碳汇造林作为开展生态补偿新的途径，如2017年北京市辖区内首个林业碳汇项目——顺义区碳汇造林一期项目成交量1 197 t，成交均价36.00元/t[13]。这些价格能否满足生态补偿和生态文明建设要求的需要，也值得持续关注。但无论怎样，碳交易市场应建立以价格为中心的管理目标，以确保森林在气候变化中作用的真正实现。
5. 结论
本文根据我国碳排放权交易市场的真实交易数据，采用分类分析的方法，对碳排放权交易价格的变化情况进行了分析，并对林业碳汇造林的情况进行了讨论。研究表明：
(1) 我国碳排放权交易市场价格存在明显的季节性波动和规律性，且价格的波动幅度较大。一般每年年初的碳交易成交价格较高，成交量较低，从第2月起碳交易价格开始下降，到4月份左右最低，其价格又开始上升，然后又开始下降，到6—7月，碳交易价格又比较低，再开始上升，到年末又降低。每年年初的成交价格和9—11月份左右的成交价格都比较高，但成交量往往较少。一年中的碳交易价格呈现3次3个近似的“Ⅴ”字型变化。碳交易价格的这一变化规律对碳汇价格的管理有一定的参考意义。
(2) 采用聚类分析和判别分析的方法研究表明：我国碳排放权市场交易额存在周期性波动，且总体波动较大。每年6月或7月和1月及2月份是碳市场最为活跃的时期。且在周期性波动中，交易价格起到重要的作用。研究结果表明，1—5份交易价格为第1类；6—7月份交易价格为第2类；8—12月份交易价格为第3类。因此，建立以碳交易价格为中心的碳市场管理机制，是保证我国碳市场长期、平稳发展的根本，也是减小碳市场风险的有效途径。
(3) 研究也表明：在碳交易价格周期性波动划分中，每年4月份、9月份的碳交易价对交易价格划分的影响较大，且对碳交易价格类型的划分的影响显著。事实上，这两个月份的碳交易并非我国碳交易的活跃期，但往往价格比较稳定。因此，保持碳交易价格的稳定也是减少碳市场风险的途径之一。另外，在碳交易配额的分配中，如何保证交易价格的稳定，也是目前面临的重要问题。
(4) 我国林业碳汇造林的讨论表明：目前我国林业碳汇造林的平均成本约为28 812.08元/hm2，明显高于30年时的林业碳汇的平均收益14 102.58元/hm2。从经济上来说是十分不划算的。因此，只有提高目前碳市场交易的价格，并建立以价格为中心的管理目标，才能弥补造林成本过高、林业碳汇收益的不足，也才能真正发挥林业在气候变化、生态补偿和生态文明建设中的作用，并保证我国碳市场合理、均衡的发展。
-
![]()
图 1 综合观测场与通量塔数据相关性
Figure 1. Correlation of the data from flux tower and observation field
![]()
图 5 太阳辐射各分量季节日变化
Figure 5. Diurnal variation of solar radiation components in different seasons
![]()
图 6 太阳辐射各分量占总辐射百分率的年际变化
Figure 6. Interannual variations of the ratio of solar radiation components to global radiation
![]()
图 7 太阳辐射各分量占总辐射百分率的年变化
Figure 7. Annual variations of the ratio of solar radiation components to global radiation
![]()
图 8 太阳辐射各分量占总辐射比率的日变化
Figure 8. Diurnal variations of the ratio of solar radiation components to global radiation
![]()
图 9 不同季节太阳辐射分量占总辐射百分率的日变化
Figure 9. Diurnal variations of the ratio of solar radiation components to global radiation in different seasons
表 1 太阳辐射各分量年总量统计值
Table 1 Statistical values of annual total amount of solar radiation components
项目
Item总辐射
Global radiation
(K↓)反射辐射
Reflected
radiation (K↑)大气逆辐射
Atmospheric
invers-radiation (L↓)树冠长波辐射
Canpoy long-wave
radiation (L↑)净辐射
Net radiation
(Rn)有效辐射
Effective
radiation (Ln)平均值 Mean/(MJ·m−2) 5 268.8 513.8 12 468.6 13 299.3 3 151.5 830.7 最小值 Min./(MJ·m−2) 4 757.6 481.1 12 197.8 13 218.2 2 787.1 469.0 最大值 Max./(MJ·m−2) 5 660.6 554.9 12 863.0 13 417.6 3 539.5 1 159.8 变异系数 CV 0.056 0.040 0.019 0.005 0.079 0.298 
下载: 导出CSV
表 2 不同季节各辐射分量总量
Table 2 Gross for solar radiation components in different seasons
MJ/m2 季节 Season K↓ K↑ L↓ L↑ Rn Ln 雨季 Wet season 2 688.7 253.4 6 675.9 6 940.0 1 741.2 264.1 干季 Dry season 2 499.7 260.3 5 792.7 6 359.3 1 476.9 566.6
下载: 导出CSV
-
[1] Quéré C, Andrew R, Friedlingstein P, et al. Global carbon budget 2018[J]. Earth System Science Data, 2018, 10(4): 2141−2194. doi: 10.5194/essd-10-2141-2018
[2] Grassi G, Jo H, Frank D, et al. The key role of forests in meeting climate targets requires science for credible mitigation[J]. Nature Climate Change, 2017, 7(3): 220−226. doi: 10.1038/nclimate3227
[3] Bonan G B. Forests and climate change: forcings, feedbacks, and the climate benefits of forests[J]. Science, 2008, 320: 1444−1449. doi: 10.1126/science.1155121
[4] Borges C K, Santos A C, Carneiro R G, et al. Seasonal variation of surface radiation and energy balances over two contrasting areas of the seasonally dry tropical forest (Caatinga) in the Brazilian semi-arid[J]. Environmental Monitoring and Assessment, 2020, 192(8): 524−542. doi: 10.1007/s10661-020-08484-y
[5] Balzarolo M, Valdameri N, Fu Y H, et al. Different determinants of radiation use efficiency in cold and temperate forests[J]. Global Ecology and Biogeography, 2019, 28(11): 1649−1667. doi: 10.1111/geb.12985
[6] Ramanathan V, Crutzen P J, Kiehl J T, et al. Aerosols, climate, and the hydrological cycle[J]. Science, 2001, 294: 2119−2124. doi: 10.1126/science.1064034
[7] Stanhill G, Cohen S. Global dimming: a review of the evidence for a widespread and significant reduction in global radiation with discussion of its probable causes and possible agricultural consequences[J]. Agricultural and Forest Meteorology, 2001, 107(4): 255−278. doi: 10.1016/S0168-1923(00)00241-0
[8] Wild M, Gilgen H, Roesch A, et al. From dimming to brightening: decadal changes in solar radiation at Earth’s surface[J]. Science, 2005, 308: 847−850. doi: 10.1126/science.1103215
[9] 汪凯, 叶红, 陈峰, 等. 中国东南部太阳辐射变化特征、影响因素及其对区域气候的影响[J]. 生态环境学报, 2010, 19(5):1119−1124. Wang K, Ye H, Chen F, et al. Long-term change of solar radiation in Southeastern China: variation, factors, and climate forcing[J]. Ecology and Environmental Sciences, 2010, 19(5): 1119−1124.
[10] Jiménez-Muñoz J C, Sobrino J A, Mattar C. Recent trends in solar exergy and net radiation at global scale[J]. Ecological Modelling, 2012, 228: 59−65. doi: 10.1016/j.ecolmodel.2011.12.027
[11] 李茂芬, 李玉萍, 罗微, 等. 海南岛逐日太阳总辐射长期演变特征与关联因子[J]. 热带地理, 2016, 36(4):666−672. Li M F, Li Y P, Luo W, et al. Long-term variation of daily global solar radiation and influencing factors in the Hainan Island[J]. Tropical Geography, 2016, 36(4): 666−672.
[12] 高操, 施东雷, 李成, 等. 1993—2013年中国地面太阳辐射的变化特征[J]. 气象与环境科学, 2017, 40(4):27−34. Gao C, Shi D L, Li C, et al. Change characteristics of surface solar radiation in China during 1993−2013[J]. Meteorological and Environmental Sciences, 2017, 40(4): 27−34.
[13] 高进波, 张一平, 巩合德, 等. 哀牢山亚热带常绿阔叶林林区太阳辐射特征[J]. 山地学报, 2009, 27(1):33−40. Gao J B, Zhang Y P, Gong H D, et al. Characteristics of solar radiation of subtropical broad-leaved forest area in Ailao Mountains, Southwest China[J]. Mountain Research, 2009, 27(1): 33−40.
[14] 李麟辉, 张一平, 谭正洪, 等. 哀牢山亚热带常绿阔叶林与林外草地太阳辐射比较[J]. 生态学杂志, 2011, 30(7):1435−1440. Li L H, Zhang Y P, Tan Z H, et al. Variation pattern of solar radiation above subtropical evergreen broadleaved forest and open area in Ailao Mountains[J]. Chinese Journal of Ecology, 2011, 30(7): 1435−1440.
[15] 陈进, 陈步峰, 潘勇军, 等. 帽峰山常绿阔叶林辐射通量特征[J]. 生态学报, 2011, 31(22):6766−6776. Chen J, Chen B F, Pan Y J, et al. Characteristics of radiation fluxes of an evergreen broad-leaved forest in Maofeng Mountain, Guangzhou, China[J]. Acta Ecologica Sinica, 2011, 31(22): 6766−6776.
[16] 任海, 彭少麟, 张祝平, 等. 鼎湖山季风常绿阔叶林林冠结构与冠层辐射研究[J]. 生态学报, 1996, 16(2):174−179. Ren H, Peng S L, Zhang Z P, et al. Study on canopy structure and canopy radiation of monsoon evergreen broad leaf forest in Dinghushan Biosphere Reserve, Guangdong[J]. Acta Ecologica Sinica, 1996, 16(2): 174−179.
[17] 张弥, 于贵瑞, 张雷明, 等. 太阳辐射对长白山阔叶红松林净生态系统碳交换的影响[J]. 植物生态学报, 2009, 33(2):270−282. Zhang M, Yu G R, Zhang L M, et al. Effects of solar radiation on net ecosystem exchange of broadleaved-Korean pine mixed forest in Changbai Mountain, China[J]. Chinese Journal of Plant Ecology, 2009, 33(2): 270−282.
[18] Boland J, Huang J, Ridley B. Decomposing global solar radiation into its direct and diffuse components[J]. Renewable and Sustainable Energy Reviews, 2013, 28: 749−756. doi: 10.1016/j.rser.2013.08.023
[19] Li D Q, Ju W M, Lu D S, et al. Impact of estimated solar radiation on gross primary productivity simulation in subtropical plantation in southeast China[J]. Solar Energy, 2015, 120: 175−186. doi: 10.1016/j.solener.2015.07.033
[20] 费学海, 张一平, 宋清海, 等. 元江干热河谷太阳辐射各分量及反照率变化特征[J]. 北京林业大学学报, 2016, 38(3):1−10. Fei X H, Zhang Y P, Song Q H, et al. Characteristics of solar radiation distribution and albedo in Yuanjiang dry-hot valley, Southwest China[J]. Journal of Beijing Forestry University, 2016, 38(3): 1−10.
[21] Soneye O O, Ayoola M A, Ajao I A, et al. Diurnal and seasonal variations of the incoming solar radiation flux at a tropical station, Ile-Ife, Nigeria[J/OL]. Heliyon, 2019, 5(5): e1673 (2019−05−16) [2019−06−20]. https://doi.org/j.heliyon.2019.e1673.
[22] 张一平, 窦军霞, 刘玉洪, 等. 热带季节雨林林窗辐射特征研究[J]. 应用生态学报, 2004, 15(6):21−26. Zhang Y P, Dou J X, Liu Y H, et al. Radiation characteristics in a tropical seasonal rain forest canopy gap[J]. Chinese Journal of Applied Ecology, 2004, 15(6): 21−26.
[23] 张一平, 窦军霞, 于贵瑞, 等. 西双版纳热带季节雨林太阳辐射特征研究[J]. 北京林业大学学报, 2005, 27(5):17−25. Zhang Y P, Dou J X, Yu G R, et al. Characteristics of solar radiation and its distribution above the canopy of tropical seasonal rain forest in Xishuangbanna Southwest China[J]. Journal of Beijing Forest University, 2005, 27(5): 17−25.
[24] 窦军霞, 张一平, 赵双菊, 等. 西双版纳热带季节雨林辐射垂直分布特征[J]. 北京林业大学学报, 2006, 28(2):15−21. Dou J X, Zhang Y P, Zhao S J, et al. Characteristics of radiation at different heights within the canopy of a tropical seasonal rain forest in Xishuangbanna, Southwest China[J]. Journal of Beijing Forestry University, 2006, 28(2): 15−21.
[25] Frouin R, Pinker R T. Estimating photosynthetically active radiation (PAR) at the earth’s surface from satellite observations[J]. Remote Sensing of Environment, 1995, 51: 98−107.
[26] Tang W J, Yang K, Qin J, et al. Solar radiation trend across China in recent decades: a revisit with quality-controlled data[J]. Atmospheric Chemistry and Physic, 2011, 11: 363−373. doi: 10.5194/acp-11-363-2011
[27] 胡斯勒图, 施建成, 李明, 等. 基于卫星数据的地表下行短波辐射估算: 方法、进展及问题[J]. 中国科学: 地球科学, 2020, 50(7):887−902. Husiletu, Shi J C, Li M, et al. A review of the estimation of downward surface shortwave radiation based on satellite data: methods, progress and problems[J]. Science China Earth Sciences, 2020, 50(7): 887−902.
[28] 高扬子, 何洪林, 张黎, 等. 近50年中国地表净辐射的时空变化特征分析[J]. 地球信息科学学报, 2013, 15(1):1−10. doi: 10.3724/SP.J.1047.2013.00001 Gao Y Z, He H L, Zhnag L, et al. Spatio-temporal variation characteristics of surface net radiation in China over the past 50 years[J]. Journal of Geo-information Science, 2013, 15(1): 1−10. doi: 10.3724/SP.J.1047.2013.00001
[29] 任泳红, 曹敏, 唐建维, 等. 西双版纳季节雨林与橡胶多层林凋落物动态的比较研究[J]. 植物生态学报, 1999, 23(5):418−425. Ren Y H, Cao M, Tang J W, et al. A comparative study on litterfall dynamics in seasonal rain forest and a rubber plantation in Xishuangbanna, SW China[J]. Chinese Journal of Plant Ecology, 1999, 23(5): 418−425.
[30] 王学锋, 朱勇, 范立张, 等. 1961—2007年云南太阳总辐射时空变化特征[J]. 气候变化研究进展, 2009, 5(1):29−34. Wang X F, Zhu Y, Fan L Z, et al. Spatial-temporal variations of solar global radiation in Yunnan Province during 1961−2007[J]. Advances in Climate Change Research, 2009, 5(1): 29−34.
[31] 齐月, 房世波, 周文佐. 近50年来中国地面太阳辐射变化及其空间分布[J]. 生态学报, 2014, 34(24):7444−7453. Qi Y, Fang S B, Zhou W Z. Variation and spatial distribution of surface solar radiation in China over recent 50 years[J]. Acta Ecologica Sinica, 2014, 34(24): 7444−7453.
[32] 张晶, 宋清海, 张一平, 等. 西双版纳热带雨林和哀牢山亚热带常绿阔叶林雾特征研究[J]. 生态学报, 2018, 38(24):8758−8765. Zhang J, Song Q H, Zhang Y P, et al. Characteristics of fog in Xishuangbanna tropical rainforest and Ailaoshan subtropical evergreen broad-leaved forest[J]. Acta Ecologica Sinica, 2018, 38(24): 8758−8765.
[33] 林友兴. 西双版纳橡胶林水分利用特征和效率及其对区域气候的适应[D]. 北京: 中国科学院大学, 2019. Lin Y X. Water-use characteristics and efficiency of rubber plantations (Hevea brasiliensis) and their adaptation to regional climate in Xishuangbanna[D]. Beijing: University of Chinese Academy of Sciences, 2019.
[34] 刘文杰, 张一平, 李红梅, 等. 西双版纳热带季节雨林内雾特征研究[J]. 植物生态学报, 2004, 28(2):264−270. doi: 10.17521/cjpe.2004.0039 Liu W J, Zhang Y P, Li H M, et al. Fog characteristics in a tropical seasonal rain forest in Xishuangbanna, Southwest China[J]. Chinese Journal of Plant Ecology, 2004, 28(2): 264−270. doi: 10.17521/cjpe.2004.0039
[35] 罗鹍, 陈玲, 尹淑娴, 等. 东莞市典型天气的辐射特征及影响因子分析[J]. 广东气象, 2015, 37(3):43−47. Luo K, Chen L, Yin S X, et al. Analysis of radiation characteristics and influence factors of typical weather in Dongguan City[J]. Guangdong Meteorology, 2015, 37(3): 43−47.
[36] 赵丽芳, 沈占峰, 李春明, 等. 地表净辐射通量观测、模拟和同化的研究进展[J]. 遥感学报, 2019, 23(1):24−36. Zhao L F, Shen Z F, Li C M, et al. The progress introduction on the study of surface net radiation flux observation, simulation, and assimilation[J]. Journal of Remote Sensing, 2019, 23(1): 24−36.
[37] 吴志祥, 杜莲英, 兰国玉, 等. 海南岛橡胶林辐射通量特征[J]. 热带地理, 2012, 32(6):575−581. Wu Z X, Du L Y, Lan G Y, et al. Characteristics of radiation fluxes of rubber plantation forest in Hainan Island[J]. Tropical Geography, 2012, 32(6): 575−581.
[38] 王旭, 周国逸, 孙阁, 等. 南亚热带针阔混交林辐射通量特征[J]. 北京林业大学学报, 2006, 28(5):28−34. Wang X, Zhou G Y, Sun G, et al. Characteristics of radiation flux of coniferous and broadleaved mixed forest in low subtropical China[J]. Journal of Beijing Forestry University, 2006, 28(5): 28−34.
[39] 邓世雅, 赵磊, 李得勤, 等. 东北半干旱地区辐射收支与地表能量分析: 以锦州地区为例[J]. 西南师范大学学报(自然科学版), 2020, 45(9):95−105. Deng S Y, Zhao L, Li D Q, et al. An analysis of radiation budget and surface energy balance in semi-arid Jinzhou area of Northeast China: take Jinzhou for example[J]. Journal of Southwest China Normal University (Natural Science Edition), 2020, 45(9): 95−105.
-
期刊类型引用(6)
1. 文程敬，吴俊文，赵志娟，陈刚，李志琪，段贵河，杜官本，梁文. 轻木人工林生长及各器官碳、氮、磷化学计量对氮添加的响应. 植物营养与肥料学报. 2025(01): 188-200 . 
百度学术
2. 赵东，马荣宇，于立川，赵健，刘嘉辉. 基于经验模态分解和小波包能量熵的杉木加载过程中细观损伤监测与识别. 北京林业大学学报. 2024(03): 123-131 . 本站查看
3. 孙建丽，吴俊文，肖建冬，杜官本，王文兵，刘有军. 不同坡位土壤养分条件对轻木叶片解剖特征及其适应可塑性的影响. 西北农业学报. 2024(09): 1737-1745 . 百度学术
4. 刘浩正，王建山，石广玉. 应压木细胞壁S_2层的微纤丝螺旋角对其抗压韧性的影响. 北京林业大学学报. 2023(04): 136-146 . 本站查看
5. 汪文庆，代博仁，夏重阳，石江涛. 炭化温度对木材生物炭结构和化学组成的影响. 湖南林业科技. 2023(03): 12-19 . 百度学术
6. 何林韩，凌凯莉，任瑞清，陈瑶，高建民. 以Cu颗粒强化导热的木质基复合相变储热材料性能研究. 北京林业大学学报. 2022(12): 132-141 . 本站查看
其他类型引用(2)
计量
- 文章访问数: 1603
- HTML全文浏览量: 376
- PDF下载量: 87
- 被引次数: 8
