烟气CO2排放严重已是全球性的问题，2017年空气中温室气体浓度已达到407×10-6[1]。全球年平均气温比工业化前增加了1.1 ℃。习近平总书记在第七十五届联合国大会上指出，中国将提高国家自主贡献力度，二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和[2]。燃煤电厂和煤化工厂烟气是我国CO2排放的重要来源。2019年我国CO2排放量达到100 亿t，其中约60 亿t来自于燃煤电厂烟气CO2，约5亿t来自于煤化工烟气CO2[3-4]。为践行我国“碳中和”战略，燃煤电厂和煤化工厂烟气是我国CO2减排的攻坚重点。
微藻是一种种类繁多的光合微生物群体[5-6]，其生物质生长速率快，易于大规模养殖。微藻细胞中碳含量约为50%，理论上培养1 t微藻可固定1.83 tCO2，全球约1/3的CO2固定量可归功于藻类[7-8]。因此，利用烟气中的CO2作为碳源来培养微藻是减少烟气CO2排放的一种可行的替代方法[9-10]。
当前，微藻固定煤化工或燃煤烟气CO2的研究如火如荼[11]。微藻固定烟气CO2技术是温室气体控制领域的国际前沿研究热点和高技术竞争焦点，对我国发展低碳经济和节能减排具有重要意义[12-13]。该技术通过微藻细胞的高效光合作用将捕集后的烟气CO2转化为蛋白质、碳水化合物、油脂和色素等高附加值产品。利用燃煤电厂和煤化工厂烟道废气及其他工业尾气中的CO2为无机碳源，并利用市政废水和工农业生产废水为营养源(提供N,P 等营养源)进行低成本微藻培养，可实现CO2减排和生物质生成的双重目的。微藻细胞内富含蛋白质、糖、油脂等成分，可进行后期的能源化资源再利用，因此，减排CO2的同时产生显著经济效益是该技术的主要的优势之一[14-15]。
微藻固定烟气CO2技术的规模化发展依赖于室外反应器内微藻细胞的大规模培养[16-17]，其CO2固定速率与光照强度、光照时长和环境温度等息息相关。在我国“碳中和”大背景下，微藻固定烟气CO2技术在全国不同地域、不同季节烟气CO2理论固定速率等问题日益成为企业关心和社会关注的问题。
内蒙古鄂尔多斯螺旋藻产业园，依托鄂尔多斯市鄂托克旗丰富的天然碱和神宁煤化工公司甲醇厂低温液化提纯的CO2资源为碳源，是我国一座典型的微藻减排烟气CO2技术示范园区。园区所用的CO2来源于神宁煤化工公司甲醇厂低温甲醇洗脱碳装置的解吸尾气[18-19]，原料气CO2纯度高达99%以上，经压缩、脱硫、脱水、脱醇、精馏、浅低温液化等工艺流程，生产得到符合GB 10621—2006标准的食品级CO2产品[20-21]。净化提纯后的CO2通过罐车运输至螺旋藻产业园内的CO2液态储罐内，使用时，通过微米级曝气器离位补碳的形式将CO2分子转化为
离子，然后通过回水管道将循环液补充至跑道池内用于螺旋藻的生长固碳。而回水管道通过串联的形式连接起来，便于CO2的均匀分布。螺旋藻细胞生长至一定浓度后，通过过滤的方式将螺旋藻液收集浓缩，然后烘干成螺旋藻粉(图1)。
图1 内蒙古鄂尔多斯螺旋藻固定煤化工烟气CO2运行流程
Fig.1 Flow chart of CO2 fixation in flue gas from coal chemical plant by Spirulina in Ordos,Inner Mongolia
以该螺旋藻产业园为例，实地测试其1 a内每天的微藻固定CO2速率，结合当地检测站点的光照强度、日照时长和平均气温等气象数据，模拟得出气象要素对微藻固定烟气CO2潜力的相互作用模型，并将该模型应用至全国范围。同时，从时空格局分异、空间集聚等角度对比分析，为我国微藻固定烟气CO2技术在全国的应用提供理论数据支撑。
按照我国现行的行政区划，地级行政区包括地级市、地区、自治州、盟，由省级行政区管辖。此外，从行政区划和管理职能的完整性角度考虑，省直辖县(市)和省直管县(市)由省、自治区直辖或直接管理，也应作为独立的地理单元研究。综上，以全国333个地级行政区、4个直辖市、24个省直辖/管县(市)共计361个行政区划单元为地理研究单元。研究范围不含港澳台。
各地理研究单元月平均气温和日照时长数据来源于2020年《中国统计年鉴》、各省份统计年鉴、各地级市统计年鉴、环境统计公报及地方生态环境局网站等。
光照强度数据使用欧洲中心天气预报中心 ECMWF(European Centre for Medium-Range Weather Forecasts)发布的第5代再分析数据集(ERA5 monthly averaged data on single levels from 1979 to present)中平均地表向下短波辐射通量 (Mean surface downward short-wave radiation flux)数据，该参数相当于表面日射强度计测量模型，表征到达地球表面水平面的太阳辐射量。数据精度为0.25°×0.25°，采集时间2019年，通过ArcGIS10.2提取各地理研究单元月均太阳辐射通量数据。
以内蒙古鄂尔多斯螺旋藻产业园的微藻实际CO2固定速率数据为基础。测试时间自生产期始至生产期结束。测试时，每天早晨螺旋藻跑道池浆轮开启1 h后(为藻液混合均匀)用量筒取1 L藻液，过滤、烘干，测试其藻液生物质密度，记为n1，下午太阳落山浆轮关闭后再次取样1 L，过滤、烘干，测试此时的藻液生物质密度，记为n2。则每日螺旋藻CO2固定速率Mi为
(1)
其中：n1，n2为螺旋藻藻液的生物质密度；X为用总有机碳(TOC含量)方法测试微藻生物质中碳元素含量，%；MCO2为CO2的摩尔质量，为44 g/mol；MC为碳元素的摩尔质量，为12 g/mol；V为跑道池内实际藻液体积，m3；A为该跑道池内藻液的液面面积，m2。Mi值根据测试得到的微藻生物质浓度值等计算得到，每日早中晚固定时段测试3次计算取均值，以减少光照强度、温度等因素的日极值对该值的影响。后文研究中微藻固定烟气CO2潜力值影响因素探究中，同样出于消除极值的考虑，光照强度、平均气温与日照时长3个自变量值也基于日均值计算得到。
特别指出的是，n1,n2测试过程参照国标GB/T 28733—2012和GB/T 28730—2012执行，具体测试步骤如下：
1)预先称量已干燥至恒重的玻璃纤维滤膜质量m1；同时称量一同样大小的空白玻璃纤维滤膜质量m2。
2)快速量取藻液体积(20～100 mL)，真空过滤装置过滤，过滤后的微藻生物质和玻璃纤维滤膜一起放入(105±2) ℃的空气干燥箱中，在鼓风条件下干燥，首次干燥2.5 h，取出样品，趁热称量(m3)以避免样品和玻璃纤维滤膜吸收水分。
3)同时趁热称量空白玻璃纤维滤膜质量m4。
4)进行检查性干燥,每次30 min，直至连续2次干燥后的质量减少不超过 0.005 g或质量增加为止(达到质量恒定)。
5)以上称量精度均为0.000 1 g。在质量增加的情况下,采用质量增加前一次的质量作为计算依据。
6)则微藻生物质密度为
n1或n2=[(m3-m1)+(m2-m4)]/V
(2)
内蒙古鄂尔多斯当地试验过程中日均光照强度采用光照计(TES Digital Lux Meter 1332 A,China)测试，测试时光敏探头置于微藻液表面，垂直向上正对阳光。采用温度计测试藻液周围大气温度。以上参数每日测试时间为7:00,10:00,13:00,16:00,19:00，由此得到日平均光照强度和平均气温。此外，每日准确记录日出及日落时间，计算日照时长。
3.3.1 Person相关性分析
以内蒙古鄂尔多斯螺旋藻产业园的试验数据为基础，选取CO2固定速率作为因变量，以光照强度、日照时长、平均气温等3个指标作为自变量。通过对各变量作Person相关性分析发现，光照强度、日照时长、平均气温与CO2固定速率的Person相关系数均在0.4以上，P值(双尾)均小于0.01，其中，CO2固定速率与光照强度、CO2固定速率与平均气温相关系数都超过了0.7，呈现强正相关关系。
表1 Person 相关性分析
Table 1 Person correlation analysis
分析因素条目CO2固定速率光照强度日照时长平均气温CO2 固定速率Pearson相关10.782**0.420**0.752**显著性(双尾)—000光照强度Pearson相关0.782**10.794**显著性(双尾)0—00日照时长Pearson相关0.420**0.794**10.216*显著性(双尾)00—0.015平均气温Pearson相关0.752**0.452**0.216*1显著性(双尾)000.015—
注：**相关性在 0.01 层上显著(双尾);*相关性在 0.05 层上显著(双尾)。“Person相关”行数据为自变量(CO2固定速率)和因变量(光照强度、日照时长、平均气温)之间的相关系数；“显著性(双尾)”行数据表示自变量与因变量相关性的显著性检验结果。
3.3.2 多元线性回归
为进一步研究各自变量对CO2固定速率的影响关系与影响程度，需单独分析每个自变量对因变量的影响。利用逐步回归法，将各变量逐个引入回归方程，对引入的变量逐个进行检验，剔除未通过检验的变量，直至未选入的变量均不显著，回归方程中的各变量均显著时停止。利用 SPSS 软件进行逐步回归时，引入自变量的显著性水平设为 0.05，剔除自变量的显著性水平设为 0.1，得到的回归结果见表2。
表2 模型拟合情况
Table 2 Fitting table of models
模型RR2调整后R2标准估算的错误德宾-沃森检验10.7820.6120.6093.605 80—20.9010.8110.8082.525 15—30.9280.8600.8572.179 731.619
由模型拟合情况可知，模型1调整后R2为0.609，模型2调整后R2为0.808，模型3调整后R2为0.857。从拟合优度的角度观察，显然模型3的回归效果优于模型1和模型2，CO2固定速率变化的85.7%可由光照强度、日照时长、平均气温的变化来解释。从模型F检验情况来看，3个模型的F统计量显著性水平均小于0.010，3者均通过显著性检验。3个模型总平方和均为4 187.374，回归平方和模型1<模型2<模型3。而残差平方和模型3<模型2<模型1，因此，确定模型3为最优的回归模型。
基于逐步回归法确定各自变量为光照强度x1 、平均气温x2、日照时长x3 ，为进一步研究各变量的影响程度，需对回归系数进一步估计。基于回归系数估计值得到的多元回归线性模型为：y=6.862+0.071x1+0.427x2-0.67x3。多元回归方程表明：光照强度、平均气温对CO2固定速率具有显著的正向影响，而日照时长对CO2固定速率具有显著的负向影响。由该多元线性回归模型的标准化系数绝对值大小以及自变量进入回归方程的顺序还能看出(最先进入回归方程的自变量与因变量关系最为密切)，光照强度对CO2固定速率的影响效果最大，平均气温对CO2固定速率的影响效果其次，日照时长对CO2固定速率的影响效果相对最小。所以，高光强和高气温区域的微藻固定CO2速率相对较高。
表3 模型F检验情况
Table 3 The F test of models
模型指标平方和自由度方差F显著性1回归2 562.14912 562.149197.0610残差1 625.22512513.002总计4 187.3741262回归3 396.70221 698.351266.3500残差790.6711246.376总计4 187.374126回归3 602.97431 200.991252.7760残差584.4001234.751总计4 187.374126
1)全局空间自相关。全局空间自相关用于描述某现象的整体分布状况，判断此现象在空间是否有聚集特性存在，但并不能确切地指出聚集在哪些地区[22-24]。表示全局空间自相关的指标和方法很多,主要有Moran’s I,Geary’s C和Getis’s等统计方法,其中常用的是Moran’s I，采用Moran’s I指数作为度量空间自相关的指标。计算出Moran’s I后，一般采用Z检验对其结果进行统计检验，当Z为正且大于1.96 时显著，表明存在正的空间自相关，说明研究区域内某种属性值的空间分布呈集聚特征；当Z值为负且小于-1.96 时显著，表明存在负的空间自相关，相似的观测值趋于分散分布；当Z值域为[-1.96，1.96]时，空间自相关不明显，相应属性值呈随机分布。
2)局部空间自相关。局部空间自相关主要分析各单元属性值在异质性空间的分布格局，可以度量每个区域与其周边地区之间的局部空间关联程度。表示局部空间自相关的方法很多，采用Local Moran’s I来衡量局域空间自相关性。Anselin将其称为LISA[25-26]，即空间联系的局部指标，LISA本质上是将Moran’s I分解到各个区域单元。
利用内蒙古鄂尔多斯螺旋藻产业园实验数据为基础获得的多元线性回归模型，对全国361个行政区划研究单元的微藻固定烟气CO2潜力进行预测分析。其中，考虑到温度低于0，微藻生长速率为0，将温度低于0时微藻CO2固定潜力设为0。从全国微藻固定烟气CO2潜力(简称“微藻固碳潜力”，下同)空间分布来看，其呈现差异化分布的空间格局，在区域上呈现不同的变化趋势。如图2所示，以 8 月份为例，微藻固碳能力沿秦岭-淮河沿线呈现“X”形分布，对角线东南部的广东、广西、福建、云南等省份，以及对角线西北部的新疆微藻固碳速率相对较高，可达 29 g/(m2·d)以上；而秦岭-淮河沿线上黑龙江、吉林、辽宁、山西、陕西、内蒙古等省份微藻固碳速率相对较弱，均值在 19.2～24.3 g/(m2·d)。这是因为光照强度和平均气温对微藻固碳潜力的影响十分显著，新疆、广东、广西、福建等地在8月份呈现光照及温度双高的气候条件，且阴雨天不像北方地区一样集中，因此，微藻生长速率相对较高，微藻固碳速率也相对较高。以12月份为例，全国除广东、广西等省份微藻固碳潜力保持20 g/(m2·d)左右以外，其他绝大部分地区在13 g/(m2·d)以下。这是因为微藻固定烟气CO2技术目前绝大多数为室外开放式反应，受天气状况影响较大，而我国12月份绝大部分省份气温降至0以下，微藻细胞酶代谢活性低，无法进行光合固碳，因此这些省份的微藻固碳潜力也相对较弱。从分析数据可看出，目前的微藻固定烟气CO2技术受环境制约较明显，因此迫切需研发密闭式微藻固碳技术以打破环境条件制约。
图2 全国各地区分月份微藻固碳潜力预测
Fig.2 Monthly prediction of CO2 fixation in flue gas from coal-fired power plant by microalgae in various regions of China
分时段看，全国不同空间下微藻固碳速率呈现“夏秋季潜力大、冬春季潜力小”的特点。如图3所示，夏秋两季全国平均微藻固碳速率高达27.25 g/(m2·d)和27.88 g/(m2·d)，而冬春季均值仅为15.56 g/(m2·d)和13.89 g/(m2·d)。值得注意的是，在秋冬两季，我国南方地区如湖南、湖北、福建、广东、广西等省份仍可保持较高的微藻固碳速率(分别大于28 g/(m2·d)和18 g/(m2·d))，这与北方地区如东北、西北等地区形成鲜明的对比，这说明在现有技术条件下，南方地区实施微藻固碳技术具有更长的生产周期。此外，由图3可注意到，夏季(4—6月)微藻固碳速率最高的省份是新疆，而不是广东、广西等气温较高的省份。这是因为相较于平均气温，光照强度对于微藻固碳速率的影响更为显著，新疆地区光照强度大，日照时间长，因此在4—6月具有更高的微藻固碳速率。而广东、广西等省份在4—6月阴雨天气较多，影响了整体的微藻固碳潜力。
图3 全国各地区四季微藻固碳潜力预测
Fig.3 Seasonally prediction of CO2 fixation in flue gas from coal-fired power plant by microalgae in various regions of China
在如今“双碳”(碳达峰、碳中和)背景下，微藻固碳技术因其投资规模小、经济可持续等特点已被广泛关注。然而从微藻固碳技术的实际应用角度来看，各地区的微藻固碳潜力除受到气候条件外，还与土地成本、水资源、土地政策、碳排放企业分布、经济等因素有关。目前微藻固碳企业主要分布在内蒙古、山东、江苏、江西、福建、广西、云南等省份，这主要是由各地政策不同造成的。
基于平均气温、光照强度、日照时长等气象数据分析预测了全国范围内各行政区划研究单元分月份、分季节下微藻固碳潜力，为各地区应用微藻固碳技术提供了数据参考。同时，考虑到地理上相邻的单元往往气象要素变化规律趋向一致，即相邻的地理研究单元微藻固碳潜力变化规律具有趋同性，为进一步探索全国范围内361个行政区划研究单元微藻固碳潜力的空间集聚情况，为大规模推广种植微藻技术提供理论依据。应用Geoda软件、引入Moran’s I指数衡量各研究单元微藻固碳潜力的空间集聚特征。
结果(表5)表明在P=0.001水平上，全年各月份Moran’s I指数对应Z值大于1.96，通过Z值显著性检验，Moran’s I指数值(0.622～0.921)表明各行政区划研究单元微藻固碳潜力在空间上存在明显的空间集聚性。全年各月份Moran’s I指数呈现小幅波动，其中12月和1月Moran’s I指数值相对最大，这主要是因为上述两月全国大部分省市平均气温低于0度，微藻固碳潜力为0，在空间上呈现出大范围的低值集聚特征。
表5 全局Moran’s I指数变化情况
Table 5 Global Moran's I index changes
月份1月2月3月4月5月6月7月8月9月10月11月12月Moran’s I指数0.9100.8900.6220.8250.7830.8000.7720.8220.8870.9080.8680.921Z值27.40726.90918.83424.45023.14223.83223.52924.49726.53026.52826.07628.218
然而，全局空间自相关不能反映区域局部空间异质性，还需要利用局部空间自相关方法探索每个行政区划研究单元与其周边单元之间微藻固碳潜力的局部空间关联程度。利用Geoda,ArcGIS软件处理得到P=0.05显著性水平下各地理研究单元微藻固定烟气CO2能力的LISA聚集图(图4)。
图4 微藻固碳潜力的空间自相关LISA图
Fig.4 Spatial autocorrelation LISA map of CO2 fixation ability from coal-fired power plant by microalgae
由图4可知，全国范围内微藻固碳潜力呈现出“高-高集聚”和“低-低集聚”特征。以8月为例，微藻固碳潜力较高的区域集聚于西北、东南片区，而东北、西南片区微藻固碳潜力则相对较小，其他地区空间集聚特征则不显著。以12月为例，“高-高集聚”区位于东南沿海地区，而“低-低集聚”区则大致位于秦岭-淮河线以西以北，与我国地理上的南北分区界线相吻合。显然，在全国范围内，微藻固碳潜力存在显著的集聚效应，在微藻固碳技术的区域推广过程中，可选择“高-高集聚”区域作为规模种植的首选地区。
1)从影响因素看，光照强度对CO2固定速率的影响效果最大，平均气温对CO2固定速率的影响效果其次，日照时长对CO2固定速率的影响较弱。其中，光照强度、平均气温对CO2固定速率具有显著的正向影响，提高光照强度和平均气温能够有效提高CO2固定速率。
2)从区域变化规律上看，各地区分时段的微藻固定烟气CO2潜力呈现出差异化分布的空间格局，在区域上呈现不同的变化趋势。从时域变化规律来看，全国不同地理单元微藻固定烟气CO2潜力呈现“夏秋季潜力大、冬春季潜力小”的特点。
3)从空间聚集性看，全国范围内微藻固碳潜力存在显著的集聚效应，呈现出“高-高集聚”和“低-低集聚”特征，在微藻固碳技术的区域推广过程中，可选择“高-高集聚”区域作为规模种植的首选地区。
我国“双碳目标”任重而道远，CCUS技术是降低烟气CO2排放的主要技术选择，然而目前绝大多数成本高、经济收益小。而微藻固碳技术具有经济、可持续的特点，可为我国各地区的烟气CO2减排事业提供技术选择。基于本文数据分析，提出以下建议：
1)微藻固碳工程选址时，建议选择光照强度大、平均气温高的区域，提高单位面积微藻固定烟气CO2速率同时减少能源投入。
2)微藻固碳技术推广运行过程中，建议选择夏秋两季，在夏秋两季扩大运行产能，最大化地提高微藻固碳速率。
3)为扩大微藻固碳技术的工程应用范围，建议选择具有明显“高-高集聚”特征的区域，以此，充分利用自然条件及光照温度在地理空间上的趋同性，提高规模化种植效益。
值得注意的是，由于我国太阳辐射观测台站较少且空间分布不均，为弥补地面观测数据不足的问题，本文光照强度数据使用欧洲中心天气预报中心发布的第5代再分析数据集中平均地表向下短波辐射通量数据。但是，该数据受资料源、分析模式等影响，无法完全达到真实模拟大气的程度，具有一定程度的偏差[27]，在一定程度上会影响计算结果的精度。对太阳辐射数据的有效订正和精度拟合有待深入研究。
[1] TU R J, HAN S F, JIN W B, et al. Utilization of Microalgae Cultivated in Municipal Wastewater for CO2 Fixation from Power Plant Flue Gas and Lipid Production[C]// Frontiers in Water-Energy-Nexus-Nature-Based Solutions, Advanced Technologies and Best Practices for Environmental Sustainability. Springer, Cham, 2020: 341-343.
[2] 王高峰. 碳中和目标下,能源行业任重道远[J]. 能源,2020,142(11):3.
WANG Gaofeng. Under the goal of carbon neutrality,the energy industry has a long way to go[J]. Energy,2020,142(11):3.
[3] HUISINGH D,ZHANG Z,MOORE J C,et al. Recent advances in carbon emissions reduction:policies,technologies,monitoring,assessment and modeling[J]. Journal of Cleaner Production,2015,103:1-12.
[4] 罗 晋. 煤化工CO2废气减排分析[J]. 现代商贸工业,2013,17:194-195.
LUO Jin. Analysis on emission reduction of CO2 waste gas from coal chemical industry [J]. Modern Business Trade Industry,2013,17:194-195.
[5] DOUCHA J, STRAKA F, LIVANSKY K. Utilization of flue gas for cultivation of microalgae (Chlorella sp.) in an outdoor open thin-layer photobioreactor[J]. Journal of Applied Phycology, 2005, 17(5):403-412.
[6] 卢鸿翔. 核诱变及碳胁迫促进微藻光合作用及生长固碳的机理研究[D]. 杭州：浙江大学,2018:45-65.
LU Hongxiang. Mechanisms on improving photosynthetic characterization and cadbon fixation rate of microalgae by nuclear radiation and CO2 stress [D]. Hangzhou:Zhejiang University,2018:45-65.
[7] MACKINDER L C M,CHEN C,LEIB R D,et al. A Spatial Interactome Reveals the Protein Organization of the Algal CO2-Concentrating Mechanism[J]. Cell,2017,171(1):133-147.
[8] FREEMAN E R,XU B,KUHN L C,et al. The Eukaryotic CO2-Concentrating Organelle Is Liquid-like and Exhibits Dynamic Reorganization[J]. Cell,2017,171(1):148-162.
[9] 黄 云. 微藻固定烟气高浓度CO2的藻种改良和过程优化调控[D]. 杭州：浙江大学,2014:55-72.
HUANG Xun. Improvement of microalgae species and optimal regulation of cultivation conditions to fix high concentrations of CO2 in flue gas [D]. Hangzhou：Zhejiang University,2014:55-72.
[10] YAN C,ZHU L,WANG Y. Photosynthetic CO2 uptake by microalgae for biogas upgrading and simultaneously biogas slurry decontamination by using of microalgae photobioreactor under various light wavelengths,light intensities,and photoperiods[J]. Applied Energy,2016,178:9-18.
[11] 夏 奡,叶文帆,富经纬,等. 燃煤烟气微藻固碳减排技术现状与展望[J]. 煤炭科学技术,2020,48(1):108-119.
XIA Ao,YE Wenfan,FU Jingwei,et al. Current status and prospect of carbon fixation and emission reduction technology for coal-fired flue gas by microalgae [J]. Coal Science And Technology,2020,48(1):108-119.
[12] CHENG J,HUANG Y,FENG J,et al. Mutate Chlorella sp. by nuclear irradiation to fix high concentrations of CO2[J]. Bioresource Technology,2013,136:496-501.
[13] 袁灵成. 基于低温凝华法的二氧化碳捕集技术研究[D]. 杭州：浙江大学,2015:41-51.
YUAN Lingcheng. Theoretical and Experimental Investigation of CrvogenicCO2 Capture bv Desublimation. [D]. Hangzhou:Zhejiang University,2015:41-51.
[14] DEMIRBAS A. Use of algae as biofuel sources[J]. Energy Conversion and Management,2010,51(12):2738-2749.
[15] 邓 帅,李双俊,宋春风,等. 微藻光合固碳效能研究:进展、挑战和解决路径[J]. 化工进展,2018,37(3):928-937.
DENG Shuai,LI Shuangjun,SONG Chunfeng,et al. Energy-efficiency research on photochemical-based microalgae carbon capture:progress,challenge and developing pathway [J]. Chemical Industry and Engineering Progress,2018,37(3):928-937.
[16] ROSA G M, MORAES L, COSTA J A V. Spirulina cultivation with a CO2 absorbent: influence on growth parameters and macromolecule production[J]. Bioresource Technology, 2016, 200: 528-534.
[17] UGWU C U, AOYAGI H, UCHIYAMA H. Photobioreactors for mass cultivation of algae[J]. Bioresource Technology, 2008,99(10):4021-4028.
[18] 常彬杰. 低温甲醇洗技术在神华煤制氢装置中的应用[J]. 神华科技,2009,7(3):80-83.
CHANG Binjie. The Application of Low-temperature Methanol Washing in Shenhua's Coal-based Hydrogen Preparation Device [J]. Shenhua Science and Technology,2009,7(3):80-83.
[19] 王 崇,张剑波,刘小春. 低温甲醇洗尾气RTO工艺技术回收利用[J]. 氮肥技术,2019,40(3):11-13.
WANG Chong,ZHANG Jianbo,LIU Xiaochun. Recycling and utilization of low temperature methanol washing tail gas by RTO process and technology [J]. Nitrogenous Fertilizer Technology,2019,40(3):11-13.
[20] CHENG J, GUO W, AMEER Ali K,et al. Promoting helix pitch and trichome length to improve biomass harvesting efficiency and carbon dioxide fixation rate by Spirulina sp. in 660 m(2) raceway ponds under purified carbon dioxide from a coal chemical flue gas[J]. Bioresource Technology, 2018, 261: 76-85.
[21] 赵绍武,张 萍,汪 俊. 高硫煤制甲醇净化废气回收利用制取食品级液体CO2[J]. 山东化工,2012,41(5):63-66.
ZHAO Shaowu,ZHANC Ping,WANG Jun. Recovery and Utilization of purification waste gas of high sulfur coal for methanol plant [J]. Shandong Chemical Industry,2012,41(5):63-66.
[22] CLIFF A D, ORD J K. Spatial processes: models & applications[M]. London:Pion,1981.
[23] CLIFF A D, ORD J K. Spatial autocorrelation[M].London:Pion, 1973.
[24] GOODCHILD M F,HAIING R P,WISE S. Integrating GIS and Spatial special analysis:Problem and Possibilities[J]. Iniemational Journal of Geographical Information System,1992,6(5):407-423.
[25] ANSELIN L. Local indicator of Spatial association-LISA[J]. Geographical Analysis:1995,27(2):93-115.
[26] JOMBART T,DEVILLAND S,Dufour,A B,PONTIER D. Revealind cryptic spatial parrterns in genetic variability by a new multivariate method[J]. Heredity,2008,101(1):92-103.
[27] 王雪洁, 施国萍, 周子钦, 等. 基于随机森林算法对ERA5太阳辐射产品的订正[J]. 自然资源遥感, 2022, 34(2):105-111.
WANG Xuejie, SHI Guoping, ZHOU Ziqin,et al. Cor-rection of ERA5 solar radiation products based on random forest algorithm[J]. Remote Sensing for Natural Resources,2022,34(2):105-111.