استرالیا «مدل‌های هدفمند، از پایین به بالا که میزان انتشار را بر اساس بخش تخمین می‌زند» برای بخش‌های انرژی ثابت، حمل‌ونقل، انتشارات فرار، IPPU، LULUCF، کشاورزی و زباله. برای برق، استرالیا از مدل PLEXOS استفاده می کند [۷۴]یک مدل بهینه سازی برنامه ریزی خطی. دپارتمان تغییرات آب و هوا، انرژی، محیط زیست و آب مفروضات ثابتی را در تمام بخش های این پیش بینی ها اعمال می کند. داده های مورد استفاده: داده های موجودی و عوامل انتشار و پیش بینی کالا از سازمان های دولتی مختلف. [۷۵] اتریش یک مدل اقتصادی از بالا به پایین (مدل DYNK؛ [۷۶]) با مدل های خاص بخش، به شرح زیر ترکیب شده است. بخش انرژی مدل تامین گرمایش خانگی و آب گرم خانگی (مدل INVERT/EE-Lab; [77]) برق عمومی و تامین گرمایش منطقه ای (مدل TIMES Austria; [78]) و تقاضای انرژی و انتشار گازهای گلخانه ای حمل و نقل (مدل NEMO و GEORG; [79]). بخش IPPU و زباله قضاوت کارشناسی بر اساس گزارش های ملی. بخش کشاورزی مدل کشاورزی اتریش (مدل PASMA; [71]). مدل های LULUCF. برای رشد جنگل از دو مدل استفاده شد، یکی بر اساس مدل رشد جنگل تک درختی (مدل CALDIS). [70]و یکی برای کربن خاک آلی YASSO 07 (مدل YASSO 07، [۸۰]). برای زمین های زراعی و علفزار، مدل PASMA [71]. برای محصولات چوبی برداشت شده، یک مدل شبیه سازی بخش جنگل (مدل FOHOW2، [۸۱]). همان روش‌هایی که برای موجودی ملی گازهای گلخانه‌ای استفاده می‌شود، همانطور که در گزارش‌های موجودی ملی اتریش گزارش شده است. پیش‌بینی‌ها با داده‌های انتشار تاریخی فهرست انتشار اتریش مطابقت دارند. [۸۲] بلژیک بلژیک از مدل‌های مختلفی بر اساس منطقه و بخش استفاده می‌کند، به شرح زیر: مدل شبیه‌سازی انرژی و گازهای گلخانه‌ای فلاندری، مدلی از پایین به بالا برای همه بخش‌ها به جز LULUCF (هیچ مرجعی در دسترس نیست). FASTRACE [83]، یک مدل انتشار ترافیک که از تفکیک دقیق ناوگان خودرو برای شبیه سازی جریان ترافیک استفاده می کند. تایمز والونیا [۸۴] برای انتشار بخش انرژی و ابزارهای اکسل سفارشی برای بخش های باقی مانده. فقدان اسناد موجود مانع از ارزیابی سازگاری می شود. برای والونیا، این مطالعه اشاره می کند که «والونیا در یک دوره گذار است. در نهایت، ایده این است که همه سناریوها را با استفاده از ابزار(های) یکسان انجام دهیم، در حالی که مدل‌های مختلف مورد استفاده را به مؤثرترین روش ممکن پیوند دهیم.» با اشاره به مسائل سازگاری بالقوه ناشی از استفاده از مدل‌های مختلف. [۸۵] بلغارستان بلغارستان تنها از یک ابزار متمرکز بر بخش انرژی استفاده می کند: ابزار سیستم انرژی (B)EST، که تقاضای انرژی، عرضه و قیمت انرژی را با استفاده از شاخص های کلان اقتصادی و جمعیتی ارائه شده توسط وزارتخانه های مختلف پیش بینی می کند. (B) EST Energy System Tool یک ابزار بهینه‌سازی است که در سیستم مدل‌سازی جبری عمومی (GAMS) توسعه یافته است. [۸۶])، با هدف به حداقل رساندن هزینه از طریق یافتن تعادل با رفتارهای کشش قیمت تقاضاکنندگان انرژی. پیش‌بینی‌ها برای بخش‌های IPPU، کشاورزی، LULUCF و ضایعات بر اساس روش موجودی و خروجی‌های مدل‌سازی انرژی به‌طور موقت پیش‌بینی می‌شوند. برای پیش‌بینی همه بخش‌ها از چارچوب کلان اقتصادی و جمعیتی یکسان استفاده می‌شود. داده های موجودی به عنوان مرجع برای پیش بینی تمام بخش ها استفاده می شود. [۸۷] کانادا کانادا از مدل انرژی، انتشار و اقتصاد محیط زیست کانادا برای کانادا (مدل E3MC) استفاده می کند، که شامل یک مدل اقتصادی کینزی است که پیش بینی های اقتصادی بلندمدت را ارائه می دهد، با یک مدل انرژی بهینه سازی که عرضه و تقاضای انرژی را متعادل می کند. رویکرد کانادایی تعامل بین سیاست ها را در نظر می گیرد. با این حال، هیچ اطلاعاتی در این مطالعه در مورد نحوه مدل‌سازی انتشارات بخش غیرانرژی ارائه نشده است، که به یک منبع بالقوه عدم انسجام اشاره می‌کند. [۸۸] قبرس قبرس از دو مدل برای بخش انرژی استفاده می کند، یک مدل بهینه سازی برای برنامه ریزی انرژی (OSeMOSYS; [89]) و مدل پیش بینی تقاضای انرژی نهایی (اطلاعات بیشتری در دسترس نیست). پیش‌بینی‌های بخش زباله از طریق مدل ضایعات IPCC 2006 ایجاد شد، در حالی که پیش‌بینی‌های کشاورزی و LULUCF بر اساس روند داده‌های فعالیت مورد استفاده در محاسبه موجودی انتشار است. هیچ اطلاعاتی در مورد پیش بینی های توسعه یافته برای IPPU ارائه نشده است. این گزارش تشریح می‌کند که سه عنصر همسویی پیش‌بینی‌ها را با موجودی ملی تضمین می‌کند: منابع داده (همان منابع موجودی و پیش‌بینی‌ها)، روش‌شناسی (آخرین روش‌شناسی موجودی ملی)، و کارشناسان (کارشناسان درگیر در تهیه فهرست). موجودی همان کارشناسان درگیر در تهیه پیش بینی ها می باشد). [۹۰] چک چک استفاده از مدل‌هایی را برای انرژی (یک ساختار مدل مبتنی بر داده با استفاده از قضاوت متخصص)، LULUCF (مدل بودجه کربن بخش جنگل‌های کانادا) گزارش کرد. [۷۲]) و بخش IPPU (مدلی از پایین به بالا برای گازهای F. [91]) در حالی که پیش بینی های کشاورزی و ضایعات به عنوان مرتبط با محاسبات موجودی توضیح داده شده است. چک مشکلاتی را در مدلی که قبلاً برای انرژی استفاده می‌شد، مدل MESSAGE، به دلیل ورود داده‌های پر زحمت و ناسازگاری با مدل‌های کشورهای همسایه گزارش کرد. اطلاعات گزارش‌شده نشان‌دهنده سازگاری بین رویکردهای دنبال‌شده در فهرست و پیش‌بینی‌های GHG است. [۹۲] دانمارک روش‌هایی که برای پیش‌بینی‌ها دنبال می‌شوند به آن مرتبط هستند [۹۳]، که نمای کلی از مدل ها و ابزارهای مورد استفاده را ارائه می دهد. مدل‌ها بر اساس فهرستی از مفروضات بر اساس بخش‌هایی هستند که فرآیند مشاوره عمومی را پشت سر می‌گذارند. مدل های بخشی مورد استفاده شامل یک مدل شبیه سازی برای الکتریسیته (مدل RAMSES; [94]مدلی که یک مدل تعادل عمومی را با یک مدل سیستم انرژی ادغام می کند (مدل Interact; [95]) و یک مدل حمل و نقل (مدل FREM، هیچ مرجعی در دسترس نیست). نویسندگان در [۹۶] توصیف کنید که پیش‌بینی‌ها مجموعه‌ای از تعدادی پیش‌بینی مختلف از آژانس انرژی دانمارک و مرکز دانمارک برای محیط‌زیست و انرژی است که آژانس انرژی دانمارک آنها را با داده‌های آماری ترکیب کرد تا یک پیش‌بینی کلی برای دانمارک ایجاد کند. [۹۶] استونی استونی از مدل های مختلف بر اساس بخش و زیربخش مطابق با دستورالعمل های ۲۰۰۶ و دستورالعمل های EMEP/EEA استفاده کرد. برای تولید برق، استونی از مدل بهینه سازی هزینه استفاده کرد (مدل Balmorel; [97]). ابزاری برای تخمین موجودی وسایل نقلیه برای پیش بینی های گازهای گلخانه ای در بخش حمل و نقل جاده ای استفاده شد (مدل پایه Sybil; [98]). این مدل با COPERT، رویکرد مورد استفاده در موجودی ملی GHG سازگار است. در بخش IPPU، استونی از پیش بینی های سطح فعالیت شرکت ها و قضاوت کارشناسان استفاده می کند. در بخش کشاورزی، استونی از یک مدل اقتصادسنجی پویا مبتنی بر پروکسی ها (مدل پیش بینی کشاورزی؛ بدون مراجع خارجی) استفاده می کند که در سال ۲۰۲۱ توسط مرکز تحقیقات کشاورزی توسعه یافته است. برای LULUCF، پیش بینی ها بر اساس قضاوت متخصص و فرض بر اساس سطح طبقه بندی توسعه می یابد. برای زباله، پیش بینی ها با مدل ضایعات IPCC 2006 برآورد شده است. استونی از داده های فعالیت موجودی در همه موارد استفاده می کند. اطلاعات بیشتری در مورد سازگاری اجزای مختلف GHG ارائه نشده است. [۹۹] فنلاند فنلاند یک چارچوب طرح مشترک را با مفروضات مشترک و یک مدل اقتصادی مشترک توصیف می کند (مدل FINAGE؛ [۱۰۰]) که به بخشهای بخشی به شرح زیر مرتبط است. یک مدل سیستم انرژی بهینه سازی (سیستم انرژی TIMES-VTT؛ [۱۰۱]). یک تمرین مدل برای مصرف انرژی سهام ساختمان (مدل VTT؛ مرجع دیگری در دسترس نیست). مدلی برای تخمین ناوگان خودروهای آینده، مصرف انرژی و سوخت و انتشار گازهای گلخانه ای (مدل LIPASTO؛ [۱۰۲]). مدلی در وسایل نقلیه خارج از جاده، که برای محاسبات موجودی، و همچنین برای پیش بینی ها استفاده می شود (ماشین آلات TYKO؛ مرجع دیگری در دسترس نیست). یک مدل بخش منطقه ای پویا از کشاورزی فنلاند (مدل Dremfia; [103]، همراه با یک مدل کاربرد نیتروژن، و یک رویکرد محاسباتی در فایل اکسل. یک مدل حسابداری کربن برای کربن خاک (مدل MELA، بر اساس مدل YASSO-[73,80]) برای بخش LULUCF. فنلاند مدل‌سازی خاص بخش را اعمال می‌کند که هماهنگ شده و به صورت دستی در بین بخش‌ها به هم مرتبط می‌شود. [۱۰۴] فرانسه فرانسه استفاده از انواع مدل‌های فنی-اقتصادی بخش‌ای را توصیف می‌کند که مصرف انرژی و انتشار گازهای گلخانه‌ای مطابق با روش‌های موجودی GHG جمع‌آوری می‌شوند. این رویکرد مدل‌سازی امکان توصیف دقیق تحولات بخشی مرتبط با سناریوها را فراهم می‌کند. برخی از مدل‌های مورد استفاده شامل مدلی برای انرژی (ابزار GEStime؛ هیچ مرجع دیگری در دسترس نیست)، حمل‌ونقل (مدل Modev؛ بدون مرجع بیشتر)، برای بخش ساختمان‌ها (مدل منفیس در بهره‌وری انرژی). [۱۰۵]و یک مدل از پایین به بالا برای بخش کشاورزی و جنگلداری. در مورد سازگاری بین مدل‌ها، این گزارش بیان می‌کند که «ضعف اصلی آن، در مقایسه با استفاده از یک مدل واحد از بالا به پایین، این است که باید توجه بیشتری به تعاملات بالقوه بین بخش‌ها داده شود و زمان زیادی طول می‌کشد تا به تمام مدل‌سازی‌ها ادامه دهید (یک اجرا کامل ممکن است تا ۶ ماه طول بکشد). [۱۰۶] آلمان آلمان از مدل‌های خاص بخش که از طریق مدل ادغام EnUSEM یکپارچه شده‌اند، استفاده می‌کند و از ادغام منسجم رویکردها اطمینان می‌دهد (هیچ مرجع دیگری در زبان انگلیسی یافت نشد). مدل های بخشی شامل بخش حمل و نقل است که از مدل TEMPS Öko-Institut استفاده می کند (هیچ مرجع دیگری در دسترس نیست). برای بخش ساختمان، اعم از مسکونی و غیر مسکونی، مدل INVERT/EELab به کار گرفته شده است (مدل INVERT/EE-Lab; [77]). برق با استفاده از FORECAST و تا حدی IPPU مدل‌سازی می‌شود. FORECAST یک مدل شبیه سازی از پایین به بالا با تمرکز بر بخش انرژی و توسعه سناریوهای بلند مدت است. [۱۰۷]. AFOLU از یک مدل ad hoc از پایین به بالا توسعه یافته توسط موسسه Thünen استفاده می کند (مرجع بیشتری در دسترس نیست). انتشار زباله در داخل موجودی محاسبه می شود. این گزارش تصریح می کند که محاسبات سناریو به طور گسترده بر موجودی ملی گازهای گلخانه ای متکی است. بخش ها با پشتیبانی از یک مدل اضافی، مدل یکپارچه سازی EnUSEM یکپارچه شده اند. با این حال، هیچ اطلاعاتی در مورد نحوه انجام یکپارچه سازی ارائه نشده است. [۱۰۸] یونان یونان از رویکردهای متمایز برای بخش های انرژی و غیر انرژی استفاده می کند. در بخش انرژی، کشور از مدل یکپارچه TIMES-MARKAL به همراه یک مدل شبیه سازی تولید احتمالی (ProPSim) استفاده می کند. از سوی دیگر، انتشار گازهای گلخانه ای در بخش های غیر انرژی با استفاده از مدل های صفحه گسترده محاسبه می شود. این مدل‌ها انتشار را از طریق تجزیه و تحلیل داده‌های فعالیت، عوامل انتشار و مفروضات خاص بخش تعیین می‌کنند. بر اساس آخرین داده های موجود در سطح کشور، پیش بینی های برون زا یکسان در همه بخش ها استفاده می شود. این مطالعه مشخص می کند که مدل ها کاملاً با موجودی مطابقت دارند [۱۰۹] مجارستان سیستم یکپارچه MARKAL-EFOM و مدل اقتصاد سبز (GEM) از یک رویکرد شبیه‌سازی رایانه‌ای نشأت گرفته‌اند که برای ساده‌سازی برنامه‌ریزی سیاست در میان‌مدت تا بلندمدت طراحی شده است. تعامل بین GEM و TIMES از طریق دو مکانیسم انجام می شود. در مرحله اول، GEM از ماژول های انرژی خود استفاده می کند. روش دیگر، در رویکرد دوم، GEM از ورودی‌های TIMES استفاده می‌کند و محاسبه تقاضای انرژی خود را دور می‌زند. این رویکرد ادغام نقاط قوت هر دو مدل را امکان پذیر می کند و از ماهیت پویا و جامع GEM در کنار سطح بالاتر جزئیات برای بخش انرژی ارائه شده توسط TIMES بهره می برد. [۱۱۰] ایرلند ایرلند پیش بینی های خود از تقاضای انرژی را با استفاده از یک مدل تعادل عمومی (مدل I3E; [111]) که برای ارزیابی تأثیر PAM ها در سناریوهای خط مشی استفاده می شود و همراه با سایر ابزارهای مدل سازی استفاده می شود (ابزارهای زیر ذکر شده است: مدل انرژی یکپارچه Plexos، چارچوب مدل سازی انرژی ملی SEAI، مدل SEAI BioHeat). پیوندهای بین بخشی در مدل I3E مورد بررسی قرار می گیرند. اطلاعات بیشتری ارائه نشده است. [۱۱۲] ایتالیا TIMES-MARKAL با مدل‌های سفارشی‌سازی شده از پایین به بالا بر اساس بخش سازگار با خروجی‌های TIMES-MARKAL و روش‌های موجودی، برای بخش‌های کشاورزی، LULUCF، گازهای F-پسماند و بخش‌های فرآیند صنعتی. مفروضات مشترک و پارامترهای اقتصادی عمومی برای استفاده در همه بخش ها برای اطمینان از ثبات توصیف شده است. روش موجودی به عنوان یک مرجع اصلی برای همه بخش ها در نظر گرفته می شود (به استثنای استفاده از رویکرد مرجع برای انتشار بخش انرژی، بر اساس خروجی های TIMES-MARKAL). [۱۱۳] ژاپن ژاپن استفاده از یک مدل اصلی برای انتشار احتراق سوخت (IPCC رده ۱A)، با استفاده از مدل عرضه و تقاضای انرژی، که توسط چندین مدل فرعی، یعنی یک مدل اقتصاد کلان، یک مدل قیمت انرژی، و یک برنامه‌ریزی تولید بهینه تشکیل شده است، توصیف کرد. مدل. پیش‌بینی‌ها در بخش‌هایی غیر از احتراق سوخت توسط مدل‌های پایین به بالا ایجاد شده با استفاده از صفحه‌گسترده‌ها به دنبال روش‌های محاسبه موجودی ملی گازهای گلخانه‌ای انجام می‌شود که تا سال‌های پیش‌بینی شده گسترش یافته است. این گزارش بر اهمیت جلوگیری از همپوشانی در تلاش‌های کاهش انتشار بین PAMهای مرتبط با مصرف انرژی و اقدامات مربوط به تامین انرژی تاکید می‌کند. کارایی مدل عرضه و تقاضای انرژی در توانایی آن برای رسیدگی به عوامل مختلف موثر بر مصرف انرژی و CO نهفته است._۲ انتشار در یک مدل واحد با این وجود، کمبود اطلاعات در مورد سازگاری روش‌شناختی در بین بخش‌ها و مؤلفه‌ها وجود دارد. [۱۱۴] لتونی دو مدل اصلی استفاده می شود، یکی برای انرژی (TIMES-Markal) و دیگری برای LULUCF (AGM با استفاده از داده های موجودی جنگل ملی. [۱۱۵]). بخش‌های باقی‌مانده با استفاده از تخمین‌های اکسل یا R مبتنی بر داده‌های فعالیت، با حفظ روش‌شناسی از آخرین موجودی، پیش‌بینی می‌شوند. این گزارش مشخص می‌کند که رویکرد مدل‌سازی دنبال شده، قابلیت مقایسه محاسبات با موجودی و همچنین ثبات محاسبات را تضمین می‌کند. با این حال، احتمال خطاهای انسانی در محاسبات و همچنین سادگی محاسبات به عنوان نقاط ضعف اصلی برجسته شده است. [۱۱۶] لیتوانی لیتوانی ۹ مدل از پایین به بالا ساخته است که نشان دهنده همه منابع انتشار و سینک مربوطه است. در همه موارد، مدل‌ها از روش‌های موجودی، با استفاده از پراکسی‌ها و پارامترهای رایج، مطابق با پارامترهای توصیه‌شده اتحادیه اروپا ساخته شده‌اند. هیچ مرجع دیگری در مورد مدل های استفاده شده در دسترس نیست. اطلاعات ارائه شده اجازه ارزیابی سازگاری بین اجزا را نمی دهد. این گزارش توضیح می‌دهد که ضعف اصلی مدل‌ها/رویکردها این است که همپوشانی یا هم‌افزایی که ممکن است بین PAM‌های مختلف وجود داشته باشد را در نظر نمی‌گیرد. [۱۱۷] مالت PAMها با استفاده از منحنی هزینه کاهش حاشیه ای (MACC) به اضافه یازده مدل از پایین به بالا برای بخش ها و زیربخش ها به شرح زیر برآورد می شوند: مدل توزیع برق، مدل مصرف سوخت صنعت (غیر حمل و نقل)، مدل تقاضای انرژی، سوخت های زیستی حمل و نقل جاده ای S /O مدل، مدل PV، مدل حمل و نقل جاده ای، بخش IPPU، مدل مصرف سوخت ناوبری داخلی، مدل کشاورزی، مدل LULUCF، مدل تولید و تصفیه زباله (بخش زباله). مدل ها با یکدیگر در ارتباط هستند. با این حال، اطلاعات گزارش شده اجازه ارزیابی کامل سازگاری اجزای گزارش را نمی دهد. [۱۱۸] هلند سیستم مدل‌سازی چشم‌انداز انرژی ملی (NEOMS) مجموعه‌ای جامع است که مدل‌های شبیه‌سازی مختلف برای بخش‌های مختلف را در بر می‌گیرد. SAVE-Productie تقاضای انرژی برای صنعت، کشاورزی و CHP را بر اساس رشد اقتصادی و اقدامات انجام شده محاسبه می کند. SAVE-Services تقاضای آینده گاز و برق را در بخش خدمات با استفاده از رشد و مداخلات زیربخش اقتصادی پروژه می دهد. SAWEC مصرف انرژی خانگی را ارزیابی می کند، در حالی که EVA مصرف برق ملی لوازم خانگی را مدل سازی می کند. مدل حمل و نقل، مدل‌های حمل و نقل ویژه بخش‌های متنوعی را در پایگاه‌های داده NEOMS ترکیب می‌کند. COMPETES تصمیم گیری در مورد سرمایه گذاری و عملیات متمرکز تولید برق اتحادیه اروپا را هدایت می کند. SERUM بخش پالایش نفت هلند را بهینه می کند و میزان مصرف نفت خام و پیکربندی پالایش را محاسبه می کند. RESolve-E بر تولید انرژی تجدیدپذیر متمرکز است و مدل تولید گاز/نفت تعیین کننده عرضه گاز طبیعی و نفت خام است. نتایج NEOMS با غیر CO تکمیل می شود_۲ و CO غیر مرتبط با انرژی_۲ مدل سازی انتشار با استفاده از مدل های بخشی و ابزارهای صفحه گسترده این مجموعه یک نمای کلی از چشم انداز انرژی ملی، ادغام بخش های مختلف و پیش بینی تقاضاهای انرژی در آینده را با در نظر گرفتن عوامل اقتصادی و سیاسی ارائه می دهد. در بخش انرژی، سازگاری با ادغام مدل‌های فرعی در NEOM ایجاد می‌شود. سازگاری بین بخش‌ها، درون PAMها و بین پیش‌بینی‌ها و موجودی جزئیات بیشتر نیست. [۱۱۹] نیوزلند پیش‌بینی انتشار گازهای گلخانه‌ای در بخش‌های مختلف با استفاده از روش‌های مختلف برآورد می‌شود. در بخش انرژی و حمل و نقل، یک رویکرد از پایین به بالا استفاده می شود، با تکیه بر داده های اقتصادی، اطلاعات بخش انرژی و مدل های موجودی برای پیش بینی انتشار گازهای گلخانه ای آینده. پیش‌بینی‌های IPPU از یک روش از بالا به پایین، با در نظر گرفتن انتشارات تاریخی، پیش‌بینی‌های صنعت، و مقررات واردات گاز F-استفاده می‌کنند. پیش‌بینی‌های کشاورزی رویکردی از پایین به بالا را اتخاذ می‌کنند که داده‌های اقتصادی و کشاورزی را همراه با مدل‌های موجودی یکپارچه می‌کند. پیش‌بینی‌های LULUCF شامل یک رویکرد مدل‌سازی از پایین به بالا، استفاده از داده‌های فعالیت تاریخی و پیش‌بینی‌شده برای ارزیابی تأثیر PAMs بر انتشار است. پیش بینی ضایعات از روش های پایین به بالا با مدل های موجودی مطابق دستورالعمل های IPCC استفاده می کند. پیش بینی های حمل و نقل بین المللی از یک رویکرد از بالا به پایین بر اساس داده های انتشار تاریخی استفاده می کنند. این روش های خاص بخش به پیش بینی های جامع و دقیق انتشار گازهای گلخانه ای در آینده کمک می کند. این گزارش تصریح می‌کند که سازگاری بین بخش‌ها با استفاده از مفروضات زیربنایی کلیدی که در بین بخش‌ها سازگار هستند، به دست می‌آید، در حالی که رویکردهای مدل‌سازی مورد استفاده برای ویژگی‌های خاص هر بخش تنظیم شده است. [۱۲۰] نروژ پیش‌بینی‌های انتشار نروژ از منابع و روش‌های متنوعی استفاده می‌کنند. پیش بینی انتشار گازهای گلخانه ای مرتبط با انرژی در درجه اول از شبیه سازی با مدل اقتصاد کلان SNOW استفاده می کند (هیچ مرجع بیشتری در دسترس نیست)، که توسط مطالعات خرد در یک مدل تعادل عمومی قابل محاسبه تکمیل شده است. پیش بینی انتشار از بخش LULUCF از موسسه تحقیقات اقتصاد زیستی نروژی (NIBIO) با استفاده از مدل تجزیه Yasso07 مشتق شده است. سایر بخش ها از یک مدل صفحه گسترده اکسل بر اساس روش های موجودی برای تخمین استفاده می کنند. اطلاعات گزارش شده اجازه ارزیابی کامل سازگاری اجزای گزارش را نمی دهد. با این حال، استفاده از پارامترهای مشترک و همچنین سازگاری با موجودی ملی در گزارش تشریح شده است. [۱۲۱] لهستان مدل‌های STEAM-PL و MESSAGE برای تهیه پیش‌بینی تقاضای انرژی ملی و نتایج آن برای تخمین انتشار گازهای گلخانه‌ای از بخش انرژی مورد استفاده قرار گرفت. STEAM-PL یک مدل مصرف “نهایی” است که به سیستم ملی سوخت و انرژی اختصاص داده شده است، که به تفصیل جنبه های فنی مربوط به استفاده از انرژی در بخش های خاص اقتصاد را منعکس می کند. این یک مدل ترکیبی یکپارچه است که امکان تعیین تقاضای انرژی آینده برای انرژی مفید (با استفاده از رویکرد کلاسیک “از پایین به بالا”) و راه های برآورده کردن تقاضا (با استفاده از رویکرد “از بالا به پایین” را امکان پذیر می کند. ). بر اساس تقاضای برق و گرمای منطقه ای شناسایی شده، در مرحله بعد، ساختار بهینه بخش تولید و تولید مبتنی بر تقاضا توسط واحدهای تولیدی منفرد در مدل MESSAGE-PL تعیین شد. اطلاعات گزارش شده اجازه ارزیابی کامل سازگاری اجزای گزارش را نمی دهد. با این حال، استفاده از پارامترهای مشترک و همچنین سازگاری با موجودی ملی در گزارش تشریح شده است. [۱۱۴] کشور پرتغال سیستم انرژی: انتشار گازهای گلخانه ای بر اساس TIMES_PT برآورد شد. کشاورزی، جنگل‌ها و سایر کاربری‌های زمین: انتشار گازهای گلخانه‌ای بر اساس مفروضات مختلف مطابق با روایت‌های سناریوهای اقتصادی-اجتماعی، که از آن‌ها روندهای تکاملی مربوطه در بخش محصولات زراعی و دامی و انتشار آن‌ها مشخص شد، برآورد شد. پسماند و فاضلاب: انتشار گازهای گلخانه ای بر اساس پیش بینی حجم زباله شهری و فاضلاب خانگی تولید شده در هر سال، با در نظر گرفتن جمعیت ساکن، و تأثیر سیاست های قبلاً اتخاذ شده، برآورد شد. این بخش شامل انتشار گازهای فلوئوردار است: انتشار گازهای گلخانه ای بر اساس پیامدهای اجرای توافقنامه کیگالی و مقررات اروپایی که حذف تدریجی برخی از این گازها در دهه های آینده را پیش بینی می کند، برآورد شد. در تمام بخش‌ها، برآورد انتشار گازهای گلخانه‌ای از روش‌های ارائه‌شده در فهرست‌های ملی انتشار پیروی می‌کند، که با دستورالعمل‌های محاسبه انتشارات هیئت بین‌دولتی تغییرات آب و هوا در سال ۲۰۰۶ و تصمیمات مربوطه UNFCCC برای محاسبه انتشار و گزارش پیش‌بینی انتشار مطابقت دارد. [۱۲۲] اسلواکی این گزارش توضیح داد که پیش‌بینی‌ها در اسلواکی بر اساس پلتفرم MS Excel است و محاسبه شامل سیاست‌ها و اقدامات مختلفی است که بر اساس سناریوهای WM و WAM تعریف شده‌اند. پیش‌بینی‌های انتشار و حذف در رده جنگل از خروجی‌های مدل ملی FCCarbon برای پیش‌بینی انتشارات LULUCF استفاده می‌کردند (مرجع دیگری در دسترس نیست). این گزارش استفاده از مدل ملی Fcarbon را بر اساس الزامات سازگاری با گزارش انتشار و حذف گازهای گلخانه ای در فهرست انتشار ملی و همچنین گنجاندن پویایی جنگل از طریق ویژگی های مربوط به ساختار سنی جنگل توجیه می کند. اطلاعات موجود اجازه تجزیه و تحلیل بیشتر از سازگاری بین اجزا را نمی دهد. [۱۲۳] اسلوونی چندین مدل برای تولید پیش‌بینی‌ها در اسلوونی مورد استفاده قرار گرفت، از جمله یک مدل شبیه‌سازی فناوری از پایین به بالا برای انرژی (مدل زیست محیطی انرژی مرجع برای اسلوونی؛ بدون مرجع بیشتر در انگلیسی)، یک مدل حمل‌ونقل برای حمل و نقل بار و مسافر (Integralni prometni model Slovenije; هیچ مرجع دیگری به زبان انگلیسی موجود نیست)، و مدلی برای انتشارات LULUCF (مدل CBM-CFS3). [124]). یک مدل رابطه‌ای برای جمع‌آوری پیش‌بینی‌های گازهای گلخانه‌ای استفاده می‌شود که تمام تخمین‌های بخشی را یکپارچه می‌کند (مدل BILANCA TGP NH3 NOX؛ هیچ مرجع دیگری به زبان انگلیسی موجود نیست). [۱۲۵] سوئد رویکرد سوئد برای پیش‌بینی انتشار گازهای گلخانه‌ای شامل روش‌شناسی جامع برای بخش‌های مختلف است. پیش بینی ها برای کل سیستم انرژی با استفاده از نسخه ملی TIMES-Markal انجام می شود [۶۹]، که شامل روابط آن با کشورهای همسایه است (تایمز-نوردیک؛ مرجع دیگری در دسترس نیست). پیش‌بینی‌های بخش صنعت بر یک مدل مبتنی بر Excel تکیه می‌کنند که مصرف انرژی را با روابط اقتصادی و قیمت انرژی مرتبط می‌کند. پیش بینی انتشار گازهای گلخانه ای بخش حمل و نقل بر اساس پیش بینی مصرف انرژی است. انتشار فرآیندهای صنعتی از طریق تجزیه و تحلیل روند مبتنی بر Excel تعیین می شود. انتشارات دفن زباله بخش زباله از مدل اصلاح شده IPCC استفاده می کند. پیش‌بینی‌های بخش کشاورزی بر مدل بخش کشاورزی سوئد (مدل SASM؛ هیچ مرجع دیگری در دسترس نیست) و مفروضات تعادل اقتصادی متکی است. پیش‌بینی‌های حذف شبکه‌های جنگلی عمدتاً از ابزار مدل‌سازی Heureka Regwise استفاده می‌کنند که توسعه جنگل آینده را شبیه‌سازی می‌کند. این گزارش به طور خاص به چگونگی سازگاری بین مؤلفه ها اشاره نمی کند. [۱۲۶] سوئیس سوئیس رویکرد مدل‌سازی را برای همه بخش‌ها توصیف می‌کند. در بخش انرژی، شبکه‌ای از مدل‌های مختلف سیستم انرژی مورد استفاده قرار می‌گیرد و تقاضای انرژی حاصله در پایگاه داده ملی آلودگی هوا EMIS برای محاسبه انتشار گازهای گلخانه‌ای ادغام می‌شود. برای فرآیندهای صنعتی و استفاده از محصول و بخش‌های کشاورزی، برآوردهای پایین به بالا با دستورالعمل‌های IPCC 2006 برای موجودی‌های ملی گازهای گلخانه‌ای مطابقت دارد. پیش بینی های LULUCF از مدل ماسیمو، یک مدل سناریوی مدیریت جنگل تک درختی تصادفی برای CO استفاده می کند._۲ انتشار، شامل فرضیات ساده برای CH₄ و N₂O. این گزارش تشریح می‌کند که سناریوهای مدل‌سازی برای ویژگی‌های خاص هر بخش تنظیم شده‌اند و همیشه از سازگاری با داده‌های واقعی موجودی گازهای گلخانه‌ای اطمینان می‌دهند. [۱۲۷] ترکیه در این گزارش فقط اشاره شده است که «مدل TIMES-MACRO برای مدل‌سازی مرتبط با انرژی و فرآیندهای صنعتی و استفاده از محصول استفاده شده است، در حالی که برای انتشار غیر انرژی از مدل‌ها و مطالعات ملی مختلفی استفاده شده است». اطلاعات گزارش شده اجازه ارزیابی کامل سازگاری اجزای گزارش را نمی دهد. [۱۲۸] یونایتد

پادشاهی

بریتانیا از یک رویکرد مدل‌سازی جامع برای پیش‌بینی انتشار استفاده می‌کند، که در درجه اول از مجموعه مدل‌سازی انرژی و پیش‌بینی انتشار گازهای گلخانه‌ای برای انتشارات سالانه و تحلیل‌های داخلی استفاده می‌کند. این مجموعه شامل یک مدل اقتصاد سنجی از بالا به پایین از تقاضای انرژی و انتشار گازهای گلخانه ای مربوط به احتراق است که با یک مدل توزیع دینامیک سمت عرضه از پایین به بالا تکمیل می شود. پیش‌بینی‌های تقاضای انرژی برای تأثیرات سیاستی که به‌طور جداگانه با استفاده از مدل‌های بخشی دقیق مدل‌سازی شده‌اند، تحت تعدیل قرار می‌گیرند. بخش حمل و نقل از یک مدل حمل‌ونقل جاده‌ای استفاده می‌کند که در مدل تقاضای انرژی ادغام شده است، که بر اساس مدل حمل و نقل ملی کالیبره شده است. برای IPPU، CO₂ پیش‌بینی‌های انتشار گازهای گلخانه‌ای به پیش‌بینی‌های ارزش افزوده ناخالص یا تقاضای انرژی زیربخش تولید بستگی دارد. انتشارات LULUCF توسط مرکز اکولوژی و هیدرولوژی و تحقیقات جنگل مدل سازی شده است. پیش بینی زباله از مدل ملی MELMod، بر اساس روش فروپاشی مرتبه اول IPCC استفاده می کند. پیش‌بینی‌های کشاورزی از متدولوژی موسسه تحقیقات سیاست غذایی و کشاورزی برای پیش‌بینی‌های فعالیت تا سال ۲۰۳۰ استفاده می‌کنند که سال‌های بعد ثابت ماند. مدل‌سازی اثرات کاهش سیاست‌ها را با استفاده از یک روش متداول دولتی مشترک برآورد می‌کند. [۱۲۹] ایالات متحده

از امریکا

ایالات متحده گزارش می دهد که از یک رویکرد متمایز برای مدل سازی CO انرژی استفاده می کند_۲ انتشار گازهای گلخانه ای و CO غیر انرژی_۲ و غیر CO₂ پیش بینی گازهای گلخانه ای در حالت اول، سیستم ملی مدلسازی انرژی (NEMS) به کار گرفته شده است. NEMS به عنوان یک سیستم مدولار سازماندهی و پیاده سازی شده است، با ماژول هایی که بازارهای عرضه سوخت، بخش های تبدیل، و بخش های مصرف نهایی سیستم انرژی را نشان می دهند. علاوه بر این، NEMS شامل ماژول های اقتصاد کلان و بین المللی است. از اطلاعات آخرین موجودی گازهای گلخانه ای به عنوان نقطه شروع برای انتشار و فعالیت های اساسی استفاده می کند. آژانس حفاظت از محیط زیست (EPA) تغییراتی را در داده‌های فعالیت و عوامل انتشار از آن سال پایه، با ترکیب محرک‌های اقتصاد کلان مانند جمعیت، تولید ناخالص داخلی، و مصرف انرژی، و همچنین داده‌های مربوط به فعالیت‌های منبع خاص، طرح می‌کند. در صورت امکان با منابع رسمی مشورت می شود و تغییرات آتی در عوامل انتشار با روندهای گذشته و اجرای سیاست های مورد انتظار تعیین می شود. PAM ها در رویکرد مدل سازی برای طرح دی اکسید کربن یکپارچه شده اند_۲ انتشار گازهای گلخانه ای از بخش انرژی علاوه بر این، غیر CO₂، و انتشارات غیر انرژی بر اساس روش های موجودی تخمین زده می شوند. [۱۳۰]