1. 课程导论：排放因子库与碳足迹计算的背景、性能瓶颈分析、课程目标与学习路径

1.1 碳足迹计算的业务背景

在全球碳中和目标驱动下，企业需要量化产品从原材料获取、生产、运输、使用到废弃处置的全生命周期温室气体排放。这一量化过程的核心公式可简化为：

碳足迹 = Σ (活动数据 × 排放因子)

其中，排放因子（Emission Factor, EF）代表“每单位活动水平所产生的温室气体排放量”，是碳足迹计算中最关键的参数。排放因子库则是这些参数的集合，其质量直接决定碳足迹核算的准确性与可信度。

1.2 排放因子库的核心构成

一个结构化的排放因子库通常包含以下字段：

1.3 碳足迹数据刷新的性能瓶颈分析

在实际生产环境中，碳足迹数据的刷新（即重新计算）面临多重性能挑战。以下通过一张架构图展示典型的瓶颈分布：

根据实际项目经验，性能瓶颈主要集中在以下四个层面：

1. 数据源层： 活动数据来自多个异构系统（ERP、MES、IoT 传感器、手工 Excel），格式不统一、接口响应慢，导致数据采集阶段即产生延迟。
2. 排放因子库层： 因子数量庞大（数万条），且需要按时间版本、地理区域、行业进行精确匹配。缺乏索引或索引设计不当会导致查询耗时从毫秒级退化到秒级。
3. 计算引擎层： 多数实现采用全量重算策略，即每次刷新都重新计算所有产品的碳足迹，缺乏增量计算与缓存机制，计算复杂度随产品数量线性增长。
4. 存储层： 频繁的读写竞争、不合理的表结构设计、缺乏分区与归档策略，导致 I/O 成为最终瓶颈。

1.4 课程目标

本课程旨在帮助学员系统性地解决上述性能瓶颈，具体目标包括：

• 掌握排放因子库的工程化构建方法： 包括数据模型设计、版本管理策略、元数据标准化、数据质量校验。
• 理解碳足迹计算的核心算法与优化空间： 从全量重算到增量刷新、从逐行计算到批量向量化计算。
• 精通数据库性能调优技术： 索引优化、查询计划分析、分区表、物化视图、连接池调优。
• 能够设计并实现高性能的碳足迹数据刷新流水线： 结合缓存、并行计算、异步任务队列等工程手段。
• 具备生产级代码的编写能力： 使用 Python 实现可维护、可测试、可监控的碳足迹计算服务。

1.5 学习路径与课程地图

本课程共 30 章，分为五个阶段，循序渐进地构建从理论到实战的完整知识体系：

1.6 前置知识与工具准备

为获得最佳学习效果，建议学员具备以下基础：

• Python 基础： 熟悉 pandas、numpy、sqlalchemy 等常用库。
• 数据库基础： 了解 SQL 查询、索引概念、事务处理。
• 环境准备： Python 3.9+、PostgreSQL 14+（或 MySQL 8+）、Docker（可选）。