- Wissenschaftler haben ein maschinelles Lernverfahren zur Verfolgung von Kohlenstoffemissionen entwickelt.
- Handydaten zeigen die Verbindung zwischen alltäglicher Mobilität und Kohlenstoffemissionen.
- Informationen aus dynamischen Mobilitätsnetzwerken verbessern die Genauigkeit der Emissionsprognosen.
- Die Studie hat Einschränkungen, wie die Abdeckung der Handydaten und unzureichende algorithmische Überlegungen.
Wissenschaftler haben eine maschinelles Lernverfahren entwickelt, um die durch menschliches Verhalten verursachten Kohlendioxidemissionen zu berechnen. Durch die Analyse von Mobilitätsdaten auf Smartphones kann diese Methode die Hauptorte identifizieren, an denen sich Menschen versammeln, und die Veränderungen dieser Muster im Laufe der Zeit verfolgen. Laut einer in „The Innovation“ veröffentlichten Studie zeigt sich ein Zusammenhang zwischen den alltäglichen Reisegewohnheiten in China und der von verschiedenen Industrien verursachten Verschmutzung. Die Wissenschaftler testeten diese Methode in Italien, den USA und Mexiko. Die Forscher erzielten erfreuliche Ergebnisse, indem sie die menschliche Mobilität als zusätzliche Maßnahme für soziale und wirtschaftliche Aktivitäten einsetzten, ohne sich ausschließlich auf traditionelle Emissionsaufzeichnungen zu stützen.
Alltägliche Mobilität, einschließlich Pendeln, Gütertransport, Reisen und Einkaufen, bildet Muster, die zur Aufdeckung des Energieverbrauchs und der damit verbundenen Kohlenstoffemissionen beitragen.
Handydaten enthüllen Kohlenstoffemissionsmuster
Die Studie nutzt Handydaten zur Schätzung von Emissionen, indem sie die geografischen Standortdaten der Menschen in Mobilitätsnetzwerke umwandelt. In diesen Netzwerken werden große Städte als Punkte dargestellt, und die Wege zwischen den Städten zeigen, wie sich Menschen bewegen. Neben diesen Mobilitätskarten fügte das Forschungsteam auch Bevölkerungsdaten und andere Informationen hinzu. Nach der Überprüfung von acht maschinellen Lernmodellen stellte das Team fest, dass das baumbasierte LightGBM-Modell die besten Ergebnisse lieferte. In den Tests sagte die Mobilität der Menschen die Emissionen mehrerer Branchen mit einem R-Quadrat-Wert von 1,00 voraus. Die Vorhersage für Flugreisen hatte einen R-Quadrat-Wert von 0,99, während der Straßenverkehr bei 0,98 lag.
Bei Tests mit nach Datum unterteilten Daten blieben die R-Quadrat-Werte für diese drei Kategorien weiterhin auf hohem Niveau bei 1,00, 0,99 und 0,95. In Tests mit der GRACED-Datenbank für Italien, die USA und Mexiko lagen die R-Quadrat-Werte bei 0,91, 0,95 und 0,99. Darüber hinaus blieben die Werte des Modells bei der Verwendung zusammen mit den ODIAC-Aufzeichnungen dieser Länder zwischen 0,90 und 0,99.
Dynamische Netzwerke verbessern die Vorhersagegenauigkeit
Die Informationen aus dynamischen Mobilitätsnetzwerken sind umfangreicher als feste Standorte oder Bevölkerungsdichten. Die Einbeziehung von Mobilitätsdaten in den Berechnungsprozess erhöht die Genauigkeit der Emissionen, insbesondere für zeitlich variierende Emissionen. Die Ergebnisse zeigen, dass im Fall von China die Mobilitätsdaten der vergangenen Woche ausreichten, um gute Vorhersagen zu treffen. Die Mobilitätsforschung entdeckte auch einige wirtschaftlich eng verbundene Stadtgruppen, die als Einheit für den Klimaschutz betrachtet werden können. Diese Stadtgruppen folgen oft nicht den administrativen Grenzen, sondern konzentrieren sich auf die tatsächlichen Wirtschaftsregionen, die durch den Personen- und Güterverkehr verbunden sind.
Diese Studie hat jedoch auch einige Einschränkungen. So können Handydaten nicht alle Menschen abdecken, und die Nutzung von Handys variiert stark, wobei nicht alle Regionen über die gleiche Netzabdeckung verfügen. Die aktuelle Version des Algorithmus berücksichtigt auch nicht die Veränderungen des Energiebedarfs im Alltag, an Feiertagen oder in verschiedenen Jahreszeiten. Mit immer mehr Menschen, die von zu Hause aus arbeiten oder Autos nutzen, könnte sich die Verbindung zwischen Mobilität und Verschmutzung ändern. Letztendlich fungiert das in dieser Studie entwickelte System zur Verfolgung von Emissionen in Verbindung mit bestehenden Datenbanken, um Informationen über das Verhalten der Menschen vor Ort bereitzustellen, was hilft, schnelle Veränderungen der Verschmutzung rechtzeitig zu erkennen und die Entwicklung besserer Klimapolitiken zu erleichtern.
Diese Studie wurde in „The Innovation“ veröffentlicht.
Die Perspektiven der Handydaten in der Kohlenstoffemissionsforschung
Die Verfolgung von Kohlenstoffemissionen mithilfe von Handydaten zeigt das Potenzial in der Umweltüberwachung. Diese Methode kann nicht nur genauere Emissionsprognosen liefern, sondern auch die Zusammenhänge zwischen menschlichem Verhalten und Umweltauswirkungen aufdecken. Mit dem technologischen Fortschritt könnten in Zukunft weitere innovative Technologien in der Forschung zu Klimawandel eingesetzt werden, um den Entscheidungsträgern zu helfen, effektivere Maßnahmen zu entwickeln. Dennoch müssen die im Studium genannten Einschränkungen, wie die Abdeckung der Daten und die algorithmischen Begrenzungen, weiter überwunden werden, um die Gesamtzuverlässigkeit der Vorhersagen zu verbessern.

