研究者が携帯電話データを利用して新たな方法で炭素排出源を追跡

·著者 Henderson·Engineering
研究者が携帯電話データを利用して新たな方法で炭素排出源を追跡
ポイント
  • 研究者は機械学習方法を開発し、炭素排出源を追跡。
  • 携帯電話データは日常の移動と炭素排出の関係を示す。
  • 動的移動ネットワークが提供する情報は排出予測の精度を向上。
  • 研究には制限があり、携帯電話データのカバレッジやアルゴリズムの考慮不足がある。

研究者は、人間の行動によって引き起こされる二酸化炭素排出量を計算するための機械学習方法を開発した。携帯電話上の集団移動データを分析することで、この方法は人々が集まる主要な場所を特定し、これらのパターンが時間とともにどのように変化するかを追跡することができる。『The Innovation』に発表された研究によると、中国の日常の移動習慣と異なる産業による汚染との関係が示されている。科学者たちはイタリア、アメリカ、メキシコでこの方法をテストした。研究者は、人間の流動性を社会的および経済的活動の追加的な指標として用い、従来の排出記録に完全に依存することなく、良好な結果を得た。

日常の移動、通勤、貨物輸送、旅行、買い物は、エネルギー消費と関連する炭素排出を明らかにするパターンを形成している。

携帯電話データが明らかにする炭素排出パターン

研究は携帯電話データを利用して排出量を推定し、人々の地理的位置データを移動ネットワークに変換した。これらのネットワークでは、大都市が点として示され、都市間の経路が人々の移動方法を示す。これらの移動マップに加えて、研究チームは人口データやその他の情報も追加した。8種類の機械学習モデルを検討した結果、樹木ベースのLightGBMプログラムが最も良い結果を示した。テストでは、人々の流動性が複数の業界の排出を予測し、そのR²値は完璧な1.00に達した。航空便の予測R²値は0.99、陸上交通は0.98であった。

日付で区分けされたデータを使用してテストした際、これら3つのカテゴリーのR²値はそれぞれ1.00、0.99、0.95の高い水準を維持した。GRACEDデータベースを使用したイタリア、アメリカ、メキシコでのテストでは、R²スコアは0.91、0.95、0.99であった。さらに、これらの国のODIAC記録と併用した場合、モデルのスコアは0.90から0.99の範囲に留まった。

動的ネットワークが予測精度を向上

動的移動ネットワークが提供する情報は、固定された地点や人口密度よりも多い。移動データを計算プロセスに組み込むことで、特に時間とともに変化する排出の正確性が向上する。結果は、中国のケースにおいて、過去1週間の移動データが良好な予測を行うのに十分であることを示している。移動研究は、経済的に密接に結びついた都市群を発見し、これらの都市を気候保護の単位と見なすことができることを示した。これらの都市群は通常、行政の境界を超え、実際の経済地域における人員と貨物の流れに基づいている。

しかし、この研究にはいくつかの制限も存在する。例えば、携帯電話データはすべての人をカバーするわけではなく、人々の携帯電話の使用方法はさまざまであり、すべての地域で同じネットワークカバレッジがあるわけではない。現在のアルゴリズムは、日常の生活リズム、休日や異なる季節のエネルギー需要の変化を考慮していない。ますます多くの人々が在宅勤務や自動車を利用する中で、移動と汚染の関係は変化する可能性がある。最終的に、本研究のシステムは排出を追跡する手段として、既存のデータベースと連携し、地域での人々の行動に関する情報を提供し、汚染の急速な変化をタイムリーに発見し、より良い気候政策の策定を容易にする。

この研究は『The Innovation』に発表された。

携帯電話データの炭素排出研究への応用の展望

携帯電話データを利用した炭素排出の追跡は、環境モニタリングにおけるその潜在能力を示している。この方法は、より正確な排出予測を提供するだけでなく、人間の行動と環境への影響との関連を明らかにすることができる。技術の進歩に伴い、今後は気候変動研究により多くの革新的な技術が応用され、政策立案者がより効果的な対策を講じる手助けをする可能性がある。しかし、研究で指摘された制限、すなわちデータのカバレッジやアルゴリズムの限界は、全体的な予測の信頼性を向上させるためにさらに克服する必要がある。

H
著者について
Henderson