นักวิจัยใช้ข้อมูลจากโทรศัพท์มือถือพัฒนาวิธีใหม่ในการติดตามแหล่งที่มาของการปล่อยคาร์บอน

·โดย Henderson·Engineering
นักวิจัยใช้ข้อมูลจากโทรศัพท์มือถือพัฒนาวิธีใหม่ในการติดตามแหล่งที่มาของการปล่อยคาร์บอน
จุดสำคัญ
  • นักวิจัยพัฒนาวิธีการเรียนรู้ของเครื่องเพื่อติดตามแหล่งที่มาของการปล่อยคาร์บอน
  • ข้อมูลจากโทรศัพท์มือถือแสดงให้เห็นถึงความสัมพันธ์ระหว่างการเคลื่อนที่ในชีวิตประจำวันและการปล่อยคาร์บอน
  • ข้อมูลจากเครือข่ายการเคลื่อนที่แบบไดนามิกช่วยเพิ่มความแม่นยำในการคาดการณ์การปล่อย
  • การวิจัยมีข้อจำกัด เช่น ขอบเขตของข้อมูลจากโทรศัพท์มือถือและการพิจารณาอัลกอริธึมที่ไม่เพียงพอ

นักวิจัยได้พัฒนาวิธีการเรียนรู้ของเครื่องเพื่อคำนวณปริมาณการปล่อยก๊าซคาร์บอนไดออกไซด์ที่เกิดจากพฤติกรรมของมนุษย์ โดยการวิเคราะห์ข้อมูลการเคลื่อนที่ของกลุ่มคนจากโทรศัพท์มือถือ วิธีนี้สามารถระบุสถานที่ที่ผู้คนมารวมตัวกันและติดตามการเปลี่ยนแปลงของรูปแบบเหล่านี้ตามเวลา ตามการศึกษาที่เผยแพร่ใน The Innovation แสดงให้เห็นว่าพฤติกรรมการเดินทางประจำวันในประเทศจีนมีความสัมพันธ์กับมลพิษที่เกิดจากอุตสาหกรรมต่างๆ นักวิทยาศาสตร์ได้ทดสอบวิธีนี้ในประเทศอิตาลี สหรัฐอเมริกา และเม็กซิโก นักวิจัยได้ผลลัพธ์ที่น่าพอใจโดยใช้ความคล่องตัวของมนุษย์เป็นการวัดเพิ่มเติมของกิจกรรมทางสังคมและเศรษฐกิจ แทนที่จะพึ่งพาบันทึกการปล่อยแบบดั้งเดิมเพียงอย่างเดียว

การเคลื่อนที่ในชีวิตประจำวัน รวมถึงการเดินทางไปทำงาน การขนส่งสินค้า การท่องเที่ยว และการช็อปปิ้ง สร้างรูปแบบที่ช่วยเปิดเผยการใช้พลังงานและการปล่อยคาร์บอนที่เกี่ยวข้อง

ข้อมูลจากโทรศัพท์มือถือเปิดเผยรูปแบบการปล่อยคาร์บอน

การวิจัยใช้ข้อมูลจากโทรศัพท์มือถือในการประเมินการปล่อย โดยแปลงข้อมูลตำแหน่งทางภูมิศาสตร์ของผู้คนเป็นเครือข่ายการเคลื่อนที่ ในเครือข่ายเหล่านี้ เมืองใหญ่จะถูกแทนที่ด้วยจุด และเส้นทางระหว่างเมืองจะแสดงถึงวิธีการเคลื่อนที่ของผู้คน นอกจากแผนที่การเคลื่อนที่เหล่านี้แล้ว ทีมวิจัยยังได้เพิ่มข้อมูลประชากรและข้อมูลอื่นๆ ในการตรวจสอบแบบจำลองการเรียนรู้ของเครื่องแปดแบบ ทีมพบว่าโปรแกรม LightGBM ที่อิงจากต้นไม้มีประสิทธิภาพดีที่สุด ในการทดสอบ การเคลื่อนที่ของผู้คนสามารถคาดการณ์การปล่อยในหลายอุตสาหกรรมได้ โดยมีค่า R-squared สูงถึง 1.00 การคาดการณ์การบินมีค่า R-squared ที่ 0.99 ขณะที่การขนส่งทางบกอยู่ที่ 0.98

เมื่อใช้ข้อมูลที่แบ่งตามวันในการทดสอบ ค่า R-squared ของสามประเภทนี้ยังคงอยู่ในระดับสูงที่ 1.00, 0.99 และ 0.95 ในการทดสอบที่ใช้ฐานข้อมูล GRACED ในประเทศอิตาลี สหรัฐอเมริกา และเม็กซิโก ค่า R-squared อยู่ที่ 0.91, 0.95 และ 0.99 นอกจากนี้ เมื่อใช้ร่วมกับบันทึก ODIAC ของประเทศเหล่านี้ คะแนนของโมเดลยังคงอยู่ระหว่าง 0.90 ถึง 0.99

เครือข่ายไดนามิกเพิ่มความแม่นยำในการคาดการณ์

ข้อมูลจากเครือข่ายการเคลื่อนที่แบบไดนามิกให้ข้อมูลมากกว่าตำแหน่งที่ตั้งหรือความหนาแน่นของประชากรที่คงที่ การนำข้อมูลการเคลื่อนที่มาคำนวณทำให้ความแม่นยำในการปล่อยสูงขึ้น โดยเฉพาะอย่างยิ่งสำหรับการปล่อยที่เปลี่ยนแปลงตามเวลา ผลลัพธ์แสดงให้เห็นว่าในกรณีของประเทศจีน ข้อมูลการเคลื่อนที่ในสัปดาห์ที่ผ่านมามีความเพียงพอในการทำการคาดการณ์ที่ดี การศึกษาการเคลื่อนที่ยังพบกลุ่มเมืองที่มีความเชื่อมโยงทางเศรษฐกิจอย่างใกล้ชิด ซึ่งสามารถมองว่าเป็นหน่วยในการปกป้องสภาพภูมิอากาศ กลุ่มเมืองเหล่านี้มักไม่ปฏิบัติตามเขตแดนทางการปกครอง แต่จะมุ่งเน้นไปที่พื้นที่เศรษฐกิจที่เชื่อมโยงกันจากการเคลื่อนที่ของผู้คนและสินค้า

อย่างไรก็ตาม การวิจัยนี้ยังมีข้อจำกัดบางประการ เช่น ข้อมูลจากโทรศัพท์มือถือไม่สามารถครอบคลุมทุกคนได้ และวิธีการใช้โทรศัพท์มือถือของผู้คนแตกต่างกัน โดยไม่ทุกพื้นที่มีการครอบคลุมเครือข่ายที่เท่ากัน อัลกอริธึมในปัจจุบันยังไม่ได้พิจารณาการเปลี่ยนแปลงของความต้องการพลังงานในชีวิตประจำวัน วันหยุด หรือฤดูกาลต่างๆ เมื่อมีผู้คนจำนวนมากทำงานจากที่บ้านหรือใช้รถยนต์ การเชื่อมโยงระหว่างการเคลื่อนที่และมลพิษอาจเปลี่ยนแปลงไป ในที่สุด ระบบในงานวิจัยนี้ทำงานร่วมกับฐานข้อมูลที่มีอยู่เพื่อให้ข้อมูลเกี่ยวกับพฤติกรรมของผู้คนในท้องถิ่น ช่วยในการตรวจจับการเปลี่ยนแปลงของมลพิษอย่างรวดเร็ว และทำให้การกำหนดนโยบายด้านสภาพภูมิอากาศที่ดียิ่งขึ้นเป็นไปได้ง่ายขึ้น

การศึกษานี้ได้เผยแพร่ใน The Innovation

อนาคตของการใช้ข้อมูลจากโทรศัพท์มือถือในการศึกษาการปล่อยคาร์บอน

การใช้ข้อมูลจากโทรศัพท์มือถือในการติดตามการปล่อยคาร์บอนแสดงให้เห็นถึงศักยภาพในด้านการตรวจสอบสิ่งแวดล้อม วิธีนี้ไม่เพียงแต่สามารถให้การคาดการณ์การปล่อยที่แม่นยำกว่า แต่ยังเปิดเผยความสัมพันธ์ระหว่างพฤติกรรมของมนุษย์กับผลกระทบต่อสิ่งแวดล้อม เมื่อเทคโนโลยีก้าวหน้า อาจมีเทคโนโลยีใหม่ๆ ที่ถูกนำมาใช้ในการศึกษาการเปลี่ยนแปลงสภาพภูมิอากาศในอนาคต เพื่อช่วยให้ผู้กำหนดนโยบายสามารถพัฒนามาตรการตอบสนองที่มีประสิทธิภาพมากขึ้น อย่างไรก็ตาม ข้อจำกัดที่กล่าวถึงในงานวิจัย เช่น ขอบเขตของข้อมูลและข้อจำกัดของอัลกอริธึม ยังคงต้องได้รับการแก้ไขเพิ่มเติมเพื่อเพิ่มความน่าเชื่อถือในการคาดการณ์โดยรวม

H
เกี่ยวกับผู้เขียน
Henderson