研究者利用手机数据发展新方法追踪碳排放来源

·作者 Henderson·Engineering
研究者利用手机数据发展新方法追踪碳排放来源
重点
  • 研究人员开发机器学习方法追踪碳排放来源。
  • 手机数据显示日常移动与碳排放之间的联系。
  • 动态移动网络提供的信息提升排放预测准确性。
  • 研究存在限制,如手机数据覆盖范围和算法考量不足。

研究人员开发了一种机器学习方法,以计算由人类行为所引起的二氧化碳排放量。通过分析手机上的群体移动数据,此方法能够找到人们聚集的主要地点,并追踪这些模式随时间的变化。根据发表于《The Innovation》的研究,显示中国的日常出行习惯与不同产业产生的污染之间存在着联系。科学家们在意大利、美国和墨西哥对这一方法进行了测试。研究人员通过将人类的流动性作为社会和经济活动的附加度量,而不完全依赖传统的排放记录,取得了可喜的结果。

日常的移动,包括通勤、运输货物、旅行和购物,形成了有助于揭示能源消耗和相关碳排放的模式。

手机数据揭示碳排放模式

研究利用手机数据进行排放估算,将人们的地理位置数据转化为移动网络。在这些网络中,大城市被表示为点,城市之间的路径显示人们的移动方式。除了这些移动地图,研究团队还添加了人口数据和其他信息。在检查了八种机器学习模型后,团队发现基于树的 LightGBM 程序表现最佳。在测试中,人们的流动预测了多个行业的排放,其 R 平方值达到完美的 1.00。航班的预测 R 平方值为 0.99,而陆路交通则为 0.98。

在使用按日期划分的数据进行测试时,这三个类别的 R 平方值仍然保持在 1.00、0.99 和 0.95 的高水平。使用 GRACED 数据库对意大利、美国和墨西哥进行的测试中,R 平方分数为 0.91、0.95 和 0.99。此外,当与这些国家的 ODIAC 记录一起使用时,模型的得分保持在 0.90 至 0.99 之间。

动态网络提升预测准确性

动态移动网络提供的信息比固定的地点或人口密度要多。将移动数据纳入计算过程,使排放的准确性更高,尤其是对于随时间变化的排放。结果显示,在中国的案例中,过去一周的移动数据足以作出良好的预测。移动研究还发现了一些经济上紧密相连的城市群,这些城市可以视为气候保护的一个单位。这些城市群通常不遵循行政边界,而是专注于人员和货物流动所连接的实际经济区域。

然而,此研究也存在一些限制。例如,手机数据无法涵盖所有人,且人们使用手机的方式各不相同,并非所有地区都有相同的网络覆盖。目前版本的算法亦未考虑日常作息、假日或不同季节能源需求的变化。随着越来越多的人在家工作或使用汽车,移动与污染之间的联系可能会发生变化。最终,本研究中的系统作为跟踪排放的方式,与现有数据库一起运作,提供有关人们在当地行为的信息,帮助及时发现污染的快速变化,并使制定更好的气候政策变得更容易。

这项研究已发表于《The Innovation》。

手机数据在碳排放研究中的应用前景

利用手机数据进行碳排放追踪,显示出其在环境监测中的潜力。这种方法不仅能够提供更精确的排放预测,还能揭示人类行为与环境影响之间的关联。随着科技进步,未来可能会有更多创新技术被应用于气候变化研究,帮助政策制定者制定更有效的应对措施。然而,研究中提到的限制,如数据覆盖范围和算法的局限性,仍需进一步克服,以提升整体预测的可靠性。

H
关于作者
Henderson