研究者利用手機數據發展新方法追蹤碳排放來源

·作者 Henderson·Engineering
研究者利用手機數據發展新方法追蹤碳排放來源
重點
  • 研究人員開發機器學習方法追蹤碳排放來源。
  • 手機數據顯示日常移動與碳排放之間的聯繫。
  • 動態移動網絡提供的資訊提升排放預測準確性。
  • 研究存在限制,如手機數據覆蓋範圍和算法考量不足。

研究人員開發了一種機器學習方法,以計算由人類行為所引起的二氧化碳排放量。通過分析手機上的羣體移動數據,此方法能夠找到人們聚集的主要地點,並追蹤這些模式隨時間的變化。根據發表於《The Innovation》的研究,當中顯示中國的日常出行習慣與不同產業產生的污染之間存在著聯繫。科學家們在意大利、美國和墨西哥對這一方法進行了測試。研究人員通過將人類的流動性作為社會和經濟活動的附加度量,而不完全依賴傳統的排放記錄,取得了可喜的結果。

日常的移動,包括通勤、運輸貨物、旅行和購物,形成了有助於揭示能源消耗和相關碳排放的模式。

手機數據揭示碳排放模式

研究利用手機數據進行排放估算,將人們的地理位置數據轉化為移動網絡。在這些網絡中,大城市被表示為點,城市之間的路徑顯示人們的移動方式。除了這些移動地圖,研究團隊還添加了人口數據和其他資訊。在檢查了八種機器學習模型後,團隊發現基於樹的 LightGBM 程式表現最佳。在測試中,人們的流動預測了多個行業的排放,其 R 平方值達到完美的 1.00。航班的預測 R 平方值為 0.99,而陸路交通則為 0.98。

在使用按日期劃分的數據進行測試時,這三個類別的 R 平方值仍然保持在 1.00、0.99 和 0.95 的高水平。使用 GRACED 資料庫對意大利、美國和墨西哥進行的測試中,R 平方分數為 0.91、0.95 和 0.99。此外,當與這些國家的 ODIAC 記錄一起使用時,模型的得分保持在 0.90 至 0.99 之間。

動態網絡提升預測準確性

動態移動網絡提供的資訊比固定的地點或人口密度要多。將移動數據納入計算過程,使排放的準確性更高,尤其是對於隨時間變化的排放。結果顯示,在中國的案例中,過去一週的移動數據足以作出良好的預測。移動研究還發現了一些經濟上緊密相連的城市羣,這些城市可以視為氣候保護的一個單位。這些城市羣通常不遵循行政邊界,而是專注於人員和貨物流動所連接的實際經濟區域。

然而,此研究也存在一些限制。例如,手機數據無法涵蓋所有人,且人們使用手機的方式各不相同,並非所有地區都有相同的網絡覆蓋。當前版本的算法亦未考慮日常作息、假日或不同季節能源需求的變化。隨著越來越多的人在家工作或使用汽車,移動與污染之間的聯繫可能會發生變化。最終,本研究中的系統作為跟蹤排放的方式,與現有資料庫一起運作,提供有關人們在當地行為的資訊,幫助及時發現污染的快速變化,並使制定更好的氣候政策變得更容易。

這項研究已發表於《The Innovation》。

手機數據在碳排放研究中的應用前景

利用手機數據進行碳排放追蹤,顯示出其在環境監測中的潛力。這種方法不僅能夠提供更精確的排放預測,還能揭示人類行為與環境影響之間的關聯。隨著科技進步,未來可能會有更多創新技術被應用於氣候變化研究,幫助政策制定者制定更有效的應對措施。然而,研究中提到的限制,如數據覆蓋範圍和算法的局限性,仍需進一步克服,以提升整體預測的可靠性。

H
關於作者
Henderson