Evaluación comparativa de algoritmos de aprendizaje automático para la predicción de las emisiones de gases de efecto...

Área de la Ciencia:

• Ciencias del medio ambiente
• Ciencias de la computación
• Ciencias del clima

Sus antecedentes:

• La previsión precisa de las emisiones de gases de efecto invernadero (GEI) es crucial para la evaluación del cambio climático y el desarrollo de políticas.
• Los datos anuales de emisiones de gases de efecto invernadero (CO2, CH4, N2O) de Turquía para el período 2012-2021 constituyen una base para el modelado predictivo.
• La comprensión de las tendencias de las emisiones es vital para la gobernanza ambiental eficaz y las estrategias de mitigación del clima.

Objetivo del estudio:

• Evaluar comparativamente el rendimiento predictivo de varios algoritmos de aprendizaje automático para las emisiones anuales de gases de efecto invernadero en Turquía.
• Identificar los algoritmos más precisos para pronosticar las emisiones de CO2, CH4 y N2O a nivel anual.
• Evaluar la contribución de los diferentes gases de efecto invernadero a las emisiones totales y sus tendencias durante el período de estudio.

Principales métodos:

• Datos de emisiones anuales de gases de efecto invernadero utilizados para Turquía (2012-2021) para CO2, CH4 y N2O.
• Algoritmos de aprendizaje automático aplicados: bosque aleatorio, árbol de decisión, regresión de conjunto, LightGBM, aumento de gradiente y XGBoost.
• Evaluación del rendimiento del modelo utilizando las métricas R2, MAE, RMSE y MSE en una división de datos de formación del 80% y de pruebas del 20%.

Principales resultados:

• El aumento del gradiente (R2=0,995) y el XGBoost (R2=0,994) mostraron la mayor precisión de predicción para las emisiones de GEI.
• LightGBM y el regresor de conjunto también mostraron fuertes capacidades predictivas, superando a los modelos de árboles aleatorios y de decisión.
• El CO2 representó más del 90% de las emisiones totales de gases de efecto invernadero, y todos los gases mostraron una tendencia al alza entre 2012 y 2021.

Conclusiones:

• El aprendizaje automático, en particular el aumento del gradiente y XGBoost, ofrece métodos altamente precisos para la previsión anual de emisiones de gases de efecto invernadero en Turquía.
• El estudio pone de relieve el predominio de las emisiones de CO2 y el aumento constante en todos los gases de efecto invernadero monitoreados.
• La integración de la previsión basada en la IA en los sistemas de monitoreo de gases de efecto invernadero puede mejorar la gobernanza climática, la transparencia y la capacidad de respuesta.