Conjunto de datos global de factores de emisión para aplicaciones de aprendizaje automático de Alcance 3 | JoVE Visualize

Área de la Ciencia:

Ciencias Ambientales y Economía; Ciencia de Datos y Aprendizaje Automático

Sus antecedentes:

La estimación precisa de las emisiones de gases de efecto invernadero (GEI) es crucial para la sostenibilidad corporativa y el aprendizaje automático.
Los conjuntos de datos de factores de emisión existentes sufren de restricciones de licencia, detalles espaciotemporales deficientes e información desactualizada, lo que dificulta la reproducibilidad.
Existe la necesidad de un conjunto de datos de código abierto, granular y actualizado para factores de emisiones de GEI.

Objetivo del estudio:

Presentar ExioML, un conjunto de datos de código abierto para factores de emisiones de gases de efecto invernadero.
Proporcionar un kit de herramientas computacionalmente eficiente y extensible para la integración y el análisis de datos.
Establecer una línea de base reproducible para la evaluación comparativa de modelos de sostenibilidad y aprendizaje automático.

Principales métodos:

ExioML se deriva de Exiobase 3.8.2, integrando tablas de entrada-salida multirregionales con un kit de herramientas acelerado por GPU.
El conjunto de datos incluye factores de emisión a nivel sectorial para 49 regiones a lo largo de 28 años (1995-2022).
Los datos están estructurados en formatos de producto por producto (200 categorías) e industria por industria (163 categorías).

Principales resultados:

ExioML proporciona tablas de factores de emisión de acceso abierto con granularidad espaciotemporal mejorada.
Se definió y evaluó una tarea de regresión para predecir las emisiones sectoriales de GEI utilizando modelos de aprendizaje automático.
El conjunto de datos facilita la compatibilidad y la extensibilidad con otros conjuntos de datos y herramientas computacionales.

Conclusiones:

ExioML ofrece un recurso valioso y de código abierto para la estimación precisa y transparente de las emisiones de GEI.
El conjunto de datos y el kit de herramientas asociado respaldan la reproducibilidad y la evaluación comparativa en la investigación de sostenibilidad y aprendizaje automático.
ExioML tiene como objetivo mejorar la utilidad y la accesibilidad de los datos de factores de emisión en todas las disciplinas.