Maschinelles Lernen schätzt subnationale urbane THG-Emissionen der G20 von 2000–2020

Warum Stadt‑Emissionen uns alle betreffen

Städte und Regionen stehen an vorderster Front des Klimawandels und versprechen tiefgreifende Verringerungen der Treibhausgasverschmutzung. Für die meisten wissen wir jedoch nicht mit hinreichender Sicherheit, wie viel sie jährlich ausstoßen. Diese Studie geht diese Informationslücke an, indem sie modernes maschinelles Lernen einsetzt, um jährliche wärmewirksame Emissionen für Tausende urbaner Gebiete in den größten Volkswirtschaften der Welt zu schätzen. So erhalten Bürger, Planer und politische Entscheidungsträger ein klareres Bild davon, wo Fortschritte erzielt werden — und wo nicht.

Das wachsende Versprechen und die Datenlücke

Im vergangenen Jahrzehnt haben Tausende lokaler Regierungen Klimaschutzmaßnahmen zugesagt, viele haben Netto‑Null‑Ziele verkündet. Weniger als eine von zehn berichtet jedoch regelmäßig detaillierte Emissionsinventare über die Zeit. Wenn Städte berichten, unterscheiden sich ihre Methoden, die einbezogenen Sektoren variieren, und einige erfassen nur Emissionen innerhalb ihrer Grenzen, während andere auch den außerhalb konsumierten Anteil berücksichtigen. Traditionelle Vereinfachungen, etwa nationale Emissionszahlen einfach anhand von Bevölkerung oder Einkommen auf Städte herunterzurechnen, übersehen lokale Maßnahmen und verschleiern tatsächliche Veränderungen. Andere global gerasterte Datensätze bieten Konsistenz, stimmen aber nicht mit den tatsächlichen Verwaltungsgrenzen überein, in denen lokale Akteure Entscheidungen treffen, was ihre Nützlichkeit für praktische Planung einschränkt.

Eine neue Karte, gebaut von Maschinen

Die Autorinnen und Autoren entwickeln ein Rahmenwerk des maschinellen Lernens, um jährliche Treibhausgasemissionen von 2000 bis 2020 für knapp 6.000 Städte und mehr als 100 Regionen in den G20‑Ländern zu schätzen — die zusammen etwa 80 % der globalen Emissionen ausmachen. Sie sammeln Tausende selbstberichtete Inventare aus Klimanetzwerken und Regierungsplattformen und bereinigen sowie standardisieren diese sorgfältig — prüfen auf doppelte Einträge, unrealistische Pro‑Kopf‑Werte, plötzliche Ausreißer und inkonsistente Einheiten. Jede Stadt oder Region wird einer offiziellen Verwaltungsgrenze über die Global Administrative Areas Database zugeordnet, sodass die Vorhersagen mit realen Zuständigkeitsbereichen wie Provinzen, Bundesstaaten, Landkreisen und Gemeinden übereinstimmen.

Das Modell mit Hinweisen aus Weltall und Gesellschaft füttern

Um dem Modell beizubringen, wie verschiedene Orte emittieren, zieht das Team eine Vielzahl öffentlich verfügbarer Daten heran. Dazu gehören satellitengestützte Schätzungen fossiler Brennstoffemissionen, sektorspezifische Emissionskarten, Stromverbrauch sowie Luftverschmutzung wie Feinstaub und Stickstoffdioxid. Ergänzt werden diese durch sozioökonomische Indikatoren wie Bevölkerung und Bruttoinlandsprodukt sowie klimabezogene Maße wie Heiz‑ und Kühlbedarf, abgeleitet aus Wetterdaten. Mithilfe zonaler Statistiken fassen sie all diese Schichten innerhalb jeder Stadt- oder Regionsgrenze zusammen und speisen sie in ein automatisiertes maschinelles Lernsystem namens AutoGluon. Dieses System testet und kombiniert mehrere Basis‑Modelle, um am besten die von Städten selbst berichteten Emissionen vorherzusagen.

Wie gut die Schätzungen abschneiden

Auf den für Tests zurückgestellten Emissionsdaten erklärt das Modell den Großteil der Variation zwischen verschiedenen Orten, wobei Bevölkerung und Einkommen als einflussreichste Treiber hervortreten, gefolgt von Gebäudemissionen und Stromnutzung. Die Forschenden vergleichen ihre Schätzungen außerdem mit zwei unabhängigen Datensätzen, die andere Methoden zur Ableitung stadt- bzw. rasterbasierter Emissionen verwenden. Die Übereinstimmung ist am stärksten für größere Verwaltungseinheiten und bleibt auf feineren Skalen vernünftig, obwohl Abweichungen zunehmen, wo Eingabedaten spärlich sind oder die Sektorabdeckung lückenhaft ist. Durch die Konstruktion von Unsicherheitsbereichen um jede Vorhersage und die Untersuchung, wie unterschiedliche Modellkomponenten divergieren, zeigen die Autorinnen und Autoren, dass die größten Unsicherheiten in Regionen mit der schwächsten Berichterstattung liegen, insbesondere in Teilen des Globalen Südens.

Was das für Klimaschutz bedeutet

Das Endprodukt ist ein öffentlich verfügbares Datenset mit jährlichen Emissionen für Tausende subnationale Regierungen in G20‑Ländern von 2000 bis 2020 sowie das trainierte Modell, damit andere es erweitern können. Diese Schätzungen sollen lokale Inventare, die Städte selbst erstellen, nicht ersetzen, sondern als konsistenter Ausgangspunkt dienen, wo solche Inventare fehlen, lückenhaft sind oder nicht vergleichbar. Für Anwohner, Interessengruppen und Entscheidungsträger bedeutet das, dass sie nun sehen können, wie sich die Emissionen über zwei Jahrzehnte für bestimmte Städte und Regionen verändert haben, Hotspots identifizieren und besser nachverfolgen, ob Versprechen in reale Reduktionen der Klimaverschmutzung umgesetzt werden.

Zitation: Yu, Y., Wang, X., Manya, D. et al. Machine learning estimates for G20 subnational urban GHG emissions from 2000–2020. Sci Data 13, 487 (2026). https://doi.org/10.1038/s41597-026-06691-9

Schlüsselwörter: städtische Treibhausgasemissionen, maschinelles Lernen, G20-Städte, Klimadaten, subnationale Klimapolitik