אומדני למידת מכונה לפליטות גזי חממה עירוניות תת־לאומיות במדינות G20 משנת 2000–2020

למה פליטות בערים חשובות לכולנו

ערים ואזורי משנה נמצאים בקדמת הקרב נגד שינוי האקלים ומבטיחים קיצוצים משמעותיים בזיהום מגזי חממה. עם זאת, ברובן אין לנו אמון מלא לגבי כמות הפליטות השנתית שלהן. המחקר הזה מתמודד עם נקודת העיוורון הזו באמצעות שימוש בלמידת מכונה מודרנית כדי להעריך פליטות מחממות אקלים שנתיות עבור אלפי אזורי ערים בכלכלות הגדולות בעולם, ומעניק לאזרחים, מתכננים ומקבלי החלטות תמונה ברורה יותר של היכן מתרחש התקדמות — ואיפה לא.

ההבטחה הגוברת ופערי הנתונים

בעשור האחרון התחייבו אלפי רשויות מקומיות לפעולה אקלימית והרבה מהן הכריזו על מטרות אפס נטו. אבל פחות מאחוז אחד מדווח בקביעות מלאים על מלאי פליטות מפורט לאורך זמן. כאשר ערים כן מדווחות, השיטות שונות, הסקטורים הכלולים משתנים, וחלק סופרים רק פליטות בתוך גבולותיהן בעוד אחרים כוללים גם צריכה שמתרחשת במקום אחר. פתרונות מסורתיים, כגון הקטנת פליטות לאומיות לערים לפי אוכלוסייה או הכנסה, מחמיצים מאמצים מקומיים ומטשטשים שינויים אמיתיים. מערכי נתונים גרידיים עולמיים שנותנים עקביות אינם מתאימים תמיד לגבולות הממשיים שבהם מקבלי ההחלטות המקומיים פועלים, מה שמגביל את היעילות שלהם לתכנון במציאות.

מפה חדשה שבנו מכונות

המחברים בונים מסגרת למידת מכונה להערכת פליטות גזי חממה שנתיות משנת 2000 עד 2020 עבור כמעט 6,000 ערים ויותר מ‑100 אזורים במדינות G20, שהן יחדיו אחראיות לכ‑80% מהפליטות העולמיות. הם אוספים אלפי מלאי דיווחים שדווחו על ידי רשתות אקלים ופלטפורמות ממשלתיות, ואז מנקים ומאחדים אותם בקפידה — בודקים כפילויות, ערכי פליטה לא סבירים לנפש, קפיצות או ירידות פתאומיות ויחידות לא עקביות. כל עיר או אזור מותאמים לגבול מינהלי רשמי באמצעות מסד הנתונים הגלובלי של אזורי מנהל (Global Administrative Areas), כך שהתחזיות מיושרות עם סמכויות מציאותיות כגון פרובינציות, מדינות, מחוזות ורשויות מקומיות.

להאכיל את המודל ברמזים מהחלל ומהחברה

כדי ללמד את המודל כיצד מקומות שונים פולטים, הצוות מושך מגוון רחב של נתונים זמינים לציבור. אלה כוללים הערכות לווייניות של פליטות דלק מאובנים, מפות פליטה לפי סקטורים, שימוש בחשמל וזיהום אוויר כמו חלקיקים עדינים וחנקן דו‑חמצני. הם מוסיפים מדדי תוצר חברתי‑כלכלי כגון אוכלוסייה ותוצר מקומי גולמי, וכן מדדים קשורים לאקלים כמו צורך בחימום וקירור שנגזרים מנתוני מזג־אוויר. באמצעות סטטיסטיקה אזורית הם מסכמים את כל השכבות האלה בתוך כל גבול עירוני או אזורי ומזינים אותן למערכת למידת מכונה אוטומטית בשם AutoGluon. מערכת זו בוחנת ומשלבת מספר דגמים תת־ימיים כדי לחזות בצורה הטובה ביותר את הפליטות שהערים דווחו עליהן בעצמן.

עד כמה האומדנים טובים

על סט הנתונים ששמרו למבחן, המודל מסביר רוב השונות בין מקומות שונים, כאשר האוכלוסייה וההכנסה בולטות כגורמים המשפיעים ביותר, ואחריהן פליטות מבניינים ושימוש בחשמל. החוקרים משווים גם את האומדנים שלהם לשני מאגרים בלתי תלויים שמשתמשים בשיטות אחרות להסקת פליטות ברמת עיר או גריד. ההסכמה חזקה יותר עבור אזורים מנהליים גדולים ונשמרת באופן סביר בקני מידה דקים יותר, אם כי הפערים גדלים במקומות שבהם נתוני הקלט דלים או כיסוי הסקטורים חלקי. באמצעות בניית טווחי אי־ודאות סביב כל תחזית ובחינת כיצד רכיבים שונים של המודל אינם מסכימים, המחברים מראים שהאי־ודאויות הגדולות ביותר מרוכזות באזורי הדיווח החלשים ביותר, במיוחד בחלקים של Global South.

מה משמעות הדבר לפעולה אקלימית

המוצר הסופי הוא מאגר נתונים זמין לציבור של פליטות שנתיות עבור אלפי רשויות תת־לאומיות במדינות G20 משנת 2000 עד 2020, יחד עם המודל המאומן כדי שאחרים יוכלו להרחיבו. אומדנים אלה אינם באים להחליף מלאי מקומי שמפיקות הערים עצמן, אלא לשמש בקו בסיס עקבי כאשר מלאי כזה חסר, חסר רצף או בלתי־השוואתי. עבור תושבים, תומכים ומקבלי החלטות, המשמעות היא כעת שהם יכולים לראות כיצד הפליטות השתנו על פני שני עשורים עבור ערים ואזורים ספציפיים, לזהות מוקדי פליטה ולעקוב טוב יותר האם התחייבויות מתרגמות לקיצוצים ממשיים בזיהום האקלימי.

ציטוט: 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

מילות מפתח: פליטות גזי חממה עירוניות, למידת מכונה, ערי G20, נתוני אקלים, מדיניות אקלים תת־לאומית