Stime con apprendimento automatico delle emissioni urbane di gas serra subnazionali del G20 dal 2000 al 2020

Perché le emissioni cittadine riguardano tutti

Le città e le regioni sono in prima linea nel cambiamento climatico e rappresentano ambiti chiave per tagli significativi dell’inquinamento da gas serra. Eppure per la maggior parte di esse non disponiamo di stime affidabili delle emissioni annuali. Questo studio affronta quel punto cieco usando tecniche moderne di apprendimento automatico per stimare le emissioni annuali che riscaldano il clima per migliaia di aree urbane nelle maggiori economie mondiali, offrendo a cittadini, pianificatori e decisori politici un quadro più chiaro di dove i progressi avvengono — e dove invece non avvengono.

La promessa crescente e il divario di dati

Negli ultimi dieci anni migliaia di governi locali hanno assunto impegni climatici e molti hanno annunciato obiettivi di neutralità carbonica. Ma meno di uno su dieci ha riferito regolarmente inventari delle emissioni dettagliati e continuativi nel tempo. Quando le città riportano dati, i metodi differiscono, i settori inclusi variano e alcune contano solo le emissioni entro i propri confini mentre altre includono ciò che è consumato altrove. Soluzioni tradizionali, come ridimensionare semplicemente i totali nazionali delle emissioni su base di popolazione o reddito, non intercettano gli sforzi locali e oscurano cambiamenti reali. Altri dataset globali grigliati offrono coerenza, ma non corrispondono ai confini effettivi dove i leader locali prendono decisioni, limitandone l’utilità per la pianificazione reale.

Una nuova mappa costruita dalle macchine

Gli autori sviluppano un framework di apprendimento automatico per stimare le emissioni annue di gas serra dal 2000 al 2020 per quasi 6.000 città e più di 100 regioni nei paesi del G20, che insieme rappresentano circa l’80% delle emissioni globali. Raccolgono migliaia di inventari auto-dichiarati da reti climatiche e piattaforme governative, quindi li puliscono e standardizzano con cura — verificando voci duplicate, valori per persona implausibili, picchi o cali improvvisi e unità incoerenti. Ogni città o regione viene associata a un confine amministrativo ufficiale usando il Global Administrative Areas Database, in modo che le previsioni corrispondano a giurisdizioni reali come province, stati, contee e comuni.

Alimentare il modello con indizi dallo spazio e dalla società

Per insegnare al modello come emettono i diversi luoghi, il team integra un’ampia gamma di dati pubblicamente disponibili. Questi includono stime satellitari delle emissioni da combustibili fossili, mappe delle emissioni per settore, uso di elettricità e inquinamento atmosferico come particolato fine e biossido di azoto. Aggiungono indicatori socioeconomici come popolazione e prodotto interno lordo, oltre a misure legate al clima come i fabbisogni di riscaldamento e raffrescamento ricavati dai dati meteorologici. Usando statistiche zonali, sintetizzano tutti questi strati entro ciascun confine urbano o regionale e li immettono in un sistema di apprendimento automatico automatico chiamato AutoGluon. Questo sistema testa e combina più modelli sottostanti per prevedere al meglio le emissioni che le città hanno dichiarato autonomamente.

Quanto bene funzionano le stime

Nei dati sulle emissioni riservati ai test, il modello spiega la maggior parte della variazione tra i diversi luoghi, con popolazione e reddito che emergono come i fattori più influenti, seguiti dalle emissioni degli edifici e dall’uso di elettricità. I ricercatori confrontano inoltre le loro stime con due dataset indipendenti che usano altri metodi per derivare emissioni a livello cittadino o grigliato. L’accordo è più forte per aree amministrative più grandi e rimane ragionevolmente buono a scale più fini, sebbene le differenze aumentino dove i dati di input sono scarsi o la copertura settoriale è incompleta. Costruendo intervalli di incertezza attorno a ciascuna previsione ed esaminando dove i diversi componenti del modello non concordano, gli autori mostrano che le incertezze maggiori si concentrano nelle regioni con rendicontazione più debole, in particolare in alcune aree del Sud del mondo.

Cosa significa per l’azione climatica

Il prodotto finale è un dataset pubblico di emissioni annuali per migliaia di enti subnazionali nei paesi del G20 dal 2000 al 2020, insieme al modello addestrato in modo che altri possano estenderlo. Queste stime non intendono sostituire gli inventari locali prodotti dalle città stesse, ma fungere da base coerente dove tali inventari mancano, sono frammentari o non comparabili. Per residenti, attivisti e decisori, questo significa che ora è possibile vedere come le emissioni sono cambiate in due decenni per città e regioni specifiche, identificare i punti critici e monitorare meglio se gli impegni si traducono in riduzioni reali dell’inquinamento climatico.

Citazione: 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

Parole chiave: emissioni urbane di gas serra, apprendimento automatico, città del G20, dati sul clima, politiche climatiche subnazionali