Szacunki uczenia maszynowego dotyczące subnarodowych emisji gazów cieplarnianych miast G20 w latach 2000–2020

Dlaczego emisje miejskie mają znaczenie dla wszystkich

Miasta i regiony stoją na pierwszej linii zmian klimatu i deklarują głębokie cięcia w zanieczyszczeniu gazami cieplarnianymi. Jednak dla większości z nich nie wiemy z wystarczającą pewnością, ile emitują rocznie. Badanie to wypełnia tę lukę, wykorzystując nowoczesne metody uczenia maszynowego do oszacowania rocznych emisji ogrzewających klimat dla tysięcy obszarów miejskich w największych gospodarkach świata, dając obywatelom, planistom i decydentom wyraźniejszy obraz tego, gdzie następuje postęp — a gdzie nie.

Rosnąca obietnica i luka danych

W ciągu ostatniej dekady tysiące samorządów lokalnych zadeklarowało działania klimatyczne, a wiele ogłosiło cele neutralności klimatycznej. Jednak mniej niż jedna na dziesięć regularnie raportuje szczegółowe inwentaryzacje emisji w czasie. Gdy miasta raportują, ich metody się różnią, sektory uwzględniane są zmienne, a niektóre liczą tylko emisje w granicach administracyjnych, podczas gdy inne obejmują emisje wynikające z konsumpcji poza ich granicami. Tradycyjne obejścia, takie jak proste skalowanie krajowych sum emisji w dół do poziomu miast przy użyciu liczby ludności lub dochodu, pomijają lokalne wysiłki i zaciemniają rzeczywiste zmiany. Inne globalne zestawy danych w siatce zapewniają spójność, lecz nie odpowiadają faktycznym granicom, w których liderzy lokalni podejmują decyzje, co ogranicza ich użyteczność w planowaniu.

Nowa mapa zbudowana przez maszyny

Autorzy zbudowali ramy uczenia maszynowego do szacowania rocznych emisji gazów cieplarnianych w latach 2000–2020 dla niemal 6 000 miast i ponad 100 regionów w krajach G20, które łącznie odpowiadają za około 80% globalnych emisji. Zebrali tysiące samodzielnie zgłoszonych inwentaryzacji z sieci klimatycznych i platform rządowych, a następnie starannie je wyczyszczono i ustandaryzowano — sprawdzając pod kątem duplikatów, nieprawdopodobnych wartości na osobę, nagłych skoków lub spadków oraz niezgodnych jednostek. Każde miasto lub region dopasowano do oficjalnej granicy administracyjnej z wykorzystaniem bazy Global Administrative Areas, aby prognozy pokrywały się z rzeczywistymi jurysdykcjami takimi jak prowincje, stany, hrabstwa i gminy.

Karmienie modelu wskazówkami z przestrzeni i społeczeństwa

Aby nauczyć model, jak różne miejsca emitują, zespół wykorzystał szeroki zakres publicznie dostępnych danych. Obejmują one satelitarne oszacowania emisji paliw kopalnych, mapy emisji według sektorów, zużycie energii elektrycznej oraz zanieczyszczenia powietrza, takie jak drobne cząstki i dwutlenek azotu. Dodano wskaźniki społeczno-ekonomiczne, takie jak liczba ludności i produkt krajowy brutto, oraz miary związane z klimatem, np. zapotrzebowanie na ogrzewanie i chłodzenie wyprowadzone z danych pogodowych. Przy użyciu statystyk strefowych podsumowano wszystkie te warstwy w obrębie granic każdego miasta lub regionu i wprowadzono je do zautomatyzowanego systemu uczenia maszynowego AutoGluon. System ten testuje i łączy wiele modeli podstawowych, aby jak najlepiej przewidzieć emisje raportowane przez same miasta.

Jak dobrze działają oszacowania

Na danych o emisjach zarezerwowanych do testów model wyjaśnia większość zmienności między różnymi miejscami, a jako najważniejsze czynniki wyłaniają się liczba ludności i dochód, następnie emisje z budynków i zużycie energii elektrycznej. Badacze porównali także swoje oszacowania z dwoma niezależnymi zestawami danych, które wykorzystują inne metody wyprowadzania emisji na poziomie miast lub w siatce. Zgoda jest najsilniejsza dla większych jednostek administracyjnych i pozostaje stosunkowo dobra na drobniejszych skalach, choć różnice rosną tam, gdzie dane wejściowe są rzadkie lub pokrycie sektorowe niekompletne. Tworząc zakresy niepewności wokół każdej predykcji i badając, jak poszczególne komponenty modelu się nie zgadzają, autorzy pokazują, że największe niepewności koncentrują się w regionach o najsłabszym raportowaniu, szczególnie w częściach Globalnego Południa.

Co to oznacza dla działań klimatycznych

Końcowym produktem jest publicznie dostępny zestaw danych rocznych emisji dla tysięcy jednostek subnarodowych w krajach G20 z lat 2000–2020, wraz z wytrenowanym modelem, aby inni mogli go rozszerzać. Te oszacowania nie mają zastępować lokalnych inwentaryzacji sporządzanych przez same miasta, lecz służyć jako spójna baza tam, gdzie takie inwentaryzacje są nieobecne, fragmentaryczne lub nieporównywalne. Dla mieszkańców, rzeczniów i decydentów oznacza to, że mogą teraz zobaczyć, jak emisje zmieniały się w ciągu dwóch dekad dla konkretnych miast i regionów, zidentyfikować gorące punkty i lepiej śledzić, czy deklaracje przekładają się na rzeczywiste cięcia zanieczyszczeń klimatycznych.

Cytowanie: 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

Słowa kluczowe: miejskie emisje gazów cieplarnianych, uczenie maszynowe, miasta G20, dane klimatyczne, subnarodowa polityka klimatyczna