Оценки выбросов парниковых газов в городах стран G20 на уровнях ниже национального с помощью машинного обучения за 2000–2020 годы

Почему городские выбросы важны для всех

Города и регионы находятся в авангарде борьбы с изменением климата и декларируют глубокие сокращения выбросов парниковых газов. Однако для большинства из них мы не можем с достаточной уверенностью сказать, сколько именно они выбрасывают ежегодно. Это исследование устраняет этот пробел, применяя современные методы машинного обучения для оценки годовых эмиссий, вызывающих глобальное потепление, для тысяч городских территорий в крупнейших экономиках мира, давая гражданам, планировщикам и политикам более ясную картину того, где происходят успехи — и где их нет.

Растущий потенциал и пробелы в данных

За последнее десятилетие тысячи местных властей взяли на себя климатические обязательства, многие объявили цели по достижению нулевого баланса выбросов. Но менее одной из десяти регулярно публикуют подробные инвентаризации выбросов во времени. Когда города публикуют данные, методы различаются, включаемые сектора не совпадают, а некоторые учитывают только выбросы внутри границ, в то время как другие включают выбросы, связанные с потреблением за пределами города. Традиционные подходы — например, просто пропорциональное распределение национальных сумм по городам на основе населения или дохода — не учитывают локальные усилия и скрывают реальные изменения. Другие глобальные гридированные наборы данных дают согласованность, но не соответствуют фактическим административным границам, в которых принимаются местные решения, что ограничивает их полезность для практического планирования.

Новая карта, созданная машинами

Авторы построили рамку машинного обучения для оценки годовых выбросов парниковых газов с 2000 по 2020 год для почти 6000 городов и более чем 100 регионов в странах G20, которые вместе дают около 80% мировых выбросов. Они собрали тысячи самодекларированных инвентаризаций из климатических сетей и государственных платформ, затем тщательно очистили и стандартизировали их — проверяя дубликаты, неправдоподобные значения на душу населения, резкие скачки или падения и несоответствующие единицы измерения. Каждому городу или региону сопоставлена официальная административная граница с использованием базы данных Global Administrative Areas, чтобы прогнозы совпадали с реальными юрисдикциями: провинциями, штатами, округами и муниципалитетами.

Кормление модели подсказками из космоса и общества

Чтобы обучить модель тому, как разные места генерируют выбросы, команда привлекает широкий набор общедоступных данных. Сюда входят спутниковые оценки сжигания ископаемого топлива, карты выбросов по секторам, потребление электроэнергии и загрязнение воздуха, такое как мелкие частицы и диоксид азота. Добавлены социально-экономические показатели: население и валовой внутренний продукт, а также климатические меры — потребности в отоплении и охлаждении, выводимые из погодных данных. С помощью зональной статистики все эти слои суммируются в пределах каждой городской или региональной границы и подаются в автоматизированную систему машинного обучения AutoGluon. Эта система тестирует и комбинирует несколько базовых моделей, чтобы наилучшим образом предсказать выбросы, которые города указывали в своих отчетах.

Насколько точны оценки

На отложенных для тестирования данных модель объясняет большую часть различий между разными территориями, при этом население и доход выступают наиболее влиятельными факторами, за ними следуют выбросы от зданий и потребление электроэнергии. Исследователи также сравнивают свои оценки с двумя независимыми наборами данных, полученными иными методами для городских или гридированных выбросов. Согласие сильнее для крупных административных областей и остается достаточно хорошим на более мелких масштабах, хотя расхождения увеличиваются там, где входных данных мало или охват секторов неполный. Построив интервалы неопределенности вокруг каждого прогноза и изучив, в каких частях модели компоненты расходятся во мнении, авторы показывают, что наибольшие неопределенности сосредоточены в регионах с худшей отчетностью, особенно в частях глобального Юга.

Что это означает для климатических действий

Итоговый продукт — общедоступный набор данных с ежегодными выбросами для тысяч субнациональных единиц управления в странах G20 за 2000–2020 годы, а также обученная модель, чтобы другие могли ее расширять. Эти оценки не предназначены для замены локальных инвентаризаций, создаваемых самими городами, но служат согласованной отправной точкой там, где такие инвентаризации отсутствуют, фрагментарны или несопоставимы. Для жителей, активистов и принимающих решения это означает, что теперь можно увидеть, как изменялись выбросы за два десятилетия для конкретных городов и регионов, выявить очаги высокого загрязнения и лучше отслеживать, превращаются ли обещания в реальные сокращения климатического загрязнения.

Цитирование: 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

Ключевые слова: городские выбросы парниковых газов, машинное обучение, города G20, климатические данные, субнациональная климатическая политика