2000–2020 döneminde G20 alt-ulusal kentsel Sera Gazı (SG) emisyonları için makine öğrenimi tahminleri

Neden Şehir Emisyonları Herkesi İlgilendirir

Şehirler ve bölgeler iklim değişikliğinin ön cephesindedir ve sera gazı kirliliğinde derin kesintiler vaadederler. Ancak çoğu yer için, her yıl ne kadar emisyon saldıklarını güvenle bilmiyoruz. Bu çalışma, modern makine öğrenimini kullanarak dünyanın en büyük ekonomilerindeki binlerce kentsel alan için yıllık iklim ısınması emisyonlarını tahmin ederek bu karanlık noktayı ele alıyor; böylece vatandaşlara, planlamacılara ve politika yapıcılara nerede ilerleme kaydedildiğini ve nerede kaydedilmediğini daha net gösteriyor.

Büyüyen Vaad ve Veri Açığı

Son on yılda binlerce yerel yönetim iklim eylemi taahhüdünde bulundu ve birçoğu net sıfır hedefleri açıkladı. Ancak on şehirden daha azı ayrıntılı emisyon envanterlerini düzenli olarak raporladı. Şehirler rapor verdiğinde yöntemleri farklılık gösteriyor, dahil ettikleri sektörler değişiyor ve bazıları yalnızca sınırları içindeki emisyonları sayarken diğerleri tüketim yoluyla ortaya çıkan emisyonları da kapsıyor. Ulusal emisyon toplamlarını basitçe nüfus veya gelirle küçülterek şehirlere dağıtmak gibi geleneksel çözümler yerel çabaları gözden kaçırıyor ve gerçek değişimi bulanıklaştırıyor. Diğer ızgaralı küresel veri setleri tutarlılık sunsa da, yerel liderlerin karar verdiği gerçek sınırlarla örtüşmediği için uygulamada yararlılıkları sınırlı kalıyor.

Makineler Tarafından İnşa Edilen Yeni Bir Harita

Yazarlar, küresel emisyonların yaklaşık %80’ini oluşturan G20 ülkelerindeki yaklaşık 6.000 şehir ve 100’den fazla bölge için 2000–2020 yılları arasındaki yıllık sera gazı emisyonlarını tahmin etmek üzere bir makine öğrenimi çerçevesi kuruyor. İklim ağlarından ve hükümet platformlarından binlerce kendi bildirdikleri envanteri topluyor, ardından yinelenen kayıtlar, kişi başına düşen gerçek dışı değerler, ani sıçramalar veya düşüşler ve tutarsız birimler gibi hususları kontrol ederek bunları dikkatle temizliyor ve standartlaştırıyor. Her şehir veya bölge, tahminlerin il, eyalet, ilçe ve belediye gibi gerçek dünya yetki sınırlarıyla uyuşması için Global Administrative Areas Database kullanılarak resmi bir idari sınırla eşleştiriliyor.

Uzaydan ve Toplumdan Gelen İpuçlarıyla Modeli Beslemek

Modelin farklı yerlerin nasıl emisyon ürettiğini öğrenmesi için ekip, geniş bir yelpazede herkese açık veriler kullanıyor. Bunlar arasında uydu tabanlı fosil yakıt emisyonu tahminleri, sektöre özgü emisyon haritaları, elektrik kullanımı ve ince partiküller ile azot dioksit gibi hava kirliliği verileri bulunuyor. Nüfus ve gayri safi yurt içi hasıla gibi sosyoekonomik göstergeler ile hava verilerinden türetilen ısıtma ve soğutma ihtiyaçları gibi iklim ile ilgili ölçütler de ekleniyor. Zonel istatistikleri kullanılarak bu katmanların her biri şehir veya bölge sınırı içinde özetleniyor ve bunlar AutoGluon adlı otomatik bir makine öğrenimi sistemine besleniyor. Bu sistem, şehirlerin kendi raporladığı emisyonları en iyi şekilde tahmin etmek için birden çok alt modeli test edip birleştiriyor.

Tahminler Ne Kadar İyi Çalışıyor

Test için ayrılmış emisyon verilerinde model, farklı yerler arasındaki değişimin çoğunu açıklıyor; nüfus ve gelir en etkili sürücüler olarak öne çıkıyor, bunları bina emisyonları ve elektrik kullanımı izliyor. Araştırmacılar ayrıca tahminlerini şehir düzeyinde veya ızgaralı emisyonlar türeten diğer iki bağımsız veri setiyle karşılaştırıyor. Uyum, daha büyük idari alanlarda en güçlü düzeyde ve daha ince ölçeklerde makul düzeyde iyi kalıyor; ancak girdi verilerinin seyrek olduğu veya sektör kapsaması eksik olan yerlerde farklılıklar artıyor. Her tahmin etrafında belirsizlik aralıkları oluşturarak ve farklı model bileşenlerinin nasıl çeliştiğini inceleyerek, yazarlar en büyük belirsizliklerin raporlamanın en zayıf olduğu bölgelerde, özellikle Küresel Güney’in bazı kesimlerinde yoğunlaştığını gösteriyorlar.

İklim Eylemi İçin Anlamı

Ortaya çıkan ürün, 2000–2020 döneminde G20 ülkelerindeki binlerce alt-ulusal yönetim için yıllık emisyonları içeren ve eğitilmiş modeli de içeren herkese açık bir veri seti. Bu tahminler, şehirlerin kendilerince üretilen yerel envanterlerin yerine geçmek üzere değil; daha çok böyle envanterlerin eksik, parçalı veya karşılaştırılamaz olduğu durumlarda tutarlı bir temel sağlamak üzere tasarlandı. Sakinler, savunucular ve karar vericiler için bu, artık belirli şehirler ve bölgeler için iki on yıllık sürede emisyonların nasıl değiştiğini görebilecekleri, sıcak noktaları tespit edebilecekleri ve taahhütlerin gerçek dünyada iklim kirliliğinde somut kesintilere dönüşüp dönüşmediğini daha iyi izleyebilecekleri anlamına geliyor.

Atıf: 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

Anahtar kelimeler: kentsel sera gazı emisyonları, makine öğrenimi, G20 şehirleri, iklim verisi, alt-ulusal iklim politikası