DOI: https://doi.org/10.1038/s41598-025-91222-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40246960
تاريخ النشر: 2025-04-17
المؤلف: Jian Sun وآخرون
الموضوع الرئيسي: الطاقة والبيئة والنمو الاقتصادي
نظرة عامة
تتناول هذه الدراسة التحدي الكبير لانبعاثات الكربون في الصين من خلال استخدام إطار بحثي جديد يدمج بين النمذجة، وتحليل SHAP (SHapley Additive exPlanations)، وتوقع السيناريوهات من منظور التعلم الآلي. تكشف التحليلات عن وجود علاقة قوية بين انبعاثات الكربون في الصين وتسعة متغيرات تفسيرية، لا سيما نسبة الفحم في إجمالي استهلاك الطاقة ومعدل التحضر. يقوم أسلوب SHAP بت quantifying مساهمات هذه المتغيرات، محددًا كثافة الطاقة كعامل سلبي ومعدل التحضر كعامل إيجابي يؤثر على انبعاثات الكربون. تتوقع الدراسة أن تنخفض انبعاثات الكربون في الصين من 2022 إلى 2028، حيث تصل إلى ذروتها بحلول عام 2030 بحوالي 9.72 مليار طن.
تشير النتائج إلى أن نموذج Random Forest يتفوق على XGBoost وSVR من حيث دقة التنبؤ بانبعاثات الكربون، مما يجعله خيارًا مناسبًا لهذه التحليلات. يعزز دمج تحليل SHAP مع التعلم الآلي من شفافية النموذج، مما يسمح لصانعي القرار بفهم أفضل للعوامل المؤثرة على الانبعاثات وصياغة سياسات فعالة. تقترح محاكاة السيناريوهات أنه، بموجب السياسات الحالية، ستستقر انبعاثات الكربون في الصين حتى عام 2030، مما يوفر رؤى حاسمة لصانعي السياسات في تطوير استراتيجيات تقليل الانبعاثات المستندة إلى العلم.
الطرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يتناول المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، لضمان إمكانية تكرار التجارب. تشمل المنهجية التقنيات المطبقة لجمع البيانات وتحليلها، بما في ذلك أي طرق إحصائية مستخدمة لتفسير النتائج.
كما يصف القسم الظروف التجريبية، مثل درجة الحرارة، والمدة، وأي ضوابط تم تنفيذها للتحقق من النتائج. من خلال تقديم نظرة شاملة على المواد والطرق، تهدف المؤلفون إلى تسهيل فهم الإطار التجريبي ودعم موثوقية الاستنتاجات المستخلصة من البحث.
النتائج
في هذه الدراسة، قام المؤلفون بتحليل بيانات الصين من 1997 إلى 2021، باستخدام مجموعة بيانات تحتوي على 24 إدخالًا، تم تقسيمها إلى مجموعات تدريب (90%) واختبار (10%). تم تقييم أداء ثلاثة نماذج تعلم آلي—الانحدار باستخدام دعم المتجهات (SVR)، وغابة عشوائية، وXGBoost—مع تصور النتائج في الشكل 3. تشير النتائج إلى أن كل من غابة عشوائية وXGBoost أنتجت قيمًا حقيقية ومتوقعة تتماشى بشكل وثيق مع المنحنى الملائم لـ $R^2 = 1$، بينما أظهرت قيم مجموعة الاختبار (المصورة كنقاط حمراء) أيضًا قربًا من هذا المنحنى.
أظهر التقييم الإضافي من خلال البحث الشبكي والتحقق المتقاطع بعشر طيات أن كل من غابة عشوائية وXGBoost حققت قيم $R^2$ تتجاوز 0.97. ومع ذلك، تفوقت غابة عشوائية على الآخرين من حيث مقاييس الخطأ، حيث كانت لديها أقل قيمة للخطأ التربيعي المتوسط (MSE)، والخطأ المطلق المتوسط (MAE)، والخطأ النسبي المطلق المتوسط (MAPE). وبالتالي، تم اختيار نموذج غابة عشوائية كأفضل خيار لتوقع انبعاثات الكربون، مع المعلمات التالية: max_depth = 5، max_features = log2، min_samples_leaf = 1، min_samples_split = 2، وn_estimators = 50.
المناقشة
في هذا القسم، تناقش الدراسة المنهجية والنتائج المتعلقة بنموذج قائم على التعلم الآلي لتوقع انبعاثات الكربون في الصين. تستخدم الدراسة مجموعة بيانات شاملة تتكون من 20 متغيرًا تفسيريًا، بما في ذلك مقاييس استهلاك الطاقة، والمؤشرات الاقتصادية، والعوامل الديموغرافية، المستمدة من الكتاب الإحصائي الصيني وCEADs، تغطي الفترة من 1997 إلى 2021. يتم استخدام معامل ارتباط سبيرمان لتحليل العلاقات بين هذه المتغيرات وانبعاثات الكربون، مما يكشف أن جميع المتغيرات تظهر ارتباطات كبيرة. في النهاية، يتم الاحتفاظ بتسعة متغيرات رئيسية للنمذجة، مع تحديد كثافة الطاقة ومعدل التحضر كأكثر العوامل تأثيرًا.
لبناء النموذج، تقارن الدراسة بين ثلاثة خوارزميات تعلم آلي: غابة عشوائية (RF)، والانحدار باستخدام دعم المتجهات (SVR)، وExtreme Gradient Boost (XGBoost). يظهر نموذج غابة عشوائية دقة تنبؤية واستقرار متفوقين، تم التحقق منهما من خلال التحقق المتقاطع بعشر طيات وتقييمه باستخدام مقاييس مثل الخطأ التربيعي المتوسط (MSE) ومعامل التحديد ($R^2$). يتم تطبيق طريقة قيمة شابلي لتفسير النموذج، مما يبرز أن كثافة الطاقة تؤثر سلبًا على انبعاثات الكربون، بينما يرتبط معدل التحضر ارتباطًا إيجابيًا. تشير توقعات السيناريو إلى أنه، بموجب السياسات الحالية، ستصل انبعاثات الكربون في الصين إلى ذروتها حوالي عام 2028 وقد تنخفض تدريجيًا بعد ذلك. تؤكد النتائج على أهمية السياسات المستهدفة لإدارة انبعاثات الكربون بشكل فعال، لا سيما في سياق التحضر وأنماط استهلاك الطاقة.
DOI: https://doi.org/10.1038/s41598-025-91222-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40246960
Publication Date: 2025-04-17
Author(s): Jian Sun et al.
Primary Topic: Energy, Environment, Economic Growth
Overview
This study addresses the significant challenge of carbon emissions in China by employing a novel research framework that integrates modeling, SHAP (SHapley Additive exPlanations) analysis, and scenario prediction from a machine learning perspective. The analysis reveals a strong correlation between China’s carbon emissions and nine explanatory variables, notably the proportion of coal in total energy consumption and the urbanization rate. The SHAP method quantifies the contributions of these variables, identifying energy intensity as a negative factor and urbanization rate as a positive factor influencing carbon emissions. The study predicts that China’s carbon emissions will plateau from 2022 to 2028, peaking at approximately 9.72 billion tons by 2030.
The findings indicate that the Random Forest model outperforms XGBoost and SVR in prediction accuracy for carbon emissions, making it a suitable choice for this analysis. The integration of SHAP analysis with machine learning enhances model transparency, allowing decision-makers to better understand the factors influencing emissions and to formulate effective policies. The scenario simulations suggest that, under current policies, China’s carbon emissions will stabilize until 2030, providing critical insights for policymakers in developing scientifically grounded emission reduction strategies.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methodology encompasses the techniques applied for data collection and analysis, including any statistical methods utilized to interpret the results.
The section also describes the experimental conditions, such as temperature, duration, and any controls implemented to validate the findings. By providing a comprehensive overview of the materials and methods, the authors aim to facilitate understanding of the experimental framework and support the reliability of the conclusions drawn from the research.
Results
In this study, the authors analyzed China’s panel data from 1997 to 2021, utilizing a dataset of 24 entries, which was split into training (90%) and test (10%) sets. The performance of three machine learning models—Support Vector Regression (SVR), Random Forest, and XGBoost—was evaluated, with results visualized in Figure 3. The findings indicate that both Random Forest and XGBoost produced true and predicted values closely aligned with the fitted curve of $R^2 = 1$, while the test set values (depicted as red dots) also showed proximity to this curve.
Further evaluation through grid search and ten-fold cross-validation revealed that both Random Forest and XGBoost achieved $R^2$ values exceeding 0.97. However, Random Forest outperformed the others in terms of error metrics, specifically having the lowest Mean Squared Error (MSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE). Consequently, the Random Forest model was selected as the optimal choice for predicting carbon emissions, with the following parameters: max_depth = 5, max_features = log2, min_samples_leaf = 1, min_samples_split = 2, and n_estimators = 50.
Discussion
In this section, the research discusses the methodology and findings related to a machine learning-based model for predicting carbon emissions in China. The study utilizes a comprehensive dataset comprising 20 explanatory variables, including energy consumption metrics, economic indicators, and demographic factors, sourced from the China Statistical Yearbook and CEADs, covering the period from 1997 to 2021. The Spearman correlation coefficient is employed to analyze the relationships between these variables and carbon emissions, revealing that all variables exhibit significant correlations. Ultimately, nine key variables are retained for modeling, with energy intensity and urbanization rate identified as the most influential factors.
For model construction, the study compares three machine learning algorithms: Random Forest (RF), Support Vector Regression (SVR), and Extreme Gradient Boost (XGBoost). The Random Forest model demonstrates superior predictive accuracy and stability, validated through ten-fold cross-validation and evaluated using metrics such as Mean Square Error (MSE) and Coefficient of Determination ($R^2$). The Shapley value method is applied to interpret the model, highlighting that energy intensity negatively impacts carbon emissions, while urbanization rate has a positive correlation. Scenario forecasting suggests that, under current policies, China’s carbon emissions will peak around 2028 and may gradually decline thereafter. The findings emphasize the importance of targeted policies to manage carbon emissions effectively, particularly in the context of urbanization and energy consumption patterns.