DOI: https://doi.org/10.1038/s41598-025-04236-5
PMID: https://pubmed.ncbi.nlm.nih.gov/40461645
تاريخ النشر: 2025-06-03
المؤلف: Arju Manara Begum وآخرون
الموضوع الرئيسي: الأثر البيئي والاستدامة
نظرة عامة
تستكشف هذه الدراسة إمكانيات الدول الحادية عشرة الأكثر انبعاثًا للكربون لتحقيق أهدافها في اتفاق باريس والمساهمات المحددة وطنيًا (NDC) من خلال تحليل اتجاهات الانبعاثات من 1990 إلى 2023. باستخدام إطار عمل التعلم الآلي، تتضمن البحث أحد عشر متغيرًا يتعلق بالأداء الاقتصادي والصناعة واستهلاك الطاقة للتنبؤ بانبعاثات ثاني أكسيد الكربون. تستخدم التحليل ستة خوارزميات بارزة في التعلم الآلي، حيث تم تحديد الانحدار باستخدام دعم المتجهات (SVR) وXGBoost وGradient Boosting وK-Nearest Neighbors كالأكثر دقة، محققة دقة تنبؤ متوسطة تبلغ 96.21%. كما تسلط الدراسة الضوء على فعالية إطار عمل اختيار الميزات التدريجي (SSSF)، الذي حسّن الدقة بمعدل 16.38% فوق نماذج الأساس، وهو ما تم تأكيده من خلال اختبار مجموع الرتب ويلكوكسون (p = 0.00097، df = 20).
تشير النتائج إلى أنه بينما قامت بعض الدول بتنفيذ سياسات قوية للحد من الانبعاثات، لا تزال هناك تحديات كبيرة. على سبيل المثال، من المتوقع أن تتجاوز روسيا هدفها في اتفاق باريس قبل عام 2030، بينما من المتوقع أن تفشل الولايات المتحدة وألمانيا في تحقيق أهدافهما بأقل من 10%. بالمقابل، من المتوقع أن تفوت الصين والهند واليابان وكندا وكوريا الجنوبية وإندونيسيا أهدافها بأكثر من 10%. تؤكد الدراسة على ضرورة تعزيز تنفيذ السياسات، والاستثمار في التقنيات النظيفة، والتعاون الدولي لتحقيق أهداف المناخ. كما تعترف بوجود قيود في النماذج المستخدمة، لا سيما فيما يتعلق بتقدير عدم اليقين وقابلية التفسير، مما يقترح طرقًا للبحث المستقبلي، مثل النماذج الهجينة وتوقعات الانبعاثات الخاصة بالقطاعات، لتحسين قوة التنبؤ ومعالجة تعقيدات ديناميات انبعاثات الكربون.
الطرق
تتناول الدراسة الزيادة في انبعاثات ثاني أكسيد الكربون العالمية وتأثيراتها البيئية من خلال تطوير إطار عمل للتنبؤ يستخدم تقنيات التعلم الآلي المتقدمة المصممة خصيصًا لتحليل السلاسل الزمنية. يهدف الإطار إلى تقديم تنبؤات دقيقة لانبعاثات ثاني أكسيد الكربون المستقبلية من خلال استخدام أحد عشر مؤشرًا اقتصاديًا وطاقة وصناعيًا حيويًا من الدول الحادية عشرة الأكثر انبعاثًا لثاني أكسيد الكربون. تعمل هذه المؤشرات كبدائل للعوامل المعروفة في هوية IPAT وتحليل كايا، بما في ذلك الناتج الاقتصادي (الناتج المحلي الإجمالي)، كثافة الطاقة (استهلاك الطاقة لكل الناتج المحلي الإجمالي)، كثافة الكربون للطاقة (التفريق بين المصادر الأحفورية والمتجددة)، والعوامل الهيكلية مثل الناتج الصناعي والتصنيعي.
من بين المتغيرات المدرجة في التحليل، يتم تسليط الضوء على استهلاك الأسمدة كمؤشر مهم للتصنيع الزراعي، وهو أمر ذي صلة خاصة في الاقتصادات النامية ذات الانبعاثات العالية. تشمل الميزات الرئيسية للإطار استهلاك الطاقة من الوقود الأحفوري (يُقاس بالوحدات الحرارية البريطانية) ونمو الناتج المحلي الإجمالي السنوي للفرد (يُعبر عنه كنسبة مئوية)، وكلاهما حيوي لفهم ديناميات انبعاثات ثاني أكسيد الكربون فيما يتعلق بالأنشطة الاقتصادية.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. عادةً ما يتضمن بيانات كمية، وتحليلات إحصائية، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول التي توضح النتائج. غالبًا ما تتم مقارنة النتائج مع الفرضيات أو الدراسات السابقة لتسليط الضوء على الفروق أو التأكيدات المهمة.
في هذا القسم، قد يبلغ المؤلفون عن مقاييس محددة، مثل المتوسطات والانحرافات المعيارية أو قيم p، لدعم ادعاءاتهم. بالإضافة إلى ذلك، يتم مناقشة أي اتجاهات أو أنماط ملحوظة في البيانات، مما يوفر رؤى حول تداعيات النتائج. بشكل عام، يخدم هذا القسم في توصيل الأدلة التجريبية التي تدعم أهداف البحث واستنتاجاته بوضوح.
المناقشة
في هذه الدراسة، قام المؤلفون بتحليل انبعاثات ثاني أكسيد الكربون لكل وحدة من الناتج المحلي الإجمالي عبر إحدى عشرة دولة باستخدام مجموعة بيانات من البنك الدولي تغطي الفترة من 1990 إلى 2023. تم تكملة المتغير التابع، انبعاثات ثاني أكسيد الكربون، بعدة متغيرات مستقلة، بما في ذلك استهلاك الطاقة الكهربائية، والسكان، ومقاييس التجارة. تم معالجة البيانات المفقودة باستخدام متوسط متحرك لمدة ثلاث سنوات، وخضعت مجموعة البيانات لتنظيف شامل وهندسة ميزات لتعزيز القدرات التنبؤية. شمل عملية هندسة الميزات إنشاء ميزات زمنية ومشتقة من الهدف ومتأخرة، مع استخدام اختبارات سببية غرانجر لاختيار المتنبئين المتأخرين ذوي الصلة. أدى ذلك إلى زيادة كبيرة في كل من عدد الميزات ونقاط البيانات، مما أدى في النهاية إلى تحسين أداء النموذج.
شمل الإطار التجريبي نماذج متعددة من التعلم الآلي، بما في ذلك الانحدار باستخدام دعم المتجهات (SVR) والغابات العشوائية وGradient Boosting، مع إجراء ضبط للمعلمات عبر البحث الشبكي والتحقق المتقاطع. تم استخدام طريقة اختيار الميزات المتسلسلة (SSFS) للتخلص من الميزات الزائدة، مما أدى إلى تحسين دقة النموذج بشكل إحصائي كبير، كما تم تأكيده من خلال اختبار الرتبة الموقعة ويلكوكسون. أشارت النتائج إلى أن استهلاك الطاقة الكهربائية ومقاييس الطاقة المتجددة كانت العوامل الأكثر تأثيرًا في انبعاثات ثاني أكسيد الكربون عبر عدة دول، مما يبرز أهمية الانتقال إلى مصادر الطاقة النظيفة. حققت النماذج الأفضل أداءً دقة متوسطة تتجاوز 90%، مما يظهر قدرات تنبؤية قوية لتوقع انبعاثات ثاني أكسيد الكربون من 2024 إلى 2030.
DOI: https://doi.org/10.1038/s41598-025-04236-5
PMID: https://pubmed.ncbi.nlm.nih.gov/40461645
Publication Date: 2025-06-03
Author(s): Arju Manara Begum et al.
Primary Topic: Environmental Impact and Sustainability
Overview
This study investigates the potential of the top eleven carbon-emitting countries to meet their Paris Agreement and Nationally Determined Contributions (NDC) targets by analyzing emission trends from 1990 to 2023. Utilizing a machine learning framework, the research incorporates eleven variables related to economic performance, industry, and energy consumption to predict carbon dioxide emissions. The analysis employs six prominent machine learning algorithms, identifying Support Vector Regression (SVR), XGBoost, Gradient Boosting, and K-Nearest Neighbors as the most accurate, achieving an average prediction accuracy of 96.21%. The study also highlights the effectiveness of the Stepwise Feature Selection Framework (SSSF), which improved accuracy by an average of 16.38% over baseline models, a result confirmed by the Wilcoxon rank sum test (p = 0.00097, df = 20).
The findings indicate that while some countries have implemented robust policies to curb emissions, significant challenges remain. For instance, Russia is projected to exceed its Paris Agreement target before 2030, while the USA and Germany are expected to fall short by less than 10%. In contrast, China, India, Japan, Canada, South Korea, and Indonesia are anticipated to miss their targets by over 10%. The study emphasizes the necessity for enhanced policy enforcement, investment in clean technologies, and international cooperation to achieve climate goals. It also acknowledges limitations in the models used, particularly regarding uncertainty quantification and interpretability, suggesting avenues for future research, such as hybrid models and sector-specific emissions forecasting, to improve predictive robustness and address the complexities of carbon emissions dynamics.
Methods
The study addresses the increasing global CO2 emissions and their environmental impacts by developing a forecasting framework that employs advanced machine learning techniques specifically designed for time series analysis. The framework aims to deliver accurate predictions of future CO2 emissions by utilizing eleven critical economic, energy, and industrial indicators from the top eleven CO2-emitting countries. These indicators serve as proxies for established drivers in the IPAT identity and Kaya decomposition, including economic output (GDP), energy intensity (energy consumption per GDP), carbon intensity of energy (differentiating between fossil and renewable sources), and structural factors such as industrial and manufacturing output.
Among the variables included in the analysis, fertilizer consumption is highlighted as an important indicator of agricultural industrialization, particularly relevant in high-emitting developing economies. Key features of the framework include fossil fuel energy consumption (measured in quadrillion British thermal units) and annual GDP per capita growth (expressed as a percentage), both of which are critical for understanding the dynamics of CO2 emissions in relation to economic activities.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It typically includes quantitative data, statistical analyses, and visual representations such as graphs or tables that illustrate the outcomes. The results are often compared against the hypotheses or previous studies to highlight significant differences or confirmations.
In this section, the authors may report specific metrics, such as means, standard deviations, or p-values, to substantiate their claims. Additionally, any observed trends or patterns in the data are discussed, providing insights into the implications of the findings. Overall, this section serves to clearly communicate the empirical evidence supporting the research objectives and conclusions.
Discussion
In this study, the authors analyzed CO2 emissions per unit of GDP across eleven countries using a dataset from the World Bank covering 1990 to 2023. The dependent variable, CO2 emissions, was complemented by various independent variables, including electric power consumption, population, and trade metrics. Missing data were addressed using a three-year moving average, and the dataset underwent extensive cleaning and feature engineering to enhance predictive capabilities. The feature engineering process included the creation of temporal, target-derived, and lagged features, with Granger causality tests employed to select relevant lagged predictors. This resulted in a significant increase in both the number of features and data points, ultimately improving model performance.
The empirical framework involved multiple machine learning models, including Support Vector Regression (SVR), Random Forest, and Gradient Boosting, with hyperparameter tuning conducted via grid search and cross-validation. The Sequential Squeeze Feature Selection (SSFS) method was utilized to eliminate redundant features, leading to a statistically significant improvement in model accuracy, as confirmed by the Wilcoxon signed-rank test. The findings indicated that electric power consumption and renewable energy metrics were the most influential factors in CO2 emissions across several countries, underscoring the importance of transitioning to cleaner energy sources. The best-performing models achieved an average accuracy exceeding 90%, demonstrating robust predictive capabilities for forecasting CO2 emissions from 2024 to 2030.