論文の概要: Estimating air quality co-benefits of energy transition using machine
learning
- arxiv url: http://arxiv.org/abs/2105.14318v1
- Date: Sat, 29 May 2021 14:52:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-01 16:49:48.051538
- Title: Estimating air quality co-benefits of energy transition using machine
learning
- Title（参考訳）: 機械学習を用いたエネルギー遷移の空気質コベネフィットの推定
- Authors: Da Zhang, Qingyi Wang, Shaojie Song, Simiao Chen, Mingwei Li, Lu Shen,
Siqi Zheng, Bofeng Cai, Shenhao Wang
- Abstract要約: 大気質の改善から化石燃料の使用を減らすという健康上の利点を推定することは、二酸化炭素排出量の削減に重要な根拠となる。
本研究では, 高精度かつ堅牢な平均粒径(PM2.5)濃度推定が可能な, 高精度かつ簡潔な機械学習フレームワークを開発した。
本研究は, 炭素中性エネルギーシステムへの移行における費用対効果を最大化するために, 慎重な政策設計を促すものである。
- 参考スコア（独自算出の注目度）: 5.758035706324685
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimating health benefits of reducing fossil fuel use from improved air
quality provides important rationales for carbon emissions abatement.
Simulating pollution concentration is a crucial step of the estimation, but
traditional approaches often rely on complicated chemical transport models that
require extensive expertise and computational resources. In this study, we
develop a novel and succinct machine learning framework that is able to provide
precise and robust annual average fine particle (PM2.5) concentration
estimations directly from a high-resolution fossil energy use data set. The
accessibility and applicability of this framework show great potentials of
machine learning approaches for integrated assessment studies. Applications of
the framework with Chinese data reveal highly heterogeneous health benefits of
reducing fossil fuel use in different sectors and regions in China with a mean
of \$34/tCO2 and a standard deviation of \$84/tCO2. Reducing rural and
residential coal use offers the highest co-benefits with a mean of \$360/tCO2.
Our findings prompt careful policy designs to maximize cost-effectiveness in
the transition towards a carbon-neutral energy system.
- Abstract（参考訳）: 水質改善による化石燃料の使用削減による健康上のメリットの推定は、二酸化炭素排出削減の重要な根拠となる。
汚染濃度のシミュレーションは推定の重要なステップであるが、従来のアプローチは複雑な化学輸送モデルに依存しており、膨大な専門知識と計算資源を必要とする。
本研究では,高分解能化石エネルギー利用データセットから直接,高精度でロバストな年平均粒子(pm2.5)濃度推定を可能にする,簡潔な機械学習フレームワークを開発した。
このフレームワークのアクセシビリティと適用性は、統合評価研究における機械学習アプローチの大きな可能性を示している。
中国のデータとの枠組みの適用により、中国各部門や地域における化石燃料の使用を34ドル/tco2平均と84ドル/tco2標準偏差で減らすという、非常に異質な健康上のメリットが明らかになった。
田園および住宅の石炭利用を減らすことは、360ドル/tco2平均で最も高い利益をもたらす。
本研究は,カーボンニュートラルエネルギーシステムへの移行におけるコスト効率を最大化するために,注意深い政策設計を提起する。
関連論文リスト
- Enhancing Carbon Emission Reduction Strategies using OCO and ICOS data [40.572754656757475]
我々は,OCO-2(Orbiting Carbon Observatories)とOCO-3(Orbiting Carbon Observatories)の衛星データとICOS(Integrated Carbon Observation System)の地上観測とECMWFリアナリシスv5(ERA5)の気象データを統合することで,局部的なCO2モニタリングを強化する手法を提案する。
衛星観測から地上レベルCO2を予測するために,K-nearest neighbor (KNN) と機械学習モデルを用いて,3.92ppmのルート平均正方形誤差を達成した。
論文 参考訳（メタデータ） (2024-10-05T21:23:58Z) - Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳（メタデータ） (2024-08-27T15:03:20Z) - Carbon Footprint Accounting Driven by Large Language Models and Retrieval-augmented Generation [3.428260237038657]
従来のライフサイクルアセスメント手法は人間の専門知識に大きく依存しており、ほぼリアルタイムのアップデートを困難にしている。
本稿では,大規模言語モデル(LLM)と検索拡張生成技術を統合し,炭素フットプリント情報検索と分析のリアルタイム,専門的,経済的な側面を強化する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2024-08-19T06:05:24Z) - A Comprehensive Approach to Carbon Dioxide Emission Analysis in High Human Development Index Countries using Statistical and Machine Learning Techniques [4.106914713812204]
世界規模の二酸化炭素排出量を効果的に削減するためには、二酸化炭素排出量の傾向を予測し、その排出量パターンに基づいて国を分類することが不可欠だ」と述べた。
本稿では,HDI(Human Development Index)を有する20カ国におけるCO2排出量の決定要因について,25年間にわたる経済,環境,エネルギー利用,再生可能資源に関連する要因について,詳細な比較研究を行った。
論文 参考訳（メタデータ） (2024-05-01T21:00:02Z) - Generative AI for Low-Carbon Artificial Intelligence of Things with Large Language Models [67.0243099823109]
ジェネレーティブAI(GAI)は、AIoT(Artificial Intelligence of Things)の二酸化炭素排出量を減らす大きな可能性を秘めている
本稿では, 炭素排出量削減のためのGAIの可能性について検討し, 低炭素AIoTのための新しいGAI対応ソリューションを提案する。
本稿では,Large Language Model (LLM) を利用したCO_2排出最適化フレームワークを提案し,このフレームワークにより,プラグ可能なLLMとRetrieval Augmented Generation (RAG) モジュールを設計する。
論文 参考訳（メタデータ） (2024-04-28T05:46:28Z) - Multicollinearity Resolution Based on Machine Learning: A Case Study of
Carbon Emissions in Sichuan Province [0.6616610975735081]
本研究は, 行列正規化を用いた46主要四川産業における2000-2019年エネルギー消費データを前処理した。
DBSCANクラスタリングでは、16種類の特徴クラスを客観的にグループ化している。
その結果、石炭の2番目のクラスターは、生産需要のため、最も高い排出率を示した。
論文 参考訳（メタデータ） (2023-09-03T08:08:59Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳（メタデータ） (2023-07-01T15:18:00Z) - Machine Guided Discovery of Novel Carbon Capture Solvents [48.7576911714538]
機械学習は、材料開発における時間とリソースの負担を軽減するための有望な方法を提供する。
そこで我々は, 市販の酸性ガススクラップ式炭素捕捉装置に適合する新規な水性アミンを, エンドツーエンドで発見する「発見サイクル」を開発した。
予測プロセスは、材料パラメータの両方の実験に対して60%の精度を示し、外部テストセット上では1つのパラメータに対して80%の精度を示す。
論文 参考訳（メタデータ） (2023-03-24T18:32:38Z) - Counting Carbon: A Survey of Factors Influencing the Emissions of
Machine Learning [77.62876532784759]
機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。
このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。
本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
論文 参考訳（メタデータ） (2023-02-16T18:35:00Z) - Carbon Emissions and Large Neural Network Training [19.233899715628073]
我々は最近の大型モデルT5, Meena, GShard, Switch Transformer, GPT-3のエネルギー使用量と炭素フットプリントを算出する。
エネルギー効率とCO2排出量(CO2e)を改善するための次の機会を強調します。
MLの炭素フットプリントを減らすために、エネルギー使用量とCO2eはモデルを評価する上で重要な指標であるべきだと考えています。
論文 参考訳（メタデータ） (2021-04-21T04:44:25Z) - Towards the Systematic Reporting of the Energy and Carbon Footprints of
Machine Learning [68.37641996188133]
我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。
エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。
炭素排出量削減とエネルギー消費削減のための戦略を提案する。
論文 参考訳（メタデータ） (2020-01-31T05:12:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。