論文の概要: Estimation of Corporate Greenhouse Gas Emissions via Machine Learning
- arxiv url: http://arxiv.org/abs/2109.04318v1
- Date: Thu, 9 Sep 2021 14:50:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-10 14:29:01.866878
- Title: Estimation of Corporate Greenhouse Gas Emissions via Machine Learning
- Title（参考訳）: 機械学習による企業温室効果ガス排出量の推定
- Authors: You Han, Achintya Gopal, Liwen Ouyang, Aaron Key
- Abstract要約: 欧州委員会は2021年4月に最も野心的な気候変動対策を採択した。
世界中の企業のカーボンフットプリントを見る能力は、投資家にとってこの措置に従うことが重要だ。
公表された温室効果ガス排出量に関する機械学習モデルをトレーニングすることにより、排出を公表していない他の企業の排出量を世界規模で推定することができる。
- 参考スコア（独自算出の注目度）: 1.3190581566723916
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As an important step to fulfill the Paris Agreement and achieve net-zero
emissions by 2050, the European Commission adopted the most ambitious package
of climate impact measures in April 2021 to improve the flow of capital towards
sustainable activities. For these and other international measures to be
successful, reliable data is key. The ability to see the carbon footprint of
companies around the world will be critical for investors to comply with the
measures. However, with only a small portion of companies volunteering to
disclose their greenhouse gas (GHG) emissions, it is nearly impossible for
investors to align their investment strategies with the measures. By training a
machine learning model on disclosed GHG emissions, we are able to estimate the
emissions of other companies globally who do not disclose their emissions. In
this paper, we show that our model provides accurate estimates of corporate GHG
emissions to investors such that they are able to align their investments with
the regulatory measures and achieve net-zero goals.
- Abstract（参考訳）: 2050年までにパリ協定を履行し、ネットゼロ排出を達成するための重要なステップとして、欧州委員会は2021年4月に持続可能な活動に向けた資本フローを改善するための最も野心的な気候変動対策パッケージを採択した。
こうした国際的措置が成功するためには、信頼できるデータが重要だ。
世界中の企業のカーボンフットプリントを見る能力は、投資家にとってこの措置に従うことが重要だ。
しかし、温室効果ガス(GHG)排出の開示を志願している企業はごく少数であり、投資家が投資戦略を同調することはほぼ不可能である。
公表されたGHG排出量に関する機械学習モデルをトレーニングすることにより、排出を公表していない他の企業の排出量を世界規模で推定することができる。
本稿では,企業におけるGHG排出量の正確な推計を投資家に提供し,投資を規制措置と整合させ,純ゼロの目標を達成できることを示す。
関連論文リスト
- InvestESG: A multi-agent reinforcement learning benchmark for studying climate investment as a social dilemma [8.867831781244575]
InvestESGは、ESG開示義務が企業気候投資に与える影響を研究するために設計された、新しいマルチエージェント強化学習(MARL)ベンチマークである。
我々の実験は、十分な資本を持つESGを意識した投資家がいなければ、開示委任統治下での企業緩和努力は限定的であることを示している。
地球温暖化のリスクに関するより多くの情報を提供することで、投資家が関与しなくても、企業は緩和により多くの投資をすることができる。
論文 参考訳（メタデータ） (2024-11-15T00:31:45Z) - Climate AI for Corporate Decarbonization Metrics Extraction [7.522638089716454]
コーポレートデカーボライズメトリックス抽出(CAI)モデルとパイプラインについて紹介する。
本研究では, 企業公開情報からのデータキュレーション, 検証, 評価を自動化することにより, データの収集効率と精度を向上させることを実証する。
論文 参考訳（メタデータ） (2024-11-05T18:37:51Z) - 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 Market Simulation with Adaptive Mechanism Design [55.25103894620696]
炭素市場(英: carbon market)は、個人の利益をグローバルユーティリティーと整合させる経済エージェントをインセンティブとする、市場ベースのツールである。
階層型モデルフリーマルチエージェント強化学習(MARL)を用いて市場をシミュレートする適応機構設計フレームワークを提案する。
MARLは、政府エージェントが生産性、平等、二酸化炭素排出のバランスをとることができることを示している。
論文 参考訳（メタデータ） (2024-06-12T05:08:51Z) - 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) - Dynamic nowcast of the New Zealand greenhouse gas inventory [0.0]
ニュージーランドの国内排ガス在庫は、現在15～27カ月前に報告されている。
本稿では,ニュージーランドの温室効果ガス排出量を現在(動的に見積もる)機械学習手法を提案する。
主な発見は、2020年以来の国内総排出量の0.2%減少である。
論文 参考訳（メタデータ） (2024-02-16T22:19:43Z) - 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) - Greenhouse gases emissions: estimating corporate non-reported emissions
using interpretable machine learning [0.0]
2022年現在、温室効果ガス(GHG)排出量の報告と監査はすべての企業に対して義務付けられていない。
我々は、まだ報告していない企業のスコープ1とスコープ2のGHG排出量を推定する機械学習モデルを提案する。
論文 参考訳（メタデータ） (2022-12-21T08:36:02Z) - Estimating Meetings' Air Flight $CO_2$ Equivalent Emissions An
Illustrative Example with IETF meetings [0.0]
CO2eqの推計では、IETF会議への参加は、石炭で発電するヨーロッパ諸国の1人当たりのCOドルと同等額のCOドルを発生させる。
また、IETFの戦略にサステナビリティ原則を組み込むことは、例えば「リモート」参加の経験を高める努力を拡大することを含むべきである。
論文 参考訳（メタデータ） (2022-12-04T23:52:24Z) - Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language
Model [72.65502770895417]
176ビリオンパラメータ言語モデルBLOOMの炭素フットプリントを,そのライフサイクルにわたって定量化する。
BLOOMの最終訓練で約24.7トンのカルボネックが放出されたと推定する。
本稿では,機械学習モデルの炭素フットプリントを正確に推定することの難しさについて論じる。
論文 参考訳（メタデータ） (2022-11-03T17:13:48Z) - (Private)-Retroactive Carbon Pricing [(P)ReCaP]: A Market-based Approach
for Climate Finance and Risk Assessment [64.83786252406105]
Retrospective Social Cost of Carbon Updating (ReSCCU) は、実験的に測定された証拠を収集して制限を補正する新しいメカニズムである。
炭素税の文脈でReSCCUを実装するために,Retroactive Carbon Pricing (ReCaP)を提案する。
組織的リスクを緩和し、政府の関与を最小限に抑えるため、我々はPrivate ReCaP(Private ReCaP)予測市場を導入する。
論文 参考訳（メタデータ） (2022-05-02T06:02:13Z)
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。