論文の概要: Forecasting, capturing and activation of carbon-dioxide (CO$_2$):
Integration of Time Series Analysis, Machine Learning, and Material Design
- arxiv url: http://arxiv.org/abs/2307.14374v1
- Date: Tue, 25 Jul 2023 16:03:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-28 17:17:32.290352
- Title: Forecasting, capturing and activation of carbon-dioxide (CO$_2$):
Integration of Time Series Analysis, Machine Learning, and Material Design
- Title（参考訳）: 二酸化炭素の予測・捕捉・活性化(CO$_2$):時系列分析・機械学習・材料設計の統合
- Authors: Suchetana Sadhukhan and Vivek Kumar Yadav
- Abstract要約: 本研究は,2019年1月から2023年2月までの日次産業別,国別CO$の排出量を総合的に分析した。
この研究は、ヨーロッパ諸国(EU27とイギリス、イタリア、ドイツ、スペイン)の電力、産業、陸上輸送、国内航空、国際航空部門に焦点を当てている。
通常の排出パターンを特定するため、新型コロナウイルスのパンデミックによる破壊的な影響により、2020年のデータは除外される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study provides a comprehensive time series analysis of daily
industry-specific, country-wise CO$_2$ emissions from January 2019 to February
2023. The research focuses on the Power, Industry, Ground Transport, Domestic
Aviation, and International Aviation sectors in European countries (EU27 & UK,
Italy, Germany, Spain) and India, utilizing near-real-time activity data from
the Carbon Monitor research initiative. To identify regular emission patterns,
the data from the year 2020 is excluded due to the disruptive effects caused by
the COVID-19 pandemic. The study then performs a principal component analysis
(PCA) to determine the key contributors to CO$_2$ emissions. The analysis
reveals that the Power, Industry, and Ground Transport sectors account for a
significant portion of the variance in the dataset. A 7-day moving averaged
dataset is employed for further analysis to facilitate robust predictions. This
dataset captures both short-term and long-term trends and enhances the quality
of the data for prediction purposes. The study utilizes Long Short-Term Memory
(LSTM) models on the 7-day moving averaged dataset to effectively predict
emissions and provide insights for policy decisions, mitigation strategies, and
climate change efforts. During the training phase, the stability and
convergence of the LSTM models are ensured, which guarantees their reliability
in the testing phase. The evaluation of the loss function indicates this
reliability. The model achieves high efficiency, as demonstrated by $R^2$
values ranging from 0.8242 to 0.995 for various countries and sectors.
Furthermore, there is a proposal for utilizing scandium and
boron/aluminium-based thin films as exceptionally efficient materials for
capturing CO$_2$ (with a binding energy range from -3.0 to -3.5 eV). These
materials are shown to surpass the affinity of graphene and boron nitride
sheets in this regard.
- Abstract（参考訳）: 本研究は,2019年1月から2023年2月までの日次産業別,国別CO$_2排出の時系列分析を行う。
この研究は欧州諸国(eu27、イギリス、イタリア、ドイツ、スペイン)とインドにおける電力、産業、地上輸送、国内航空、国際航空部門に焦点を当て、カーボンモニター研究イニシアチブのほぼリアルタイムな活動データを利用している。
通常の排出パターンを特定するため、新型コロナウイルスのパンデミックによる破壊的な影響により、2020年のデータは除外される。
この研究は、CO$_2$排出の主要な寄与要因を決定するための主成分分析(PCA)を実行する。
この分析は、電力、産業、地上輸送部門がデータセットのばらつきの大部分を占めていることを示している。
強固な予測を容易にするために、さらなる分析のために7日間の移動平均データセットが使用される。
このデータセットは、短期トレンドと長期トレンドの両方をキャプチャし、予測目的のデータの品質を高める。
この研究は、7日間の移動平均データセット上のLong Short-Term Memory(LSTM)モデルを使用して、エミッションを効果的に予測し、政策決定、緩和戦略、気候変動の取り組みに関する洞察を提供する。
トレーニングフェーズでは、LSTMモデルの安定性と収束が保証され、テストフェーズにおける信頼性が保証される。
損失関数の評価はこの信頼性を示す。
このモデルは、様々な国やセクターで0.8242から0.995のR^2$の値で示されるように、高い効率を達成する。
さらに, スカンジウムおよびホウ素/アルミニウム系薄膜をCO$2$(結合エネルギーは-3.0から-3.5eV)を捕捉するための極めて効率的な材料として用いることを提案する。
これらの材料はグラフェンおよび窒化ホウ素シートの親和性を超えることが示されている。
関連論文リスト
- 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) - Reporting and Analysing the Environmental Impact of Language Models on the Example of Commonsense Question Answering with External Knowledge [7.419725234099729]
チャットGPTは大規模言語モデル(LLM)に社会的な関心を喚起した
LLMは相当な計算資源を必要としており、財政的にも環境的にも訓練に非常に費用がかかる。
本研究では,外部知識でT5 LLMを注入し,質問応答タスクのモデルを微調整した。
論文 参考訳（メタデータ） (2024-07-24T16:16:16Z) - 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) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。
本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。
評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
論文 参考訳（メタデータ） (2023-07-14T06:50:02Z) - A comparative study of statistical and machine learning models on
near-real-time daily emissions prediction [0.0]
二酸化炭素排出量の急激な上昇は、地球温暖化と気候変動の大きな原因である。
本稿は、2020年1月1日から2022年9月30日までの日中排出量予測に適したモデルを選択することを目的とする。
論文 参考訳（メタデータ） (2023-02-02T15:14:27Z) - Strict baselines for Covid-19 forecasting and ML perspective for USA and
Russia [105.54048699217668]
Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。
本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
論文 参考訳（メタデータ） (2022-07-15T18:21:36Z) - Improving Load Forecast in Energy Markets During COVID-19 [5.128521783181427]
新型コロナウイルスのパンデミック(COVID-19)の急激な流行は、2020年で最も重要な出来事であり、世界中で深刻な影響が続いた。
本稿では,新型コロナウイルスの感染拡大に伴う負荷予測性能の向上に有効なモデルや特徴を体系的に評価することで,研究ギャップを埋めることを目的とする。
論文 参考訳（メタデータ） (2021-10-01T02:55:06Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Share Price Prediction of Aerospace Relevant Companies with Recurrent
Neural Networks based on PCA [13.033705947070931]
主成分分析(PCA)とリカレントニューラルネットワークを組み合わせたハイブリッド予測モデルを提案する。
財務データ、抽出された特徴、アルゴリズム、パラメータなど、様々な要因が予測モデルの性能に影響を与える可能性がある。
開発されたアプローチは、新型コロナウイルス(COVID-19)以降の航空宇宙産業の株価を予測するために使用することができる。
論文 参考訳（メタデータ） (2020-08-26T20:16:33Z) - A machine learning methodology for real-time forecasting of the
2019-2020 COVID-19 outbreak using Internet searches, news alerts, and
estimates from mechanistic models [53.900779250589814]
提案手法は,2日前の安定かつ正確な予測を行うことができる。
我々のモデルでは,中国32州中27州において,ベースラインモデルよりも予測力が優れています。
論文 参考訳（メタデータ） (2020-04-08T14:39:32Z)
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。