Nature Scientific Data: Оценки выбросов парниковых газов в городах стран G20 на субнациональном уровне за период 2000–2020 гг. с использованием методов машинного обучения
Надёжные и сопоставимые данные о выбросах парниковых газов на субнациональном уровне остаются дефицитными, несмотря на растущие ожидания того, что города и регионы будут играть ведущую роль в борьбе с изменением климата. Непоследовательная отчётность, методологические различия и ограниченный охват самоотчётных кадастров препятствуют отслеживанию прогресса и определению возможностей для смягчения последствий. Для решения этих проблем авторы разработали структуру машинного обучения для оценки ежегодных выбросов в CO2-эквиваленте категорий 1 и 2 для субнациональных юрисдикций в странах G20 с 2000 по 2020 гг. Предложенный подход интегрирует общедоступные геопространственные, социально-экономические и экологические данные с самоотчётными кадастрами, где это возможно, и согласовывает прогнозы с субнациональными административными границами. По сравнению с традиционными подходами, основанными на даунскейлинге или использовании прокси-данных, эта модель повышает пространственную релевантность и точность прогнозирования, одновременно учитывая специфические для данной местности факторы выбросов. Этот глобально согласованный, административно выровненный набор данных может служить отправной точкой для оценки прогресса в области изменения климата, особенно в условиях недостатка данных или непоследовательности в отчётности, и способствует принятию более целенаправленных, основанных на данных политических решений в области декарбонизации городов и регионов.