Auf dem Weg zu Netto-Null-Zielen

Kap. 1 bietet eine kurze Beschreibung der verschiedenen Bereiche, die in diesem Buch behandelt werden, und den von jedem von diesen Bereichen bei der Durchführung normaler Aktivitäten emittierten Kohlenstoff. Das Kapitel hebt die Verwendung von KI/ML hervor, um die Klimawandelfolgen vorherzusagen, die durch Investitionen in fossile Brennstoffsektoren entstehen, prognostiziert CO₂-Emissionen aus dem Verkehrssektor, prognostiziert die durchschnittliche Landtemperatur aufgrund nicht erneuerbarer Energiequellen und teilt indische Bundesstaaten auf der Grundlage von Haushaltskohlenstoffemissionen in Gruppen ein. Die verbleibenden Unterkapitel vertiefen die einzelnen Bereiche ein und präsentieren Erkenntnisse, die uns dabei helfen können, die negativen Auswirkungen des Klimawandels einzudämmen. Finanzinstitutionen, Energie- und Verkehrssektoren sowie Einzelpersonen können ermutigt werden, Daten aus Betriebsaktivitäten und jedem Teil der Wertschöpfungskette zu sammeln und KI-gestützte Datenverarbeitung zu verwenden, um Emissionen über ihren gesamten Kohlenstofffußabdruck hinweg zu verfolgen.

Der Klimawandel ist eines der kritischsten Umweltprobleme, mit denen wir uns auseinandersetzen müssen, und er wird von Tag zu Tag schwerwiegender. In diesem Kapitel wird eine umfassende Literaturübersicht zum Thema der Rolle des Bankensektors und der Finanzinstitutionen bei der Erreichung des Netto-Null-Ziels vorgestellt. Darüber hinaus werden klimawandelbezogene Offenlegungen in der Bankenbranche, verschiedene Netto-Null-Strategien, Initiativen, Wirtschaftsmodelle und Investitionen in fossile Brennstoffe diskutiert. Daten über Investitionen von Banken in verschiedene Sektoren für fossile Brennstoffe wurden von der Website des Rainforest Action Network eingeholt, einer gemeinnützigen Umweltorganisation. Ein Datensatz zu verschiedenen Folgen des Klimawandels wurde von der NASA und dem IWF zusammengestellt. Im Laufe der Identifizierung und Beschreibung der Datenquellen wurde festgestellt, dass es einen Zusammenhang zwischen den Investitionen von Banken in sieben Sektoren fossiler Brennstoffe und den Folgen des Klimawandels gibt. JPMorgan Chase hat sich als die Bank herausgestellt, die am meisten in den gesamten Sektor für fossile Brennstoffe investiert. Im Vergleich dazu hat die State Bank of India in drei Sektoren für fossile Brennstoffe nicht investiert – Teersande, Fracking-Öl und -Gas und LNG.

Bis 2050 werden wahrscheinlich Millionen von Menschen von Dürre und Wasserknappheit betroffen sein, und bereits mehrere Großstädte der Welt werden durch Überschwemmungen der Küsten gefährdet sein [1]. Das Problem hängt hauptsächlich mit den Emissionen des fossilen Brennstoffsektors und den Banken zusammen, die diese finanzieren oder in sie investieren. Daher sind die auf fossile Brennstoffe ausgerichteten Investitionen sehr kritisch zu sehen, und von den Banken wird erwartet, dass sie ihre Portfolios so ausrichten, dass sie die negativen Auswirkungen des Klimawandels ausgleichen. Deshalb ist die Vorhersage der Folgen des Klimawandels, die durch Investitionen von Finanzinstituten im fossilen Brennstoffsektor entstehen, sehr wichtig.

In diesem Kapitel werden verschiedene Forschungsarbeiten im Bereich der Energiewirtschaft und des Klimawandels aus verschiedenen Perspektiven untersucht. Eine Überprüfung verschiedener Publikationen wird für „verschiedene Arten von Energiequellen“, „Emissionen aus verschiedenen nicht erneuerbaren Energiequellen in Indien“ und „Zusammenhang zwischen Energiesektor und Klimawandel“ durchgeführt, um die Bedeutung des Netto-Null-Ziels zu verstehen. Die Literaturübersicht hebt deutlich das Risiko des Klimawandels hervor, und für eine nachhaltige Zukunft müssen deutliche Maßnahmen ergriffen werden. Indien bezieht Energie und Strom hauptsächlich aus nicht erneuerbaren Quellen, und mit der steigenden Nutzung werden sie bald erschöpft sein, was wiederum eine Bedrohung für das Leben von Millionen Menschen darstellt. Steigende Emissionen haben aufgrund der umfangreichen Nutzung von nicht erneuerbaren Energiequellen über viele Jahrzehnte zu höheren durchschnittlichen Landtemperaturen geführt. Im letzten Abschnitt dieses Kapitels wird ein Datensatz erstellt, der die CO₂-Emissionen aus verschiedenen nicht erneuerbaren Energiequellen zusammen mit den durchschnittlichen Landtemperaturen Indiens über einen Zeitraum von 54 Jahren darstellt. Eine detaillierte Erklärung der verwendeten Prognosemodelle wird ebenfalls gegeben.

Kapitel 5 versucht, Trends in der durchschnittlichen Landtemperatur aufgrund von CO₂-Emissionen aus nicht erneuerbaren Energiequellen wie „Kohle“, „Öl“, „Erdgas“ und „Abfackelung“ vorherzusagen. Das Kapitel veranschaulicht den schrittweisen Prozess der Zeitreihenanalyse, der zur Vorhersage von Temperaturwerten verwendet wird. Vorhersagen mithilfe eines maschinellen Lernmodells zeigen, dass, wenn keine signifikanten und sofortigen Maßnahmen umgesetzt werden, die Emissionen aus diesen Energiequellen bei der aktuellen Rate von Verbrauch und Produktion in naher Zukunft weiter steigen werden. Die Ergebnisse deuten darauf hin, dass die durchschnittliche Landtemperatur in Indien in den kommenden Jahren voraussichtlich um 0,2 °C steigen wird.

Das Kapitel beginnt mit einer Einführung in den Klimawandel, diskutiert globale Initiativen zur Minderung und stellt die Emissionen des Haushaltssektors in Indien in den Vordergrund. Die Literaturübersicht zeigt deutlich, dass es einen zunehmenden Trend zu Untersuchungen rund um Wohn- und Haushaltsemissionen gibt, und die Studien werden überwiegend in China durchgeführt, gefolgt von Australien und den Vereinigten Staaten. Die Literaturübersicht stellt auch eine Ähnlichkeit zwischen Wohn- und primären Haushaltsenergieemissionen fest, verschiedene Arbeiten in Zusammenhang mit Kohlenstoffemissionen von Haushalten wurden überprüft. Einige Forscher haben einen Clusteransatz verwendet, um regionale Haushaltsemissionen zu klassifizieren. Für Indien wurde jedoch sehr wenig Forschung betrieben, sodass Bedarf an solchen Untersuchungen besteht. Schließlich werden die verwendeten Datenquellen, die Datensatzvorbereitung und die ausgewählten Algorithmen vorgestellt, anhand derer eine Lösung für das Netto-Null-Ziel modelliert wird. Das nächste Kapitel behandelt die explorative Datenanalyse, die genutzt wird, um die Struktur und das Verhalten der Daten zu erklären, gefolgt von der Anwendung von unüberwachten maschinellen Lernalgorithmen zur Klassifizierung der indischen Bundesstaaten auf Basis ihrer unterschiedlichen primären Energiehaushaltsemissionen.

Kap. 7 konzentriert sich darauf, den Trend der Haushaltsemissionen aus primärer Energie in Indien aus LPG, Kerosin und Diesel zu bestimmen. Es teilt auch 35 indische Bundesstaaten und Unionsterritorien anhand ihrer unterschiedlichen primären Haushaltsenergieemissionen aus CO₂, CH₄ und N₂O ein, indem unüberwachte maschinelle Lernalgorithmen angewandt werden. Dies führt zu drei verschiedenen Gruppen, „Exzessive Emittenten“, „Hohe Emittenten“ und „Niedrige Emittenten“, die aus einem, elf bzw. 23 Staaten bestehen. Darüber hinaus werden Kerosin und LPG als wichtige Faktoren bei der Bildung der Gruppen identifiziert. Weiterhin wird ein Profiling der Gruppen unter Berücksichtigung von Bevölkerung, Pro-Kopf-Emissionen und Emissionen pro Quadratkilometer durchgeführt. Uttar Pradesh ist Teil der Gruppe der exzessiven Emissionen, hat aber relativ niedrige Pro-Kopf- und Pro-Quadratkilometer-Emissionen. Die meisten der Unionsterritorien sind Mitglieder der Gruppe der niedrigen Emissionen, liegen aber höher bei den Emissionen pro Quadratkilometer. Obwohl Delhi zum Cluster der niedrigen Emissionen gehört, hat es sowohl bei den Pro-Kopf- als auch bei den Pro-Quadratkilometer-Emissionen höchste Werte.

In diesem Kapitel wurde versucht, verschiedene Veröffentlichungen aus verschiedenen Perspektiven zu überprüfen, zum Beispiel, wie Transport und Klimawandel miteinander verknüpft sind. Verschiedene Forschungsarbeiten, die im Verkehrssektor mithilfe von maschinellem Lernen und tiefen Lernalgorithmen durchgeführt wurden, wurden überprüft. Aus der Literatur geht hervor, dass Länder wie die USA, das Vereinigte Königreich, Kanada und Frankreich an vorderster Front arbeiten, um das durch den Verkehrssektor verursachte Klimawandelproblem zu lösen. Die häufigsten von den Autoren verwendeten maschinellen Lernalgorithmen sind k-Nearest Neighbor (KNN), Entscheidungsbaum, logistische Regression usw. Darüber hinaus werden mit Fortschritt der Technologie tiefe Lernmethoden, Natural Language Processing (NLP), künstliche neuronale Netzwerke (ANN), Long Short-Term Memory (LSTM) und viele andere Algorithmen verwendet, um das Problem des Klimawandels zu lösen und das Netto-Null-Ziel zu erreichen. In einem späteren Abschnitt des Kapitels wird ein Datensatz für die identifizierte Problemstellung erstellt. Schließlich gibt es eine Diskussion über das Material und die Methoden, die für die explorative Datenanalyse und den Aufbau eines Modells verwendet werden.

Das Hauptziel dieses Kapitels besteht darin, den Einfluss verschiedener Merkmale eines Fahrzeugs auf seine CO₂-Emissionen zu untersuchen und ein maschinelles Lernmodell zu erstellen, das die CO₂-Emissionen eines beliebigen Fahrzeugs genau vorhersagen kann. Nach umfangreicher Datenanalyse wird festgestellt, dass Merkmale wie „Kraftstoffverbrauch Stadt“, „Kraftstoffverbrauch Autobahn“ und „Fahrzeugklasse“ einen direkten Einfluss auf die CO₂-Emissionen haben. Wenn der Kraftstoffverbrauch auf der Autobahn und in der Stadt oder die Fahrzeuggröße zunimmt, werden auch die CO₂-Emissionen zunehmen. Andererseits ist ein Merkmal wie „Comb“, im Grunde die Wirtschaftlichkeit des Autos, umgekehrt proportional zu den CO₂-Emissionen, d. h., je besser die Wirtschaftlichkeit, desto geringer die CO₂-Emissionen. Daher sollte der Schwerpunkt darauf gelegt werden, die Wirtschaftlichkeit des Fahrzeugs zu erhöhen, was dazu beitragen wird, das Ziel der Netto-Null-Emissionen zu erreichen. Die beiden überlegenen Modelle, nämlich die Random Forest Regression und die XGBoost-Regression, können die Kohlenstoffemissionen jeder Art von Fahrzeug, das mit fossilen Brennstoffen betrieben wird, genau vorhersagen. Diese Modelle können verwendet werden, um die durch Fahrzeuge in Metropolen verursachten Kohlenstoffemissionen vorherzusagen, was den lokalen Regierungsstellen bei der Regulierung des öffentlichen Verkehrssystems helfen kann und dadurch zu einer Reduzierung der CO₂-Emissionen führt. In Zukunft kann der aktuelle Datensatz, der hauptsächlich leichte Kraftfahrzeuge behandelt, erweitert werden, um Daten für andere Arten von Fahrzeugen aufzunehmen. Der kombinierte Datensatz kann verwendet werden, um bessere Einblicke in die CO₂-Emissionen und die Art der dafür verantwortlichen Fahrzeuge zu gewinnen und so notwendige Modifikationen in der Herstellung dieser Fahrzeuge sowie bei der Formulierung von Richtlinien zu unterstützen.

Das Hauptziel dieses Kapitels besteht darin, den Einfluss verschiedener Merkmale eines Fahrzeugs auf seine CO₂-Emissionen zu untersuchen und ein maschinelles Lernmodell zu erstellen, das die CO₂-Emissionen eines beliebigen Fahrzeugs genau vorhersagen kann. Nach umfangreicher Datenanalyse wird geschlossen, dass Merkmale wie „KRAFTSTOFFVERBRAUCH STADT“, „KRAFTSTOFFVERBRAUCH AUTOBAHN“ und „FAHRZEUGKLASSE“ einen direkten Einfluss auf die CO₂-Emissionen haben. Wenn der Kraftstoffverbrauch auf der Autobahn und in der Stadt oder die Fahrzeuggröße zunimmt, werden auch die CO₂-Emissionen zunehmen. Andererseits ist ein Merkmal wie COMB, im Grunde die Wirtschaftlichkeit des Autos, umgekehrt proportional zu den CO₂-Emissionen, d. h., je besser die Wirtschaftlichkeit, desto geringer die CO₂-Emissionen. Daher sollte der Schwerpunkt darauf gelegt werden, die Wirtschaftlichkeit des Fahrzeugs zu erhöhen, was dazu beitragen wird, das Ziel der Netto-Null-Emissionen zu erreichen. Die beiden überlegenen Modelle, nämlich die Random Forest Regression und die XGBoost-Regression, können die Kohlenstoffemissionen jeder Art von Fahrzeug, das mit fossilen Brennstoffen betrieben wird, genau vorhersagen. Diese Modelle können verwendet werden, um die durch Fahrzeuge in Metropolen verursachten Kohlenstoffemissionen vorherzusagen, was wiederum den lokalen Regierungsstellen helfen kann, die Regeln festzulegen und öffentliche Verkehrssysteme zu regulieren, und dadurch zu einer Reduzierung der CO2-Emissionen führt. In Zukunft kann der aktuelle Datensatz, der hauptsächlich leichte Kraftfahrzeuge behandelt, um Daten für andere Fahrzeugtypen erweitert werden. Der kombinierte Datensatz kann verwendet werden, um bessere Einblicke in die CO₂-Emissionen und den dafür verantwortlichen Fahrzeugtyp zu gewinnen und somit notwendige Änderungen oder Modifikationen in der Herstellung dieser Fahrzeuge sowie bei der Formulierung von Richtlinien zu unterstützen.