Kohlenstoffemissionsrechner: Auswirkungen von KI auf den Klimawandel

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.