Forecasting the CO2 Emissions at the Global Level: A Multilayer Artificial Neural Network Modelling
Notice bibliographique
Résumé
Better accuracy in short-term forecasting is required for intermediate planning for the national target to reduce CO2 emissions. High stake climate change conventions need accurate predictions of the future emission growth path of the participating countries to make informed decisions. The current study forecasts the CO2 emissions of the 17 key emitting countries. Unlike previous studies where linear statistical modeling is used to forecast the emissions, we develop a multilayer artificial neural network model to forecast the emissions. This model is a dynamic nonlinear model that helps to obtain optimal weights for the predictors with a high level of prediction accuracy. The model uses the gross domestic product (GDP), urban population ratio, and trade openness, as predictors for CO2 emissions. We observe an average of 96% prediction accuracy among the 17 countries which is much higher than the accuracy of the previous models. Using the optimal weights and available input data the forecasting of CO2 emissions is undertaken. The results show that high emitting countries, such as China, India, Iran, Indonesia, and Saudi Arabia are expected to increase their emissions in the near future. Currently, low emitting countries, such as Brazil, South Africa, Turkey, and South Korea will also tread on a high emission growth path. On the other hand, the USA, Japan, UK, France, Italy, Australia, and Canada will continuously reduce their emissions. These findings will help the countries to engage in climate mitigation and adaptation negotiations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».