The Application of ANFIS to Prediction of the Amount of Emissions from an Emitter Activity to Reduce Climate Change
Notice bibliographique
Résumé
Understanding the links between C02 emissions from fuel consumption and climate change may assist countries in determining the amount of C02 or C02 equivalent emissions, and act accordingly by reformulating new energy policies to reduce emissions and achieve sustainable development. This understanding can help guide countries in developing better energy policies that are designed to reduce C02 and equivalent emissions, while still promoting economic growth and development. To reach the global climate goals set by the United Nations [25], countries must take decisive action to reduce emissions from fuel consumption and energy production while promoting clean energy, which can help mitigate the effects of climate change. Understanding the magnitude of the emissions problem is necessary before coming up with innovative, long-lasting solutions to better comprehend the issue of emissions. An important first step in achieving this understanding is to accurately assess the current levels of emissions from fuel consumption and energy production in a certain country and analyze the amount of these emissions and finally implement strategies to reduce them. Using machine learning technologies such as predictive analytics, and artificial intelligence can help create meaningful insights into the data to understand patterns in emissions that could enable better strategies for reducing emissions. Using a dataset that belongs to the Canadian government, with input data including engine size, number of cylinders, and fuel consumption, an ANFIS model was created to predict emissions. The amount of emissions represents the output. A variety of membership functions were tested in order to gain the best results. Another dataset was generated by applying the Extra-Trees regressor algorithm to the mentioned dataset and retraining the ANFIS model using the generated dataset to achieve better results. The resulting model can then serve as a trustworthy tool to support the application of efficient mitigation strategies and to inform and help policymakers.
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 | 0,000 | 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) | 0,000 | 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 ».