A machine learning approach to carbon emissions prediction of the top eleven emitters by 2030 and their prospects for meeting Paris agreement targets
Notice bibliographique
Résumé
The continued rise in global carbon dioxide ([Formula: see text]) emissions challenges international climate policy, particularly the goals of the Paris Agreement. This study forecasts [Formula: see text] emissions through 2030 for the eleven highest-emitting nations-China, the United States, India, Russia, Japan, Iran, Indonesia, Saudi Arabia, Canada, South Korea, and Germany-while assessing their progress toward Nationally Determined Contributions (NDCs). Using data from 1990 to 2023, we apply a robust data pipeline comprised of six machine learning models and sequential squeeze feature selection incorporating eleven economic, industrial, and energy consumption variables. We have modelled the scenario with an average prediction accuracy of 96.21%. Results indicate that Russia is on track to exceed its reduction targets, while Germany and the United States will fall slightly short. China, India, Japan, Canada, South Korea, and Indonesia are projected to miss their commitments by significant margins. At the same time, Iran and Saudi Arabia are expected to increase emissions rather than reduce them. These findings highlight the need for strengthened energy efficiency policies, expanded renewable energy adoption, enhanced carbon pricing mechanisms, and stricter regulatory enforcement. Emerging economies require international collaboration and investment to support low-carbon transitions. This study provides a data-driven assessment of emission trajectories, emphasizing the urgency of coordinated global action, technological innovation, and adaptive policy measures to align emissions with the 1.5[Formula: see text] warming threshold. This work represents a novel integration of multivariate machine learning modelling, data-driven feature selection, and policy-oriented emission forecasts, establishing new methodological and empirical benchmarks in climate analytics.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».