Vorhersage der Klimaschutzleistung europäischer Städte mithilfe von maschinellem Lernen

Nature Communications Band 13, Artikelnummer: 7487 (2022) Diesen Artikel zitieren

4466 Zugriffe

31 Altmetrisch

Details zu den Metriken

Obwohl Städte als Klimaakteure an Bedeutung gewonnen haben, war die Datenknappheit zu Emissionen die größte Herausforderung bei der Bewertung ihrer Leistung. Hier entwickeln wir einen skalierbaren, replizierbaren maschinellen Lernansatz zur Bewertung der Minderungsleistung für nahezu alle lokalen Verwaltungsbereiche in Europa von 2001 bis 2018. Durch die Kombination öffentlich verfügbarer, räumlich eindeutiger Umwelt- und sozioökonomischer Daten mit selbst gemeldeten Emissionsdaten europäischer Städte prognostizieren wir die jährlichen Kohlendioxidemissionen, um Trends bei der Minderungsleistung auf Stadtebene zu untersuchen. Wir stellen fest, dass europäische Städte, die an transnationalen Klimainitiativen teilnehmen, ihre Emissionen seit 2001 wahrscheinlich gesenkt haben, wobei etwas mehr als die Hälfte ihr Emissionsreduktionsziel für 2020 wahrscheinlich erreicht haben dürfte. Städte, die Emissionsdaten melden, haben mit größerer Wahrscheinlichkeit größere Reduzierungen erreicht als Städte, die keine Daten melden. Trotz seiner Einschränkungen bietet unser Modell einen reproduzierbaren, skalierbaren Ausgangspunkt für das Verständnis der Klimaemissionsminderungsleistung auf Stadtebene.

Städte haben in den letzten Jahren auf der globalen Agenda der Nachhaltigkeitspolitik an Bedeutung gewonnen, da sich Forscher und politische Entscheidungsträger zunehmend auf städtische Gerichtsbarkeiten als eigenständige, mächtige politische Akteure konzentriert haben. Mehr als 10.000 Städte auf der Welt verpflichten sich zu verschiedenen Formen des Klimaschutzes, der Anpassung an den Klimawandel und zu Finanzierungsmaßnahmen, und in vielen Fällen beteiligen sich diese Kommunen an mehreren freiwilligen transnationalen Klimainitiativen1. Als Teil der Anforderungen dieser Initiativen, im Einklang mit den Richtlinien der nationalen Regierung2 oder auf eigenen Wunsch formulieren Städte Strategien und Richtlinien zur Eindämmung des Klimawandels und, seltener, zur Anpassung an den Klimawandel. Städte entwickeln vor allem Minderungsstrategien, die sich auf die Reduzierung von Treibhausgasemissionen konzentrieren. Diese werden häufig durch Maßnahmen erreicht, die sich auf die verstärkte Nutzung nachhaltiger Verkehrsmittel, die Verbesserung der Effizienz der Beleuchtung in öffentlichen und kommunalen Gebäuden, die Einführung von Energieeffizienzstandards und die Förderung des Klimabewusstseins konzentrieren, um die Bürger zum Handeln zu ermutigen und andere Bereiche3,4.

Es gibt Tausende aktueller Strategien und Richtlinien, die die städtischen Klimaschutzbemühungen detailliert beschreiben, doch wie Milojevic-Dupont und Creutzig5 hervorheben, gibt es wenig Verständnis für die Auswirkungen dieser Maßnahmen. Diese Wissenslücken führen dazu, dass politische Entscheidungsträger „desorientiert sind, welche Maßnahmen in städtischen Gebieten angemessen und wirksam sind“ und unsicher sind, welche „alltäglichen Entscheidungen“ hinsichtlich Planung oder Infrastrukturinvestitionen getroffen werden sollten, um die Minderungsziele zu erreichen. Über die Emissionsreduzierungen durch gemeinsame städtische Klimapolitiken und -strategien ist wenig bekannt, ein fehlender Block wichtiger Informationen, der in Kapitel 12 über menschliche Siedlungen im Fünften Sachstandsbericht (AR5) des Zwischenstaatlichen Ausschusses für Klimaänderungen (IPCC)5,6 anerkannt wird.

Wissenschaftler haben argumentiert, dass die Beteiligung von Städten an der transnationalen Klimapolitik „ihre Maßnahmen zur Eindämmung der Treibhausgasemissionen unter bestimmten Bedingungen beschleunigen kann“7. Es gibt kaum Belege für diese Behauptung, so dass es schwierig ist, genau vorherzusagen, unter welchen Bedingungen dieser Effekt auftreten würde. Transnationale Klimainitiativen erfordern in der Regel die Berichterstattung über Klimaaktionspläne und eine regelmäßige Überwachung in Form von Emissionsinventaren, um zu beurteilen, ob die Minderungsziele erreicht werden. In der Praxis erfüllt jedoch nur ein kleiner Teil der subnationalen Akteure diese Anforderungen8,9. Hsu et al.10 fanden heraus, dass von mehr als 9.000 Städten, die Unterzeichner der EUCoM-Initiative (Konvent der Bürgermeister für Klima und Energie) waren, nur etwa 15 % Emissionsdaten gemeldet hatten und sogar noch weniger (rund 11 %). berichtete sowohl über ein Basis-Emissionsinventar als auch über ein zusätzliches Jahr an Inventar-Emissionsdaten, die erforderlich sind, um den Fortschritt bei der Erreichung freiwilliger Reduktionsziele zu verfolgen. Wenn Emissionsdaten verfügbar sind, sind diese aufgrund der begrenzten Verfügbarkeit von Datenpunkten, einer allgemeinen mangelnden Transparenz hinsichtlich der zugrunde liegenden Methoden und dem Fehlen standardisierter Rechnungslegungsansätze häufig nicht vergleichbar. Ibrahim et al.11 bewerteten sieben verschiedene Protokolle und Methoden zur Bestandsaufnahme von Treibhausgasemissionen auf städtischer Ebene und kamen zu dem Schluss, dass ein gemeinsamer Berichtsstandard oder -ansatz für Städte erforderlich ist. Unterschiede in den Definitionen der verschiedenen Standards – z. B. für Emissionsbereiche, insbesondere bei Scope-3-Emissionen in der Lieferkette – müssen behoben werden, damit die Emissionsdaten der Teilnehmer angemessen verglichen werden können.

Jüngste Fortschritte beim maschinellen Lernen (ML), einer allgemeinen Klasse nichtparametrischer, nichtlinearer statistischer Modellierungsansätze und Rechenalgorithmen, die normalerweise auf große Datensätze angewendet werden, um menschliches Lernen zu simulieren, könnten uns helfen, diese kniffligen Herausforderungen bei Emissionsdaten zu meistern12. In dieser Studie verwenden wir einen ML-gesteuerten Ansatz zur Schätzung und Bewertung der Minderungsleistung fast aller lokalen und kommunalen Akteure in der Europäischen Union und im Vereinigten Königreich von 2001 bis 2018. Unsere Methode entwickelt einen Prozess zur Identifizierung räumlicher Grenzen und Geoprädiktoren für jede lokale und kommunale Regierung, die am EUCoM teilnimmt, einer der größten freiwilligen transnationalen Klima-Governance-Initiativen, und anschließende Nutzung der selbst gemeldeten CO2-Emissionsinventardaten von ca. 6000 EUCoM-Städten als Trainingsdaten in einem Modell mit extremer Gradientenverstärkung. Nach unserem Kenntnisstand handelt es sich bei unserem resultierenden Datensatz um den umfassendsten Zeitreihendatensatz, der zur Bewertung der Kohlenstoffemissionen und der Minderungsleistung auf Stadtebene verwendet wird. Wir verwenden diese Daten, um die Leistung von drei Gruppen europäischer Städte zu bewerten: „Berichtende“ Städte, die mindestens ein Jahr lang Emissionsdaten gemeldet haben; „teilnehmende“ Städte, die sich zu freiwilligen Klimaschutzmaßnahmen verpflichtet haben, aber keine Emissionsdaten gemeldet haben; und schließlich „externe“ Städte, die lokale Verwaltungseinheiten (LAUs) repräsentieren, die keine Teilnehmer sind.

Abbildung 1a zeigt die Korrelation zwischen den auf Stadtebene abhängigen (d. h. selbst gemeldeten „Emissionen“) und unabhängigen Variablen (d. h. Heizgradtage, CO2 aus fossilen Brennstoffen, BIP pro Kopf usw.). Wir fanden eine starke positive Korrelation zwischen gemeldeten Emissionsinventardaten und stationären CO2-Emissionen aus fossilen Brennstoffen aus dem Open-Data Inventory for Anthropogenic Carbon Dioxide (ODIAC)13 (r2 = 0,81) sowie zwischen Emissionen und Bevölkerung (r2 = 0,89). . Die Bevölkerung und die CO2-Emissionen stationärer fossiler Brennstoffe korrelierten ebenfalls stark (r2 = 0,79), was frühere Studien bestätigte, die anhand der Intensität der Nachtbeleuchtung die Beziehungen zwischen diesen Daten und dem Energieverbrauch, der Wirtschaftstätigkeit und den Emissionen fossiler Brennstoffe aufzeigen14. Unsere Analyse ergab keine starken Zusammenhänge zwischen den selbst gemeldeten Emissionsdaten und dem Pro-Kopf-BIP (r2 = 0,03) oder mit der Luftverschmutzung durch Feinstaub (PM2,5; r2 = 0). Wir haben festgestellt, dass die CO2-Emissionen stationärer fossiler Brennstoffe und die Bevölkerung die primären Prädiktoren für die selbst gemeldeten Emissionsdaten der Städte mit dem höchsten Beitrag oder der höchsten Bedeutung für unser Emissionsmodell sind (Abb. 1b). Abbildung 1b zeigt den Verstärkungswert der Wichtigkeit jedes der sechs wichtigsten Merkmale, die wir berücksichtigt haben. Die Verstärkungswerte werden durch den Betrag bestimmt, um den jede Attributaufteilung die Leistung des Modells verbessert, gewichtet mit der Anzahl der Beobachtungen für den Knoten. Weitere Beschreibungen zum Rastersuchprozess und zur Parameteroptimierung zur Bestimmung des endgültigen Modells finden Sie unter Methoden.

a Korrelationsmatrizen, die die Beziehung zwischen verschiedenen Prädiktoren städtischer Klimaemissionen zeigen. b Bedeutung verschiedener Prädiktorvariablen für das Vorhersagemodell der Emissionen. Je mehr ein Attribut zur Entscheidungsfindung im XGBoost-Modell verwendet wird, desto höher wird seine Merkmalsbedeutung bestimmt.

Wir haben Emissionen für rund 92.636 Städte oder lokale Verwaltungseinheiten (LAUs) vorhergesagt, für die wir zugrunde liegende Geodaten hatten (Ergänzungstabelle 2). Abbildung 2 zeigt Streudiagramme der selbst gemeldeten Emissionsdaten der Städte im Vergleich zu den prognostizierten Emissionsdaten unseres Modells. Der resultierende r2 = 0,91 zeigt, dass unser Modell insgesamt eine starke Vorhersage für die selbst gemeldeten Emissionsinventare der Städte hat. Wir haben unsere prognostizierten Emissionen weiter anhand anderer Studien validiert, die Emissionsdaten für europäische Städte liefern, darunter Moran et al.15, die die direkten Emissionen (Scope 1) für mehr als 100.000 europäische Städte im Jahr 2018 schätzen, und Nangini et al.16, die selbst gemeldete Inventare mit anderen Daten für 343 Städte weltweit. Wir fanden eine faire Korrelation (r2 = 0,57 mit Moran et al.15; r2 = 0,62 mit Nangini et al.16) zwischen unseren vorhergesagten Daten und diesen anderen Studien (ergänzende Abbildung 7). Abbildung 2b zeigt auch die selbst gemeldeten Emissionsdaten im Vergleich zu den prognostizierten Emissionsdaten nach Ländern, was eine genauere Untersuchung möglicher Exzentrizitäten in unserem Modell oder den prognostizierten Daten ermöglicht. Für einige Länder wie die Ukraine schneidet unser Modell weniger gut ab (r2 = 0,02) und für einige bestimmte Städte sind die vorhergesagten Emissionen höher als von den Städten selbst gemeldet. Beispielsweise prognostiziert unser Modell jährliche Emissionen, die fast dreimal höher sind als die von Lyon selbst gemeldeten Emissionen. Eine weitere Untersuchung eines dieser Ausreißer, Lyon, eine Stadt mit 445.000 Einwohnern in Frankreich, ergab ein Emissionsinventar von rund 22.000 Tonnen, was Pro-Kopf-Emissionen von <0,05 Tonnen entspricht, was weit unter dem nationalen Durchschnitt von 5,4 Tonnen pro Person liegt17.

Streudiagramm der selbst gemeldeten Emissionen (n = 6961 selbst gemeldete Emissionsdatenpunkte von Städten, die an die EUCoM berichten und im Modelltraining verwendet wurden) im Vergleich zu den prognostizierten mittleren Emissionen für jeden Akteur aus dem Modell auf einer Protokollskala. a Alle selbst gemeldeten Emissionsinventare (in Log-Tonnen CO2) aller Akteure im Vergleich zu den prognostizierten Emissionsdaten (in Log-Tonnen CO2); b Länderspezifische Facetten der selbst gemeldeten vs. prognostizierten Emissionen, bei denen es mehr als einen Datenpunkt gab. Die Anzahl der in den Ländertafeln aufgeführten Städte weicht geringfügig von der Ergänzungstabelle 3 ab, da die Ergänzungstabelle 3 sowohl Städte enthält, die Emissionsdaten melden, als auch Städte, die keine Emissionsdaten melden.

Unter Verwendung der verfügbaren Zeitreihendaten der zugrunde liegenden Prädiktoren haben wir wahrscheinliche jährliche Emissionsbereiche für alle Städte und lokalen Verwaltungseinheiten generiert, für die Daten von 2001 bis 2018 verfügbar waren. Zur Veranschaulichung der Ergebnisse unseres Modells zeigt Abb. 3 Zeitreihen für drei ausgewählte Städte mit unterschiedlichen Werten Bevölkerungsgrößen: Waimes in Belgien (Bevölkerung: 8932), Tolosa in Spanien (Bevölkerung: 17.575) und London im Vereinigten Königreich (Bevölkerung: 8,9 Millionen). Anschließend wurden diese Daten auf Trends bei der jährlichen Reduzierung der Pro-Kopf-Emissionen im Zeitraum von 2001 bis 2018 für am EUCoM teilnehmende Städte analysiert, die Emissionsdaten melden (meldende Städte), für Städte, die keine Daten melden (teilnehmende Städte) und für alle LAUs in Europa (externe Städte).

Waimes in Belgien, Tolosa in Spanien und London im Vereinigten Königreich wurden ausgewählt, um Städte mit unterschiedlicher Bevölkerungszahl darzustellen.

Insgesamt stellen wir fest, dass EUCoM-Städte im Durchschnitt wahrscheinlich die jährlichen Pro-Kopf-Emissionen von 2001 bis 2018 (–0,96 ± 1,88 %) und von 2005 bis 2018 (–0,53 ± 3,3 %) reduziert haben, verglichen mit externen Städten, die dies im Durchschnitt tun dürfte sich bei den Emissionen kaum verändert haben (0,18 ± 2,5 % von 2001 bis 2018 und 0,18 ± 3,2 % von 2005 bis 2018; Tabelle 1). Während 74 % der EUCoM-Städte wahrscheinlich geringere Emissionen aufweisen, dürften nur 53 % der Außenstädte einen negativen Trend bei der Emissionsreduzierung verzeichnen. Wir interpretieren diese Emissionstrendunterschiede zwischen EUCoM-Städten und externen LAUs mit Vorsicht, weisen jedoch auf die Unterschiede vor allem in der Bevölkerung zwischen EUCoM (32.720 ± 181.348 Einwohner für berichtende Städte; 35.318 ± 171 für teilnehmende Städte) und externen LAUs hin, was tendenziell der Fall ist im Durchschnitt deutlich kleiner (4433 ± 16.870 Einwohner) (Ergänzungstabelle 2; Ergänzungsabbildung 6). Beschreibende Statistiken (Ergänzungstabelle 2) und Verteilungen (Ergänzungsabbildung 6), die die drei Gruppen von Städten in unserer Analyse beschreiben, veranschaulichen, dass EUCoM-Städte tendenziell größere stationäre Kohlendioxidemissionen aus fossilen Brennstoffen aufweisen und eine größere Bevölkerung und Bevölkerungsdichte aufweisen als externe Städte Städte, was Unterschiede in ihren Emissionstrends erklären könnte, da größere Städte mit einem höheren Pro-Kopf-BIP nachweislich ehrgeizigere Klimapläne haben2,18.

Innerhalb der EUCoM-Städte stellen wir fest, dass Städte, die ihre Emissionsinventardaten selbst melden (75 % der EUCoM-Städte), wahrscheinlich größere durchschnittliche Emissionsreduktionen erzielt haben als teilnehmende Städte, die kein Basisszenario oder kein Monitoring-Emissionsinventar gemeldet haben (−1,3 ± 1,7). gegenüber 0,2 ± 1,9 jährlichen Emissionsreduktionen pro Kopf zwischen 2001 und 2018; Tabelle 1). Diese Ergebnisse deuten darauf hin, dass die teilnehmenden EUCoM-Städte wahrscheinlich die gleiche Minderungsleistung erzielt haben wie externe Städte. EUCoM-Städte, die relativ ehrgeizigere Minderungsziele zugesagt haben und damit das EU-Minderungsziel für 2020 einer Reduzierung um 20 % gegenüber dem Niveau von 1990 übertreffen, haben im Vergleich zu Städten mit einem relativ weniger ehrgeizigen Minderungsziel (-1,4 ±) wahrscheinlich größere jährliche Emissionsreduktionen pro Kopf erzielt 1,7 vs. −0,6 ± 0,20 von 2001 bis 2018; Tabelle 1). Schließlich sind EUCoM-Städte wahrscheinlich auf dem richtigen Weg (z. B. ausreichende Reduzierung der Emissionen im Einklang mit den erforderlichen Emissionen, um ihr erklärtes Emissionsreduktionsziel für 2020 zu erreichen, weitere Einzelheiten finden Sie unter „Methoden“), um ihre Emissionsreduktionsziele für 2020 zu erreichen (52 % der EUCoM-Städte). die größten Emissionsreduktionen (−1,8 ± 2,5 vs. 0,5 ± 1,6 von 2001 bis 2018; Tabelle 1). EUCoM-Städte, die nicht auf dem richtigen Weg sind (48 % der EUCoM-Städte), haben wahrscheinlich einen leichten Anstieg der jährlichen Pro-Kopf-Emissionen verzeichnet.

Während uns ausreichende Kontrollen und Daten fehlen, um kausal zu isolieren, ob die Teilnahme am EUCoM zu diesen Emissionsminderungstrends geführt hat, ist eine unterbrochene Zeitreihenanalyse (ITS) erforderlich, die modelliert, ob eine politische Intervention oder ein Programm möglicherweise zu einer messbaren Änderung einer Ergebnisvariablen geführt hat Nach der Umsetzung19,20 kann etwas Aufschluss darüber geben, ob die Emissionsreduzierungen der EUCoM-Städte hauptsächlich nach ihrem Beitritt zur Initiative erfolgten und Unterschiede in der Bevölkerungsdichte, dem Pro-Kopf-BIP usw. berücksichtigen (weitere Einzelheiten siehe Methoden). Wir stellen fest, dass jedes Jahr nach dem Beitritt einer Stadt zur EUCoM-Initiative eine geringfügige jährliche prozentuale Änderung der Pro-Kopf-Emissionen von −0,164 (Standardfehler oder SE: 0,039) einhergeht (Abb. 4). Die ITS-Regression bestätigt unseren Vergleich zwischen Stadtgruppen (Tabelle 1) und zeigt außerdem die Bedeutung eines Emissionsinventars (p < 0,01), bei dem berichtende Städte wahrscheinlich eine jährliche prozentuale Veränderung der Pro-Kopf-Emissionen von –1,24 (Se: 0,396) erreicht haben ( Tabelle 2). Die Höhe des Emissionsreduktionsziels für 2020 ist zwar leicht signifikant (p < 0,05), scheint jedoch keinen großen zusätzlichen Effekt auf die jährliche prozentuale Änderung der Pro-Kopf-Emissionen zu haben (Tabelle 2).

Jährliche prozentuale Pro-Kopf-Änderung der Emissionen für EUCoM-Städte (gezeichnete Punkte) mit prognostizierter jährlicher prozentualer Pro-Kopf-Änderung der Emissionen, ermittelt durch unterbrochene Zeitreihenanalyse (blaue Linie). Die Panels enthalten Daten für Städte, die der EUCoM nur in diesem bestimmten Jahr beigetreten sind, angezeigt durch die roten vertikalen Linien.

Wir beobachten Leistungsunterschiede je nach Land. Die Abbildungen 5 und 6 vergleichen die Leistung der teilnehmenden EUCoM-Städte mit der aller anderen LAUs nach Ländern. In einigen Ländern verzeichneten EUCoM-Städte, beispielsweise in Schweden und Dänemark, im Durchschnitt höhere jährliche Pro-Kopf-Reduktionstrends als externe Städte. In anderen Ländern, beispielsweise in den Niederlanden und im Vereinigten Königreich, scheinen die EUCoM-Städte im Vergleich zu anderen Städten unterdurchschnittlich abzuschneiden (Abb. 4), wie aus dem Vergleich der Verteilungen der jährlichen Pro-Kopf-Emissionsreduktionen für beide Städtegruppen hervorgeht. Dieses Ergebnis spiegelt möglicherweise die Tatsache wider, dass die nationalen Regierungen Dänemarks und des Vereinigten Königreichs von den Kommunen lokale Klimaaktionspläne verlangen2, was darauf hindeutet, dass externe Städte in diesen Ländern möglicherweise ihre Emissionen reduzieren, um nationale Vorschriften und Anforderungen zu erfüllen. Italien und Spanien, wo sich die meisten EUCoM-Städte befinden, scheinen für beide Gruppen eine relativ vergleichbare Leistung aufzuweisen (Italien = 64 %; Spanien = 50 %; Ergänzungstabelle 3). Die skandinavischen Länder sind führend bei den Ländern mit dem höchsten Anteil an Städten auf dem richtigen Weg (80 % in Dänemark; 53 % in Finnland und 70 % in Norwegen). Auch in Spanien liegt mit 68 % ein großer Anteil der Städte auf Kurs. Länder, in denen Städte ähnlich abschneiden, liegen näher an der diagonalen Linie in der ergänzenden Abbildung 8, was darauf hindeutet, dass die durchschnittlichen jährlichen Emissionsreduktionstrends pro Kopf zwischen EUCoM und externen Städten ähnlich sind. Zu den Ländern oberhalb der Diagonale zählen Länder, in denen EUCoM-Städte eine größere jährliche Reduzierung der Pro-Kopf-Emissionen erzielt haben als ihre Nicht-EUCoM-Pendants. Hierzu zählen unter anderem Länder wie Finnland, die Slowakei, Frankreich, Deutschland und Italien.

Jährlicher Trend zur Emissionsreduktion pro Kopf von 2001 bis 2018 für am EUCoM teilnehmende Städte (links) und alle anderen externen Städte (rechts).

Verteilung der jährlichen Emissionsreduktionen pro Kopf zwischen Städten im EUCoM und externen Städten. Negative Zahlen weisen auf Emissionsreduzierungen hin und die durchschnittlichen jährlichen Pro-Kopf-Emissionstrends für jede Gruppe werden in jedem Feld durch vertikale Linien gekennzeichnet.

Trotz eines messbaren Anstiegs der Forschung zur städtischen Klima-Governance im letzten Jahrzehnt bestehen weiterhin Lücken im Verständnis der Ergebnisse transnationaler Klimainitiativen, insbesondere für kleinere Städte und auf systematischer Basis21. Ein Teil dieser Lücke ist auf die Datenverfügbarkeit und -vergleichbarkeit zurückzuführen, die die Fähigkeit der Forscher einschränken, kausale Auswirkungen oder Verbindungen zwischen den Prozessen und Institutionen transnationaler städtischer Klima-Governance-Initiativen auf Ergebnisse zurückzuführen21,22. Um diesen Mangel zu beheben, hat diese Studie ein auf maschinellem Lernen (ML) basierendes Rahmenwerk entwickelt, um die Emissionen von mehr als 90.000 europäischen Städten auf jährlicher Basis von 2001 bis 2018 vorherzusagen, um wahrscheinliche Trends bei der Minderungsleistung zu untersuchen. Durch die Verwendung global gerasterter, räumlich expliziter Prädiktorvariablen, die konsistent und regelmäßig gemessen werden, und verfügbarer selbst gemeldeter Emissionsinventare ist unser ML-basiertes Modell in der Lage, 90 % der Variation (r2 = 0,90) zwischen selbst gemeldeten Emissionsinventardaten von zu erklären Erfassung von EUCoM-Städten und prognostizierten Emissionswerten, validiert durch Vergleiche mit anderen Studien, die Schätzungen der Kohlenstoffemissionen auf Stadtebene für ein einzelnes Jahr erstellt haben. Nicht ohne Einschränkungen (siehe Einschränkungen) bietet unser Modell einen reproduzierbaren, skalierbaren Ausgangspunkt für das Verständnis der Klimaemissionsminderungsleistung auf Stadtebene. Es bietet auch eine Methode zur Bewertung und Validierung der von Städten selbst gemeldeten Emissionen. Da einige Städte möglicherweise fälschlicherweise Inventare melden oder sich für die selektive Meldung von Emissionsquellen entscheiden, kann unser Ansatz dabei helfen, Ausreißer oder potenzielle Meldeprobleme zu erkennen.

Anhand der prognostizierten Emissionsdaten unseres Modells haben wir die jährlichen Pro-Kopf-Emissionstrends untersucht und Erkenntnisse gewonnen, die eine weitere Untersuchung rechtfertigen. Erstens dürften die meisten (74 %) der rund 8000 europäischen Städte, die an einer der größten freiwilligen transnationalen Klimainitiativen – dem EU-Konvent der Bürgermeister für Klima und Energie (EUCoM) – teilnehmen, ihre Emissionen von 2001 bis 2018 reduziert haben Etwas mehr als die Hälfte dürfte ihr Emissionsreduktionsziel für 2020 erreicht haben. Städte, die selbst Emissionsdaten melden, haben wahrscheinlich stärkere Einsparungen erzielt als Städte, die keine Emissionsdaten gemeldet haben. Diese Feststellung könnte auf die Tatsache zurückzuführen sein, dass, wie Rivas et al.23 feststellten, EUCoM-Gemeinden, die Emissionen überwachen, dies tendenziell auch tun haben früher mit der Umsetzung von Plänen begonnen und sind in der Regel „Spitzenreiter“ mit mehr Erfahrung im Klimaschutz23. Städte mit ehrgeizigeren Minderungszielen und solche, die auf dem Weg zur Erreichung ihrer Minderungsziele für 2020 sind, haben im Vergleich zu ihren Pendants wahrscheinlich die größten jährlichen Emissionsreduktionen pro Kopf erzielt. Unsere Ergebnisse hier spiegeln Ergebnisse früherer Studien zu EUCoM-Städten wider10,23,24. Kona et al.24 analysierten beispielsweise 315 berichtende Städte und stellten fest, dass sie ihre Emissionen im Durchschnitt um 23 % reduziert hatten, während unsere Ergebnisse vergleichbar sind (~1 % annualisierte Pro-Kopf-Emissionen von 2001 bis 2018). In unserer Studie aus dem Jahr 2020 mit 1066 EUCoM-Städten, die mindestens zwei Emissionsinventare gemeldet haben, haben wir festgestellt, dass 60 % auf dem richtigen Weg sind, ihre Emissionsreduktionsziele zu erreichen, während diese Studie ähnliche Ergebnisse ergab: 52 % der EUCoM-Städte haben wahrscheinlich ihre Emissionsreduktionsziele für 2020 erreicht. Rivas et al.23 schlagen vor, dass Ehrgeiz und Überwachung miteinander verbunden sein könnten – Gemeinden, die bei ihren Zielen tendenziell ehrgeiziger sind, haben in der Regel keine Überwachungsinventare gemeldet, was Hsu et al.10 widerspricht, die eine Diskrepanz zwischen Ehrgeiz und Leistung feststellen.

Während unsere Studie nicht auf kausale Mechanismen der vorhergesagten Emissionstrends eingeht und auch nicht darauf hinweist, ob es endogene Bedingungen gibt, die erklären könnten, warum EUCoM-Städte im Durchschnitt etwas größere jährliche Pro-Kopf-Reduktionen verzeichneten als ihre externen Nicht-EUCoM-Pendants, liefert sie doch einige Erkenntnisse relevant für städtische Klimapolitik und transnationale Klimainitiativen. Erstens: Da Emissionsinventare und Überwachungsprotokolle als Kennzeichen effektiver Klimaschutzpläne lokaler Regierungen gelten25, ist die Fähigkeit, Emissionen zu überwachen und darüber zu berichten, wahrscheinlich ein Indikator für Kapazität und Leistung. Wir haben signifikante Unterschiede bei den jährlichen Pro-Kopf-Emissionsreduktionen zwischen berichtenden Städten und teilnehmenden Städten, die keine Emissionsdaten melden, gemessen, die in ihren Emissionsverläufen wahrscheinlich eher den Städten außerhalb der EU ähneln als den berichtenden Städten. Zweitens stellt die Bewertung von Emissionstrends als Ergebnisvariable zwar kein „Maß für den Aufwand“26 dar und beschreibt auch nicht die unzähligen Inputs und Faktoren, die zu einem bestimmten Ergebnis geführt haben, doch die Überwachung und Berichterstattung über Emissionsinventare stellt ein „Umsetzungsmittel“26 für die Bewertung dar der Fortschritt eines Unternehmens in Richtung eines politischen Ergebnisses wie der Eindämmung des Klimawandels. Diese Erkenntnisse zu den Zusammenhängen zwischen Überwachung und Leistung haben Auswirkungen auf die Förderung von Verbesserungen beim subnationalen Klimaschutz, was darauf hindeutet, dass Investitionen in die Überwachung ein wahrscheinlicher Indikator für den Erfolg sind. Rivas et al.23 fanden heraus, dass die Chancen einer Emissionsüberwachung 2,24-mal höher sind, wenn eine lokale Behörde die Umsetzung eines Klimaplans finanziell unterstützt.

Daten, die die Minderungsergebnisse beschreiben, ermöglichen dann die Identifizierung „allgemeiner Bedingungen für eine erfolgreiche Umsetzung“ und das Reverse Engineering der Kausalpfade, die zu den Emissionsminderungen geführt haben. Unser Datensatz und unser replizierbares, skalierbares ML-Framework können anschließend einen ersten Schritt zur Entschlüsselung darstellen, welche spezifischen Maßnahmen oder welche überhaupt nicht zu den beobachteten Emissionsreduzierungen geführt haben. Da wir uns auf Daten zur Stadtbevölkerung, zum BIP, zur Luftverschmutzung und zu den CO2-Emissionen fossiler Brennstoffe beschränkten, kann unsere Analyse andere zugrunde liegende strukturelle Unterschiede (z. B. Unterschiede in den Regierungsinstitutionen usw.) nicht berücksichtigen, die die Unterschiede bei den Emissionen weiter verdeutlichen könnten Ergebnisse, da Klimaschutzmaßnahmen und -politiken „eng mit anderen politischen Agenden verflochten“ sind.27,28 Darüber hinaus liefert unser Modell einen von vielen möglichen Emissionspfaden, die Städte möglicherweise erlebt haben, basierend auf den begrenzten, verfügbaren Prädiktoren, die wir verwendet haben.

Da die Verfügbarkeit selbst gemeldeter Emissionsinventardaten auf subnationaler Ebene in erster Linie auf Europa beschränkt ist, müssen zukünftige Studien die Suche nach relevanten Datensätzen und Proxys erweitern, die diese Lücke schließen können, insbesondere für Einheiten mit begrenzten Kapazitäten und Ressourcen im globalen Süden29 ,30,31. Akteure in diesen Ländern sind mit Einschränkungen (z. B. Fachwissen, Mangel an klar festgelegten Rollen in relevanten Regierungsbehörden für die Erstellung von Inventaren, unzureichende Dokumentation und Archivierungssysteme) und technischen Problemen (z. B. unvollständige oder nicht vorhandene Aktivitätsdaten oder Mangel an experimentellen Daten für die Entwicklung) konfrontiert Länder oder technologiespezifische Emissionsfaktoren) zur Erstellung von Emissionsinventaren10,32. Unser nächster Schritt besteht darin, unseren Ansatz auf eine Reihe subnationaler Gerichtsbarkeiten außerhalb Europas auszuweiten, um einen globalen Datensatz für Städte zu erstellen, die an transnationalen Klimainitiativen teilnehmen, wie im Datensatz von Hsu et al.1 von mehr als 10.000 Städten und Regionalregierungen aufgezeichnet. Wir finden überzeugende Beweise dafür, dass groß angelegte Geodatensätze zur Schätzung der Kohlendioxidemissionen auf Stadtebene verwendet werden können, selbst für kleine städtische Akteure, die die Mehrheit der Teilnehmer am EUCoM ausmachen, obwohl mehr Daten und ein erweiterter Anwendungsbereich einen besseren Stresstest durchführen können Anwendbarkeit des Modells über Europa hinaus. Unsere Methode überbrückt die Lücke zwischen diesen weltweit verfügbaren, aus der Fernerkundung abgeleiteten Geodatensätzen und Akteuren auf städtischer Ebene, ein Mangel, den Pan et al.33 bei CO2-Datensätzen für fossile Brennstoffe wie dem ODIAC-Inventar anmerken, das in erster Linie nationale CO2-Emissionen aus fossilen Brennstoffen verteilt räumlich basierend auf Satellitenmessungen der Lichtintensität, und die Emissionen möglicherweise nicht korrekt subnationalen Akteuren zuordnen. Schließlich sind weitere Forschungsarbeiten erforderlich, die die Klimaschutzmaßnahmen verschiedener Städtegruppen eingehend bewerten, um Emissionsreduktionen und Klimaschutzergebnisse zu erzielen, um die Stadtplanung und die künftige Entwicklung der Klimapolitik zu beeinflussen.

Diese Studie ist sicherlich nicht ohne Einschränkungen. Es gibt einige Unsicherheitsbereiche, die die Gültigkeit unserer Vorhersagen und Ergebnisse beeinträchtigen könnten. Erstens gehen wir davon aus, dass die selbst gemeldeten Emissionsinventare der EUCoM-Akteure eine gültige Datenquelle sind, um unser Modell zu trainieren und die Emissionen anderer vorherzusagen. Wir haben den „verifizierten“ Datensatz selbst gemeldeter Emissionsdaten für 6.200 Städte verwendet, die von der Gemeinsamen Forschungsstelle der Europäischen Kommission34 ausgewertete Emissionsinventardaten gemeldet hatten. Obwohl Kona et al.34 eine Reihe statistischer Überprüfungen zur Validierung dieser gemeldeten Emissionsinventare durchführten, stellten sie mehrere Einschränkungen fest. Da der Schwerpunkt des EUCoM auf Treibhausgasemissionen im Zusammenhang mit Sektoren liegt, auf die eine lokale Behörde durch sektorale und politische Maßnahmen Einfluss nehmen kann, berichten die teilnehmenden Städte nur über Emissionen aus ausgewählten Quellen (z. B. Energieverbrauch für Gebäude, Verkehr und lokale Energieerzeugung). Industriequellen, die nicht bereits durch das EU-Emissionshandelssystem abgedeckt sind, und Abfall/Abwasser35. Kona et al.34 räumen ein, dass die EUCoM-Inventare „niemals dazu gedacht waren, eine Methode zu sein, um umfassende Inventare aller Emissionsquellen im Gebiet zu erstellen oder zu behandeln.“ Emissionen, die bereits in nationalen Kontrollinitiativen wie den Mechanismen des EU-Emissionshandelssystems (ETS) enthalten sind.“ Eine zweite Einschränkung besteht daher darin, dass es Emissionsquellen und -sektoren gibt, die in den Verzeichnissen der EUCoM-Städte fehlen könnten, insbesondere wenn dies bei einer Stadt der Fall ist Sie sind nicht in der Lage, diese Emissionen zu messen, oder sie sind der Ansicht, dass bestimmte Emissionsquellen für Managementzwecke nicht von wesentlicher Bedeutung sind. Drittens führt die Verwendung unterschiedlicher Emissionsfaktoren, Schätzmethoden und Berichtsgrenzen durch die berichtenden Städte zu Unsicherheiten bei der Verwendung ihrer Inventare als Trainingsdaten, und wir haben festgestellt, dass einige „Ausreißer“ der Vorhersage auf die Tatsache zurückzuführen sind, dass die anfänglichen Selbstangaben gemacht wurden Emissionsdaten könnten das Ergebnis von Berechnungs- oder Meldefehlern der Stadt selbst sein23. Rivas et al.23 weisen auf diese Einschränkung hin, insbesondere im Hinblick auf Daten, die manchmal mit fehlenden Emissionsfaktoren gemeldet werden, die dann mit nationalen oder regionalen Faktoren ergänzt werden müssen und die Genauigkeit der endgültigen Schätzung beeinträchtigen könnten23. Viertens gehen wir davon aus, dass die räumlichen Grenzen von EUCoM und externen Städten über den Zeitraum hinweg statisch bleiben, während sich diese im Laufe der Zeit möglicherweise geändert haben. Wenn sich die Grenzen geändert haben oder falsch identifiziert oder mit einer Stadt abgeglichen wurden, könnten ihre Vorhersagen ungenau sein. Fünftens haben wir zwar erhebliche Unterschiede zwischen den Emissionen verschiedener Städte beobachtet, es kann jedoch einige grundlegende Unterschiede zwischen diesen Gruppen von Städten geben, die die Minderungsleistung erklären würden, die unser Modell nicht ermitteln kann (z. B. ob sich berichtende EUCoM-Städte grundlegend von Nicht-EUCoM-Städten unterscheiden). -meldende oder nicht teilnehmende Städte in Bezug auf Geographie, Kultur oder Regierung, die ihre Emissionstrends beeinflussen würden).

Schließlich gibt es Einschränkungen für auf maschinellem Lernen basierende Vorhersageansätze, die von Kapoor und Narayanan36 identifiziert und klassifiziert wurden. Da maschinelle Lernansätze von Natur aus stochastisch sind37, gefährdet die Einführung von Zufälligkeit zur Verbesserung der Modellgeneralisierbarkeit, die als Vorteil von ML-Ansätzen im Vergleich zu herkömmlichen Gaußschen Regressionsmethoden angesehen wird, die potenzielle Reproduzierbarkeit eines Modells36. Unsere Schätzungen stellen daher nur ein wahrscheinliches Bootstrapping-Median-Emissionsniveau dar, wobei die spezifischen Parameter verwendet werden, die auf die Trainingsunterstichprobe abgestimmt und von der Computerumgebung auf einen bestimmten Startwert oder eine bestimmte Initialisierung eingestellt wurden. Insbesondere sollten unsere Vorhersagen von LAUs, die keine Emissionsdaten melden, mit dem Hauptvorbehalt interpretiert werden, dass wir davon ausgehen, dass die Beziehungen zwischen den zugrunde liegenden Vorhersagen, die unser Modell für Städte entdeckt hat, die Emissionsdaten melden, für diese anderen Städte gelten. Wir erkennen jedoch an, dass dies einen großen Vorbehalt für unsere Ergebnisse darstellt, das Hauptziel unserer Studie jedoch darin besteht, die potenziellen Stärken und Grenzen eines ML-Ansatzes zur Entwicklung eines verallgemeinerbaren Vorhersagemodells für Emissionen auf Stadtebene zu untersuchen, das angewendet werden könnte außerhalb Europas, angesichts zusätzlicher außereuropäischer Stadtemissionsdaten.

Trotz dieser Einschränkungen ist diese Forschung ein erster Schritt zur Behebung des „Mangels an systematischem Wissen über die globalen Beiträge von Städten zum Pariser Abkommen“,25 das die Rolle „aller Regierungsebenen“38 anerkennt und spezifische Informationen über deren Auswirkungen sucht39. Nur wenige städtische Akteure, die an transnationalen Klimainitiativen teilnehmen, melden Überwachungs- und Bestandsdaten, und selbst Großstädte, die eine globale Klimaführerschaft beanspruchen, berichten nicht9,10,25,40. Unsere Studie bietet einen konsistenten Ansatz und Zeitreihendaten zur Untersuchung von Minderungstrends und -leistungen auf Stadtebene mit dem Potenzial, den Anwendungsbereich auf Gebiete außerhalb Europas auszuweiten.

Vergleichbare und umfassende Emissionsdaten sind von wesentlicher Bedeutung, um den „erleichternden und katalytischen“41-Modus des Pariser Abkommens und seinen „Pledge and Review and Ratchet“-Mechanismus zu unterstützen, der darauf abzielt, die Fortschritte nationaler und subnationaler Akteure und Beiträge zu globalen Minderungsbemühungen kontinuierlich zu bewerten42. Damit positive, katalytische Zyklen zur Unterstützung dieses Prozesses stattfinden können, sind Emissionsdaten erforderlich, um zu beurteilen, welche Maßnahmen wirksam zur Eindämmung beitragen und welche Unternehmen Reduzierungen erzielen.

Daten für am EUCoM teilnehmende Städte wurden aus zwei Quellen gesammelt: Kona et al.34, das eine „verifizierte und harmonisierte Version“ der EUCoM-Daten für 6200 Mitgliedsstädte mit Stand Ende 2019 bereitstellt, und der EUCoM-Website selbst. Der Kona et al.34-Datensatz für EUCoM-Städte umfasst selbst gemeldete Emissionsdaten (z. B. Basis- oder Überwachungsemissionsinventare) sowie andere charakteristische Daten der Städte vom Europäischen Statistischen Amt. Wir haben diesen Datensatz durch neuere Daten für Städte von der EUCoM-Website ergänzt, die im Februar 2021 mit dem Beautiful Soup Python-Paket43 gescrapt wurde. Wir haben in erster Linie Informationen zum Beitrittsdatum jeder Stadt zur EUCoM-Initiative, zum Jahr der Basisemissionen und zu den Basisemissionen ( in Tonnen Kohlendioxidemissionen oder tCO2), Emissionsreduktionsziel, Zieljahr und alle gemeldeten Inventaremissionen (d. h. Emissionsdaten, die in einem späteren Jahr als einem definierten Basisjahr auf der Fortschrittsseite jeder Stadt gemeldet wurden). Wir haben auch Informationen zur Bevölkerung der Städte und zu geografischen Koordinaten (Breitengrad/Längengrad) von der EUCoM-Website abgeleitet, sofern verfügbar. Da Kona et al.34 eine Reihe statistischer Techniken zur Validierung ihres Datensatzes anwenden, haben wir selbst gemeldete Emissionsdaten aus dieser Quelle priorisiert, wenn sowohl in Kona et al.34 als auch auf der EUCoM-Website Daten für eine Stadt verfügbar waren. Ergänzende Abbildung 1 zeigt ein Streudiagramm der protokollierten Emissionsdaten sowohl von der EUCoM-Website als auch von Kona et al.34, was eine starke Korrelation veranschaulicht (r2 = 0,986). Insgesamt enthielt unser Datensatz Namen von 7805 Städten, die an der EUCoM-Initiative teilnahmen, wobei 6114 irgendwelche Emissionsinformationen meldeten. Wir haben auch ein Emissionsreduktionsziel von 20 % bis 2020 unterstellt, wenn in Kona et al.34 oder auf der EUCoM-Website kein spezifisches Emissionsreduktionsziel für die Zwecke der in unserer vorherigen Studie beschriebenen Verfolgungsfortschrittsanalyse gemeldet wurde10.

Ein wichtiger erster Schritt beim Aufbau unseres prädiktiven Emissionsmodells war die Bestimmung einer Reihe zugrunde liegender Prädiktoren für Kohlenstoffemissionen auf Stadtebene, die für alle EUCoM-Städte und LAUs in Europa allgemein verfügbar wären. Wir haben mehrere Prädiktoren für städtische Treibhausgasemissionen bewertet, um sie als Prädiktoren in unser Modell aufzunehmen, basierend auf vorhandener Literatur zu Hauptquellen und Treibern der Emissionsprofile von Städten6,44,45,46. In Bezug auf die Emissionsquellen ist der Energiesektor, insbesondere die Umwandlung von Energie in Elektrizität, die größte Quelle städtischer Treibhausgasemissionen und macht etwa die Hälfte bis 65 % der gesamten städtischen Emissionen aus, gefolgt vom Transportsektor (15–20 %). 44. Da stationäre Quellen die Treibhausgasemissionen von Städten nicht in ihrer Gesamtheit erklären, haben wir auch andere Proxys für wichtige Emissionsquellen untersucht, darunter den Heiz- und Kühlbedarf sowie Luftverschmutzungsvariablen wie die Luftverschmutzung durch Feinstaub, die in Städten hauptsächlich aus dem Verkehr resultiert (~ 25 %47), Staub und Schwefeloxide (SO2, SO4). Wir haben auch die Bevölkerung und das Bruttoinlandsprodukt (BIP) als relevante sozioökonomische Treiber für städtische Klimaemissionen einbezogen6 und einige Prädiktoren auf Länderebene bewertet, basierend auf unserer vorherigen Studie10, in der festgestellt wurde, dass Emissionsreduzierungen auf nationaler Ebene Prädiktoren für die Leistung des Klimawandels auf Stadtebene sind , einschließlich CO2-Emissionstrend auf Länderebene (2000–2018)17 und Kohlenstoffintensität der Stromerzeugung für die Europäische Union48.

Da für die überwiegende Mehrheit der in unsere Analyse einbezogenen Städte keine hochauflösenden Emissionsdaten aus Stromproduktion und -verbrauch verfügbar sind, haben wir uns auf die Datenbank „Open-Data Inventory for Anthropogenic Carbon Dioxide“ (ODIAC) verlassen, die ein weltweites Raster bereitstellt , jährliche räumliche Auflösung von 1 km × 1 km zu Kohlendioxidemissionen aus der Verbrennung fossiler Brennstoffe, der Zementproduktion und dem Abfackeln von Gas von 2000 bis 201949. Wir haben den ODIAC-Datensatz auf der Grundlage einer vorherigen Bewertung seiner Relevanz für die Analyse der Kohlenstoffemissionen auf städtischer Ebene ausgewählt. wie in Hsu et al.10 beschrieben.

Als Stellvertreter für den Energieverbrauch von Gebäuden aufgrund von Heizung und Kühlung haben wir monatlich gemittelte (0,5 × 0,625 Grad oder 55,5 × 69,375 km) räumliche Auflösung der Landoberflächentemperaturdaten vom NASA MERRA-2-Temperaturprodukt50 heruntergeladen und dann Heiz- und Kühlgradtage berechnet (HDD bzw. CDD) basierend auf der Anzahl monatlich gemittelter Messungen, die von einer Basistemperatur abweichen, \({T}_{{base}}\), die dann entsprechend der Anzahl der Tage in jedem jeweiligen Monat multipliziert wurden (d. h. unter der Annahme, dass für jeden Tag des Monats dieselbe Festplatte oder CDD verwendet wird) und dann gemäß den Gleichungen über ein Jahr summiert werden. (1–2) unten:

wobei \({T}_{{base}}=\)15,5 Grad C für HDD und \({T}_{{base}}\)= 22 Grad C für CDD41 und \({m}\) ist Monat. Für das EU-Modell haben wir Kühlgradtage ausgeschlossen, da 99 % der europäischen Städte 0 cdd hatten.

Wir haben Luftverschmutzungsdaten einbezogen, die aus Satellitenfernerkundungsressourcen gewonnen wurden. Wir haben die jährliche, gerasterte (~1 km) Exposition gegenüber Feinstaubverschmutzung (PM2,5) für die Jahre 2001–202051 berücksichtigt, da die PM2,5-Verschmutzung aus Quellen stammt, die den Kohlenstoffemissionen in städtischen Gebieten ähneln, hauptsächlich aus der Verbrennung fossiler Brennstoffe aus Elektrizität Erzeugung und Transport52. Wir haben auch mehrere relevante Luftverschmutzungsvariablen aus dem MERRA-2-Sensor extrahiert, darunter die Oberflächenmassenkonzentration von Staub (DUSMASS), die Oberflächenmassenkonzentration von schwarzem Kohlenstoff (BCSMASS), die Oberflächenmassenkonzentration von Schwefeldioxid (SO2SMASS) und die Oberflächenmassenkonzentration von Sulfat (SO4SMASS). .

Wir haben einige Prädiktoren auf Länderebene ausgewertet, basierend auf einer früheren Studie10, in der festgestellt wurde, dass Emissionsreduktionen auf nationaler Ebene Prädiktoren für die Leistung des Klimawandels auf Stadtebene sind, einschließlich der Entwicklung der CO2-Emissionen auf Länderebene (2000–2018)17 und der Kohlenstoffintensität von Elektrizität. Generation für die Europäische Union53, obwohl unser endgültiges Modell diese Variablen nicht enthielt, da sie nicht wesentlich zur Merkmalsbedeutung für unser Modell beitrugen (Abb. 1b).

Darüber hinaus berücksichtigten wir die Bevölkerung und das Bruttoinlandsprodukt (BIP) als relevante sozioökonomische Treiber der städtischen Klimaemissionen6. Für die Bevölkerung verwendeten wir den Gridded Population of the World (GPW)-Datensatz54, der Bevölkerungsschätzungen mit einer räumlichen Auflösung von 1 km für Fünfjahresschritte von 2000 bis 2020 liefert. Wir berechneten jährliche Bevölkerungsschätzungen durch lineare Interpolation zwischen diesen Fünfjahresperioden Schritte. Für das BIP haben wir globale, jährlich gerasterte BIP-Pro-Kopf-Daten mit einer räumlichen Auflösung von 1 km von Kummu et al.55 verwendet, die Daten von 1990 bis 2015 liefern. Wir haben jede LAU räumlich mit der entsprechenden Nomenklatur der Gebietseinheiten für die Statistik verknüpft oder NUTS (Ebene 3), für die Europäische Union ihre internationale Territorialeinheit, um ein Bruttoregionalprodukt (GRP) vom Europäischen Statistischen Amt abzuleiten56. Da die NUTS3-GRP-Werte flächenmäßig etwas breiter sind als eine LAU, haben wir die jährliche Änderungsrate von 2016 bis 2018 verwendet, die auf die Kummu-BIP-Daten für jede LAU angewendet wurde, um die Zeitreihen der anderen räumlichen Prädiktoren abzugleichen.

Da das ursprüngliche Format dieser Prädiktorvariablen (z. B. CO2-Emissionen aus fossilen Brennstoffen) allesamt gerasterte räumliche Daten sind, haben wir diese Datensätze durch räumliche Verknüpfungen mit jeder EUCoM-Stadt zusammengeführt. Wir haben zunächst die Breiten- und Längengrade des Schwerpunkts jeder Stadt erfasst, die aus den verschiedenen Datenquellen stammen. Wenn die Stadtschwerpunkte nicht von Kona et al.34, der Website des EU-Bürgermeisterkonvents, verfügbar waren oder wir Fehler in den geografischen Koordinaten aus einer dieser Quellen festgestellt haben, haben wir die Stadtschwerpunkte über die GeoHack-Website von Wikipedia extrahiert.

Um die räumlichen Grenzen jeder Stadt zu bestimmen, haben wir die unten beschriebenen unterschiedlichen Ansätze verwendet. Für die meisten Städte haben wir Daten für lokale Verwaltungseinheiten (Local Administrative Units, LAUs) gesammelt, die als „untergeordnete Verwaltungseinheiten eines Landes unterhalb der einer Provinz, Region oder eines Staates“ für alle 28 Länder der Europäischen Union definiert sind Statistisches Amt der Union57. Die LAU-Daten wurden mithilfe des Geopandas58-Pakets räumlich mit unserem EUCoM-Stadtdatenrahmen in Python verknüpft, um jeder Stadt eine LAU-Grenze zuzuordnen, um zusätzliche Prädiktorvariablen abzugleichen. Wir haben eine Reihe von Qualitätsprüfungen durchgeführt, um sicherzustellen, dass die räumlichen Verbindungen korrekt durchgeführt wurden, und um etwaige Probleme mit den geografischen Koordinaten zu identifizieren, die möglicherweise falsch auf der Website des EU-Konvents angegeben wurden. Diese Qualitätsprüfungen umfassen (1) die Bewertung, ob Städte dieselben geografischen Koordinaten haben, aber mit unterschiedlichen Namen identifiziert werden; (2) Vergleich der gemeldeten Bevölkerung auf der Website von Kona et al.34 oder EUCoM für einen einzelnen Akteur und der interpolierten Bevölkerung nach der räumlichen Verbindung; (3) Untersuchung aller Städte mit selbst gemeldeten Pro-Kopf-Emissionen von <0,2 Tonnen pro Person oder >40 Tonnen pro Person; (4) Die durchschnittliche jährliche Wachstumsrate der Emissionen beträgt >–50 % und <50 %. Durch diese Prüfungen konnten wir feststellen, ob es Fehler in der räumlichen Verbindung oder den zugrunde liegenden Daten gab, die für die EUCoM-Städte entweder von Kona et al.34 oder der EUCoM-Website gesammelt wurden.

Wo manuelle Korrekturen an LAUs ebenfalls nicht zu korrekten räumlichen Verbindungen führten, verwendeten wir OpenStreet Map (OSM)59, um die korrekte Grenze zu ermitteln, insbesondere für große Städte, die mehr als eine LAU umfassen können. Ergänzende Abbildung 2 zeigt einige Beispiele für die falschen räumlichen Verbindungsergebnisse und die festen Grenzen mit OSM. Nachdem wir die Grenzen der Städte überprüft hatten, wendeten wir mithilfe des Python-Pakets rasterstats Version 0.15.060 Zonenstatistiken an, wobei jede Prädiktorvariable für jede Stadt anhand ihrer räumlichen Grenze zusammengefasst wurde. Basierend auf der Definition der Prädiktorvariablen haben wir Mittelwerte berechnet, mit Ausnahme der Bevölkerung, wo wir die Summe aller Pixel berechnet haben, die jede Stadt- oder LAU-Grenze schneiden.

Am EUCoM teilnehmende Städte müssen einen Aktionsplan für nachhaltige Energie (und Klima) (SE(C)AP) vorlegen, der eine Basisemissionsinventur und danach alle zwei Jahre eine Überwachungsinventur umfasst Bei der Erhebung im Februar 2021 hatten von den fast 10.000 auf der Website aufgeführten Unterzeichnern nur 6114 Akteure Emissionsdaten gemeldet, und nur 1400 hatten Emissionsüberwachungsdaten für mehr als ein Jahr gemeldet. Wir haben nur Städtedaten mit einer interpolierten Bevölkerungszahl größer einbezogen als das 5. Perzentil (374 Einwohner) der Bevölkerungsverteilung der Städte. Insgesamt wiesen 329 Städte eine Bevölkerung unter diesem Schwellenwert auf und wurden nicht in das Training oder die Vorhersagedatensätze einbezogen. In Übereinstimmung mit Hsu et al. (2020) haben wir auch gefiltert Wir haben Datenpunkte herausgefunden, die <0,2 Tonnen CO2 pro Person oder >40 Tonnen CO2 pro Person gemeldet haben. Der Zeitraum für selbst gemeldete Emissionsdaten reichte von 1990 bis 2020, wir haben jedoch nur Daten >2000 (5880 einzelne Akteure mit 6961 Emissionsdatenpunkten) verwendet das Modelltraining, da dies der für die Prädiktorvariablen verfügbare Zeitraum ist.

Wir teilen unsere Daten weiter in drei Teilmengen auf: Die erste Teilmenge, die als Trainingsdaten verwendet wird, umfasst alle EUCoM-Städte, für die mindestens ein Jahr Emissionsdaten gemeldet wurden, unabhängig davon, ob es sich um Basisemissionen oder um ein späteres Inventarjahr mit gemeldeten Daten handelt (EUCoM, 2021); eine zweite Untergruppe sind Städte, die am EUCoM teilnehmen, aber keine Emissionsdaten gemeldet haben; Die dritte Untergruppe sind Städte, die nicht am EUCoM teilnehmen. Die erste Teilmenge der an das EUCoM gemeldeten Emissionsdaten wird als Trainingsdaten zur Vorhersage der Emissionen für die beiden letztgenannten Datenteilmengen verwendet. Wir haben das mit dem ersten Datensatz erstellte Modell auf diese Städte angewendet und ihre wahrscheinlichen Emissionen für ein bestimmtes Jahr vorhergesagt. Ergänzende Abbildung 3 zeigt ein Flussdiagramm der oben beschriebenen Verarbeitungsschritte. Unsere Trainings- und Testdatensätze wurden auf der Grundlage einer standardmäßigen 80/20-Aufteilung der Daten unter Beibehaltung der zugrunde liegenden Länderdarstellung generiert (d. h. etwas mehr als die Hälfte der verfügbaren Trainingsdaten stammt aus Städten in Italien (52 %), gefolgt von Spanien (26). %).

Wir haben mehrere Regressionsmodelle ausgewertet, darunter multilineare Regression, Random Forest, SVM und Extreme Gradient Boosting (XGBoost). Das multilineare Modell stammt aus der R-Basisbibliothek; Random Forest und SVM stammen aus dem R-Paket Caret Version 6.0-8661; und XGBoost aus der XGBoost R-Paketversion 1.3.2.162. Wir haben den quadratischen Mittelwertfehler (RMSE) und r2 als Modellvergleichsmatrix gewählt, um zu untersuchen, wie jedes Modell sowohl bei den Trainings- als auch bei den Testdatensätzen abschneidet. Für Random Forest-, SVM- und XGBoost-Modelle, die durch eine Reihe von Hyperparametern gesteuert werden, haben wir eine Rastersuche mit fünffacher Kreuzvalidierung auf die Modelle angewendet, um die besten Parameter zu erhalten, die zum niedrigsten RMSE führen. Ergänzende Tabelle 6 zeigt die Hyperparameter, die wir in diesen drei Modellen verwendet haben. Fehlende Werte in unabhängigen Variablen sind ein häufiges Problem in ML-basierten Modellen, und die von uns bewerteten Modelle gehen mit fehlenden Werten auf unterschiedliche Weise um. Das XGBoost-Modell ist in der Lage, fehlende Werte ohne Imputation zu verarbeiten. Nachdem wir ein XGBoost-Modell mit vollständigen Daten in allen unabhängigen Variablen trainiert haben (bezeichnet als XGBoost-w/o NA), haben wir daher auch das XGBoost-Modell mit den Daten trainiert, die möglicherweise NA-Werte in den unabhängigen Variablen haben (bezeichnet als /-NA in den folgenden Abschnitten. Beachten Sie, dass alle NA-Werte gelöscht werden, nachdem wir die Daten in Trainings- und Testsätze aufgeteilt haben, sodass alle Trainings- und Testdatensätze für Modelle außer XGBoost-w/ NA genau gleich sind. Ergänzende Tabelle 6 zeigt Trainieren und testen Sie RMSE und r2 der am besten abgestimmten Modelle. Sowohl das Random Forest- als auch das XGBoost-Modell sind baumbasierte Regressionsmodelle, und unsere Ergebnisse legen nahe, dass die baumbasierten Modelle eine bessere Leistung als andere Modelle für unseren Datensatz erbringen (Ergänzungstabelle 6). Darüber hinaus wird das XGBoost-w/NA-Modell mit 357 weiteren Datenpunkten mit NA-Werten in den unabhängigen Variablen trainiert und erreicht: RMSE = 155865,63 und r2 = 0,90.

Basierend auf den Ergebnissen des Modelltrainings und der Fähigkeit, mit fehlenden Werten umzugehen, haben wir uns entschieden, mit XGBoost fortzufahren. XGBoost steht für „Extreme Gradient Boosting“ und erfreut sich aufgrund seiner hohen Leistung bei maschinellen Lernwettbewerben wie Kaggle63 großer Beliebtheit. Gradientenverstärkungsmodelle wie XGBoost führen überwachte Regressionsaufgaben durch einen iterativen Ansatz zur Vorhersage einer Zielvariablen (z. B. Emissionen) durch und optimieren die Vorhersageleistung durch die Kombination mehrerer „schwacher“ Bäume, um neue Modelle anzupassen, die genauere Prädiktoren einer Antwortvariablen sind64,65. Ein Vorteil von Gradienten-verstärkenden maschinellen Lernmodellen wie XGBoost besteht darin, dass sie robust gegenüber Problemen sind, die bei typischen regressionsbasierten Techniken von Bedeutung sind, einschließlich Multikollinearitätsproblemen66,67. Ein Entscheidungsbaum besteht aus Aufteilungen – iterativen Auswahlen von Merkmalen, die Daten in zwei Gruppen aufteilen und dann basierend auf der Bewertung bestimmen, welches die optimale „Aufteilung“ für ein Merkmal ist. Wenn zwei Merkmale oder Variablen korrelieren, wird nur eines ausgewählt und der Algorithmus verwendet keine Informationen aus dem korrelierten Merkmal, da diese bereits vom ersten Merkmal erfasst wurden. Das XGBoost-Gradientenverstärkungsmodell wird aufgrund seiner hohen Effizienz, Flexibilität und Portabilität häufig bei der Überwachung der Luftqualität65,68,69 und der Schätzung von Treibhausgasemissionen (THG)70 eingesetzt. Si und Du65 weisen außerdem auf zusätzliche Vorteile von XGBoost hin, das weniger Datenvorverarbeitung erfordert und weniger Hyperparameter aufweist, Parameter, die ein ML-Modell zur Steuerung des Lernprozesses für die Optimierung verwendet71.

Wir verwendeten rekursive Merkmalseliminierung (RFE)72, eine Technik des maschinellen Lernens, die bei der Merkmalsauswahl hilft, um optimale Merkmale für ein Vorhersage- oder Klassifizierungsproblem zu identifizieren, indem die „schwächsten“ Merkmale in einem Datensatz eliminiert werden73. Obwohl RFE-Ansätze möglicherweise relevanter für Datensätze sind, die mehrere Dutzend oder Hunderte von Variablen enthalten, haben wir RFE mithilfe des FeatureTerminatoR74-Pakets in R implementiert, das die Einbeziehung von Heizgradtagen, CO2-Emissionen aus fossilen Brennstoffen (odiac) und Feinstaubverschmutzung vorschlug ( pm25), BIP pro Kopf, Bevölkerung, Bevölkerungsdichte, Breitengrad, Längengrad, Staubmassenkonzentration und Emissionsjahr. Wir haben alternative Modellspezifikationen ausgewertet, die zusätzlich erfasste Variablen enthielten (z. B. Schwefeldioxid-Emissionskonzentrationen), aber ihre Einbeziehung verbesserte die Vorhersagegenauigkeit unseres Modells nicht wesentlich und wir haben uns in unserer endgültigen Modellspezifikation in Bezug auf die Modellsparsamkeit geirrt75 (ergänzende Abbildung 5 und ergänzende Abbildung 5). Tabelle 7).

Unsere Implementierung von XGBoost wird durch eine Reihe von Hyperparametern bestimmt, bei denen es sich um Parameter handelt, die das maschinelle Lernmodell zur Steuerung des Lernprozesses verwendet71. Dazu gehörten die maximale Tiefe des Baums, die Lernrate, die minimale Gewichtssumme in einem Knoten, die minimale Verlustreduzierung und der Prozentsatz der in jedem Baum zu verwendenden Zeilen. Dies sind die Standard-Hyperparameter, die in der XGBoost-Implementierung in R76 enthalten sind. Um den besten Hyperparametersatz für das Modell zu erhalten und die Leistung des Modells zu bewerten, haben wir zunächst unseren Datensatz mit einer 80/20-Stichprobe auf verschiedene Länder aufgeteilt, was bedeutet, dass wir 80 % der Daten als Trainingsdaten verwendet haben, um die anderen 20 % vorherzusagen Datensatz65. Anschließend führten wir eine Rastersuche (Ergänzungstabelle 4) für die Hyperparameter mit fünffacher Kreuzvalidierung durch, um das Modell mit dem niedrigsten mittleren quadratischen Mittelfehler zu bestimmen. Ergänzende Tabelle 4 zeigt die Hyperparameterbereiche und die optimierten Werte. Im Anschluss an die Hyperparameter-Rastersuche trainierten wir das Modell mit dem Trainingsdatensatz mit dem besten Ergebnis der Hyperparameter-Rastersuche. Anschließend haben wir die Modellgenauigkeit anhand der Testdaten getestet.

Das endgültige Modell wurde mit dem optimalen Parametersatz aus der Rastersuche erstellt. Dabei handelt es sich um den Prozess, Modelle mit allen möglichen Parameterkombinationen zu erstellen und den besten Parametersatz zu finden, mit dem das Modell bei Trainingsbeispielen die beste Leistung erbringt. Wie in der Ergänzungstabelle 4 beschrieben, wird das optimale Ergebnis für das Modell erreicht, wenn maximale Tiefe = 13, minimales Kindergewicht = 1, Eta (Lernrate) = 0,5, Gamma = 1 und das Modell mit 40 Runden trainiert wird, wodurch ein Mittelwert erreicht wird absoluter prozentualer Fehler zwischen den Trainings- und den vorhergesagten Werten von 8 % und r2 = 0,88 für die Testdaten. Streudiagramme der Modellleistung finden Sie in der ergänzenden Abbildung 4. Ergänzende Tabelle 7 zeigt die Ergebnisse einiger ausgewählter alternativer Modellspezifikationen, die bewertet, aber letztendlich nicht für Vorhersagen für andere Jahre und alle anderen LAUs ausgewählt wurden. Ergänzende Abbildung 4 zeigt Streudiagramme der selbst gemeldeten und vorhergesagten Emissionen für die Trainings- und Testdatensätze. Wir haben die integrierte Funktion xgb.importance des XGBoost R-Pakets verwendet, um die Merkmalsbedeutung des endgültigen Modells zu bestimmen (d. h. welche Prädiktoren die größte Vorhersage- oder Erklärungskraft haben)76.

Nachdem wir das endgültige Modell mit optimalen Parametern und Auswertung erstellt hatten, wandten wir unser Modell auf (1) EUCoM-Städte an, die keine Emissionen melden (d. h. teilnehmende Städte); und (2) alle externen LAUs in Europa, die nicht am EUCoM teilnehmen. Wir haben 1000 prognostizierte Emissionsintervalle für jedes Jahr für jeden Akteur erstellt, um robuste mittlere Schätzungen sicherzustellen. Zusätzlich zu den optimalen Parametern aus der Rastersuche haben wir den Parameter „Unterstichprobe“ verwendet, um Zufälligkeit in das Modell einzuführen. Dieser Parameter bestimmt den Prozentsatz der Zeilen in unserem Datensatz, die in jedem Baum verwendet werden sollen. Wir legen diesen Wert auf 0,90 fest, sodass das Modell mit 90 % des gesamten Datensatzes erstellt wird. Anschließend berechneten wir das 5. Perzentil, das 95. Perzentil, den Mittelwert und den Medianwert für jede vorhergesagte Emissionsschätzung für jeden Akteur und jedes Jahr.

Wir haben mehrere Leistungsmetriken (z. B. linearer Trend der prognostizierten Emissionen zwischen 2001 und 2018, jährliche prozentuale Änderung der Emissionen und jährliche prozentuale Reduzierung der Pro-Kopf-Emissionen) anhand der prognostizierten Emissionsdaten für jeden Akteur berechnet und diese ausgewertet, bevor wir die jährliche prozentuale Reduzierung verwendet haben in Pro-Kopf-Emissionen (jährlicher Trend der Pro-Kopf-Emissionen) als unsere Hauptbewertungsmetrik, im Einklang mit Hsu et al.10, wie in Gleichung beschrieben. 3.

In Übereinstimmung mit Hsu et al.10 haben wir ermittelt, ob eine Stadt „auf dem richtigen Weg“ ist, ihr erklärtes Emissionsreduktionsziel zu erreichen oder nicht, und das Verhältnis der tatsächlichen (dh erreichten) Pro-Kopf-Emissionsreduktion im Inventarjahr zur angestrebten Reduzierung berechnet Emissionsreduktion pro Kopf im Inventarjahr, beide im Vergleich zum Basisjahr, unter der Annahme, dass die Emissionsreduktion zwischen dem Basisjahr und dem Zieljahr linear anteilig erfolgt (d. h. konstante Emissionsreduktion von einem Jahr zum nächsten). Genauer gesagt definieren wir \(\rho\) durch die folgenden Gleichungen. (4–7):

Wo:

\({{Predemissions}}_{\min ({year})}\) sind die vorhergesagten Emissionen pro Kopf der Stadt im Mindestjahr, für das Prädiktordaten verfügbar sind. Für die meisten Städte war dies das Jahr 2001;

\({{Predemissions}}_{\max ({Jahr})}\) sind die vorhergesagten Emissionen pro Kopf der Stadt im maximalen Jahr, für das Prädiktordaten verfügbar sind. Für die meisten Städte war dies das Jahr 2018;

Wo:

\({{Jahr}}_{\min }\) ist das Mindestjahr, für das vorhergesagte Emissionsdaten verfügbar sind

\({{Jahr}}_{\max }\)ist das maximale Jahr, für das prognostizierte Emissionen verfügbar sind

\({{Jahr}}_{{Ziel}}\)ist das Jahr, bis zu dem die zugesagten Emissionsreduktionen erreicht werden sollen

Wo:

\({Ziel}\) ist die zugesagte Emissionsreduktion der Stadt (Prozentsatz).

Um zu untersuchen, ob die Teilnahme am EUCoM mit einer Änderung der Emissionen einer Stadt verbunden ist, verwendeten wir einen Modellierungsansatz mit unterbrochenen Zeitreihen (ITS)20, um Trends bei den jährlichen Pro-Kopf-Emissionen von EUCoM-Städten vor und nach ihrem Beitrittsjahr zu vergleichen. ITS-Designs bewerten das Ergebnis einer Bevölkerungsstichprobe, die vor und nach einer Intervention ausgesetzt war, anhand wiederholter Beobachtungen in regelmäßigen Abständen19,77. Obwohl es eine starke interne Validität eines ITS-Designs gibt, gibt es Einschränkungen hinsichtlich einer potenziell schwachen externen Validität, da die Ergebnisse möglicherweise nicht auf andere Gruppen übertragbar sind, da ITS die Möglichkeit nicht ausschließen kann, dass nicht messbare oder unkontrollierte Faktoren dazu führen eine Änderung der Ergebnisvariablen.

Wir schätzen die jährlichen prozentualen Veränderungen der Pro-Kopf-Emissionsreduktionen (\({pct}.{chg}\)) von 2001 bis 2018 für jede Stadt (\(i\)) im Land (\(c\)) für jedes Jahr ( \(t\)) mit der folgenden Gleichung. (8):

Dabei ist \({Time}\) eine Variable, die die Anzahl der Jahre angibt, seit eine Stadt der EUCoM-Initiative beigetreten ist. \({Joined}\) ist eine Dummy-Variable, die angibt, ob sich die Beobachtung auf die Stadt vor (0) oder nach (1) bezieht; \({TSJ}\) ist die Zeit in Jahren, die seit dem Beitritt einer Stadt zur EUCoM vergangen ist. Wir kontrollieren auch die Unterschiede zwischen der Bevölkerungsdichte der Städte, dem Pro-Kopf-BIP, den von unserem maschinellen Lernmodell vorhergesagten Emissionen pro Kopf, dem prozentualen Reduktionsziel für 2020 und ob die Stadt einen Minderungsplan verabschiedet oder eine Emissionsinventur durchgeführt hat. Wir beziehen auch Länderdummies (\({\gamma }_{C}\)) ein, um unbeobachtete, zeitinvariante Faktoren zu kontrollieren, die in Städten innerhalb eines Landes häufig auftreten, und jahresfeste Effekte (δt), um exogene Merkmale zu kontrollieren, die die Emissionen beeinflussen können in einem bestimmten Jahr.

Daten-Scraping und Geodatenverarbeitung wurden mit Python (Version 3.68), Beautiful Soup-Paket (Version 4.8.2), Geopandas (Version 0.9.0), Rasterio-Version (1.0.21) und Rasterstats (Version 0.15.0) durchgeführt die statistische Programmierumgebung R (Version 3.6.2). Das maschinelle Lernmodell wurde in R mit dem XGBoost-Paket (Version 1.6.0.1)76 entwickelt und durchgeführt. Die Abbildungen wurden mit dem Datenvisualisierungspaket ggplot278 (Version 3.3.6) erstellt und die Karten wurden in QGIS (Version 3.16) erstellt.

Weitere Informationen zum Forschungsdesign finden Sie in der mit diesem Artikel verlinkten Nature Portfolio Reporting Summary.

Die in dieser Studie generierten Daten wurden im Data-Driven EnviroLab Dataverse-Repository (https://doi.org/10.15139/S3/NRJ5ZO) abgelegt. Zu den für diese Studie gesammelten, verarbeiteten und genutzten Rohdaten gehören: die Open-Data Inventory for Anthropogenic Carbon Dioxide (ODIAC)-Datenbank (https://doi.org/10.17595/20170411.001); NASA MERRA-2 monatliches Temperaturprodukt (https://doi.org/10.5067/KVIMOMCUO83U); NASA MERRA-2 monatliche mittlere Säulenmassendichte von Aerosolkomponenten (Ruß, Staub, Meersalz, Sulfat und organischer Kohlenstoff), Oberflächenmassenkonzentration von Aerosolkomponenten (https://doi.org/10.5067/FH9A0MLJPC7N); Oberflächen-PM2,5 von der Atmospheric Composition and Analysis Group an der Washington University in St. Louis (https://doi.org/10.1021/acs.est.1c05309); Rasterdatensatz zur Weltbevölkerung54 (https://doi.org/10.7927/H4F47M2C) Global gerasterte Daten zum Bruttoinlandsprodukt (BIP) von Kummu et al.55 (https://doi.org/10.1038/sdata.2018.4); Eurostats Bruttoinlandsprodukt (BIP) zu aktuellen Marktpreisen nach NUTS-2-Regionen (http://data.europa.eu/88u/dataset/egT31kJF7IArVLXu1rTkQ); Kona et al.34 Global Covenant of Mayors, ein Datensatz zu Treibhausgasemissionen für 6200 Städte in Europa und den südlichen Mittelmeerländern (https://doi.org/10.5194/essd-13-3551-2021); andere Daten für die Städte des EU-Bürgermeisterkonvents wurden gesammelt von (https://www.covenantofmayors.eu/); Lokale Verwaltungseinheiten aus der Eurostat-Datenbank56 (https://ec.europa.eu/eurostat/web/nuts/local-administrative-units); Verwaltungsgrenzen von Städten aus OpenStreetMap (https://planet.openstreetmap.org); Stadtschwerpunkte wurden über die GeoHack-Website von Wikipedia (https://www.mediawiki.org/wiki/GeoHack) extrahiert.

Der für diese Studie verwendete Code ist auf der Data-Driven EnviroLab GitHub-Seite (www.github.com/datadrivenenvirolab/citiesML) oder auf begründete Anfrage beim entsprechenden Autor verfügbar.

Hsu, A. et al. ClimActor, harmonisierte transnationale Daten zur Klimanetzwerkbeteiligung von Stadt- und Regionalregierungen. Wissenschaft. Daten 7, 1–8 (2020).

Artikel Google Scholar

Reckien, D. et al. Wie wollen Städte auf den Klimawandel reagieren? Bewertung lokaler Klimapläne von 885 Städten in der EU-28. J. Sauber. Prod. 191, 207–219 (2018).

Hsu, A. & Rauber, R. Verschiedene Klimaakteure zeigen in einer groß angelegten Textanalyse von Strategiedokumenten eine begrenzte Koordination. Komm. Erdumgebung. 2, 1–12 (2021).

Artikel Google Scholar

Hsu, A., Cheng, Y., Weinfurter, A., Xu, K. & Yick, C. Verfolgen Sie die Klimaversprechen von Städten und Unternehmen. Natur 532, 303–305 (2016).

Milojevic-Dupont, N. & Creutzig, F. Maschinelles Lernen für geografisch differenzierten Klimaschutz in städtischen Gebieten. Aufrechterhalten. Städte Soc. 64, 102526 (2021).

Artikel Google Scholar

Zwischenstaatlicher Ausschuss für Klimaänderungen & Zwischenstaatlicher Ausschuss für Klimawandel. Menschliche Siedlungen, Infrastruktur und Raumplanung. in Climate Change 2014 Mitigation of Climate Change (2015).

Stehle, F., Hickmann, T., Lederer, M. & Höhne, C. Städtische Klimapolitik in Schwellenländern: Eine Multi-Level-Governance-Perspektive. (2020).

Boehnke, R., Hoppe, T., Brezet, H. & Blok, K. Gute Praktiken für lokale Klimaschutzmaßnahmen kleiner und mittlerer Städte; Untersuchung der Bedeutung, Umsetzung und Verbindung zur tatsächlichen Senkung der CO2-Emissionen in dreizehn Gemeinden in den Niederlanden. J. Sauber. Prod. 207, 630–644 (2019).

Domorenok, E., Acconcia, G., Bendlin, L. & Campillo, XR Experimente in der EU-Klima-Governance: Das unerfüllte Potenzial des Konvents der Bürgermeister. Globus. Umgebung. Polit. 20, 122–142 (2020).

Artikel Google Scholar

Hsu, A. et al. Leistungsdeterminanten zeigen, dass europäische Städte bei der Eindämmung des Klimawandels Erfolge erzielen. Nat. Aufstieg. Chang. 10, 1015–1022 (2020).

Ibrahim, N., Sugar, L., Hoornweg, D. & Kennedy, C. Treibhausgasemissionen aus Städten: Vergleich internationaler Inventarrahmen. Lokale Umgebung. 17 (2012).

Rolnick, D. et al. Den Klimawandel mit maschinellem Lernen bekämpfen. ACM Computing Surveys (CSUR), 55, 1–96 (2022).

Oda, T. et al. Fehler und Unsicherheiten in einem gerasterten Kohlendioxidemissionsinventar. Mitig. Anpassen. Strateg. Globus. Chang. 24, 1007–1050 (2019).

Artikel Google Scholar

Raupach, MR, Rayner, PJ & Paget, M. Regionale Unterschiede in der räumlichen Struktur von Nachtlichtern, Bevölkerungsdichte und CO2-Emissionen fossiler Brennstoffe. Energiepolitik 38, 4756–4764 (2010).

Artikel Google Scholar

Moran, D. et al. Schätzung der CO2-Emissionen für 108.000 europäische Städte. Erdsystem. Wissenschaft. Daten 14, 845–864 (2022).

Artikel ADS Google Scholar

Nangini, C. et al. Ein globaler Datensatz zu CO2-Emissionen und Zusatzdaten zu Emissionen für 343 Städte. Wissenschaft. Daten 6, 180280 (2019).

Weltressourceninstitut (WRI). Climate Watch 2020. (2020).

Salvia, M. et al. Werden Klimaschutzambitionen zur CO2-Neutralität führen? Eine Analyse der lokalen Pläne von 327 Städten in der EU. Erneuern. Aufrechterhalten. Energy Rev. 135, 110253 (2021).

Artikel Google Scholar

Bernal, JL, Cummins, S. & Gasparrini, A. Der Einsatz von Kontrollen in unterbrochenen Zeitreihenstudien zu Interventionen im Bereich der öffentlichen Gesundheit. Int. J. Epidemiol. 47, 2082–2093 (2018).

Artikel Google Scholar

Shadish, WR, Cook, TD & Campbell, DT Experimentelle und quasi-experimentelle Designs für verallgemeinerte kausale Schlussfolgerungen. (2002).

van der Heijden, J. Studium der städtischen Klimapolitik: Wo man anfangen, worauf man achten sollte und wie man einen sinnvollen Beitrag zu Wissenschaft und Praxis leisten kann. Erdsystem. Gouverneur 1, 100005 (2019).

Artikel Google Scholar

Gordon, DJ & Johnson, CA Stadtnetzwerke, globale Klimapolitik und der Weg zu 1,5 °C. Curr. Meinung. Umgebung. Nachhaltigkeit 30, 35–41 (2018).

Artikel Google Scholar

Rivas, S., Urraca, R., Palermo, V. & Bertoldi, P. Konvent der Bürgermeister 2020: Treiber und Hindernisse für die Überwachung von Klimaschutzplänen. J. Sauber. Prod. 332, 130029 (2022).

Artikel Google Scholar

Kona, A. et al. Konvent der Bürgermeister: Erfolge und Prognosen zu Treibhausgasemissionen. publications.jrc.ec.europe.eu (2016).

Boehnke, RF, Hoppe, T., Brezet, H. & Blok, K. Gute Praktiken bei lokalen Klimaschutzmaßnahmen kleiner und mittlerer Städte; Untersuchung der Bedeutung, Umsetzung und Verbindung zur tatsächlichen Senkung der CO2-Emissionen in dreizehn Gemeinden in den Niederlanden. J. Sauber. Prod. 207, 630–644 (2019).

Artikel Google Scholar

Aldy, JE Die entscheidende Rolle der politischen Überwachung in der internationalen Klimapolitik. Aufstieg. Änderung 126, 279–292 (2014).

Artikel ADS Google Scholar

Bulkeley, H. Können Städte ihr Klimapotenzial ausschöpfen? Überlegungen zur COP21 Paris und darüber hinaus. Lokale Umgebung. 20, 1405–1409 (2015).

Artikel Google Scholar

Hale, TN et al. Sub- und nichtstaatliche Klimaschutzmaßnahmen: ein Rahmen zur Bewertung von Fortschritt, Umsetzung und Auswirkungen. Aufstieg. Richtlinie 21, 406–420 (2021).

Artikel Google Scholar

Bulkeley, H. et al. Transnationale Steuerung des Klimawandels: Bewertung der Beweise aus einer Datenbank mit sechzig Initiativen. Umgebung. Planen. C. Gov. Policy 30, 591–612 (2012).

Artikel Google Scholar

Chan, S., Falkner, R., Goldberg, M. & van Asselt, H. University of Easte. Effektiv und geografisch ausgewogen? Eine leistungsbasierte Bewertung nichtstaatlicher Klimaschutzmaßnahmen. Taylor Fr. 18, 24–35 (2018).

Kuramochi, T. et al. Über nationale Klimaschutzmaßnahmen hinaus: die Auswirkungen regionaler, städtischer und geschäftlicher Verpflichtungen auf die globalen Treibhausgasemissionen. 20, 275–291 (2020).

Ogle, SM et al. Weiterentwicklung der nationalen Treibhausgasinventare für die Landwirtschaft in Entwicklungsländern: Verbesserung von Aktivitätsdaten, Emissionsfaktoren und Softwaretechnologie. Umgebung. Res. Lette. 8, 015030 (2013).

Pan, G., Xu, Y. & Ma, J. Das Potenzial der CO2-Satellitenüberwachung für die Klimapolitik: eine Übersicht. J. Umgebung. Geschäftsführer 277, 111423 (2021).

Artikel CAS Google Scholar

Kona, A. et al. Global Covenant of Mayors, ein Datensatz zu Treibhausgasemissionen für 6200 Städte in Europa und den südlichen Mittelmeerländern. Erdsystem. Wissenschaft. Daten 13, 3551–3564 (2021).

Artikel ADS Google Scholar

EU-Bürgermeisterkonvent. Die Berichterstattungsrichtlinien des Konvents der Bürgermeister für Klima und Energie. https://www.covenantofmayors.eu/IMG/pdf/Covenant_ReportingGuidelines.pdf (2016).

Kapoor, S. & Narayanan, A. Leakage und die Reproduzierbarkeitskrise in der ML-basierten Wissenschaft. Vorabdruck unter https://arxiv.org/abs/2207.07048 (2022).

Sabuncu, MR Intelligence spielt Würfel: Stochastik ist für maschinelles Lernen unerlässlich. https://doi.org/10.48550/arxiv.2008.07496 (2020).

UNFCCC. Pariser Abkommen, Rahmenübereinkommen der Vereinten Nationen über Klimaänderungen. 21. Vertragsstaatenkonferenz (2015) FCCC/CP/2015/L.9.

UNFCCC. Überarbeitetes Non-Paper für Informationskonsultationen – Vorbereitung auf die erste globale Bestandsaufnahme. https://unfccc.int/topics/global-stocktake/inputs. (2021).

Brooks, S. Nein, Städte sind beim Klima nicht wirklich führend. Genug mit dem sinnlosen Cheerleading. Green Tech Media https://www.greentechmedia.com/articles/read/hard-truths-about-city-failures-with-clean-energy (2017).

Hale, T. „Alle Mann an Deck“: Das Pariser Abkommen und nichtstaatliche Klimaschutzmaßnahmen. Globus. Umgebung. Polit. 16, 12–22 (2016).

Artikel Google Scholar

Hale, T. Katalytische Zusammenarbeit. Globus. Umgebung. Polit. 20, 73–98 (2020).

Artikel Google Scholar

Richardson, L. Schöne Suppe. https://pypi.org/project/beautifulsoup4 (2019).

Marcotullio, PJ, Sarzynski, A., Albrecht, J. & Schulz, N. Die Geographie der städtischen Treibhausgasemissionen in Asien: eine regionale Analyse. Globus. Umgebung. Chang. 22, 944–958 (2012).

Artikel Google Scholar

Dodman, D. Städte für den Klimawandel verantwortlich machen? Eine Analyse städtischer Treibhausgasemissionsinventare. 21, 185–201 (2009).

Rosa, EA & Dietz, T. Menschliche Treiber der nationalen Treibhausgasemissionen. Nat. Aufstieg. Chang. 2012 28 2, 581–586 (2012).

CAS Google Scholar

Karagulian, F. et al. Beiträge zum Feinstaub (PM) in der Umgebung von Städten: Eine systematische Überprüfung der Beiträge lokaler Quellen auf globaler Ebene. Atmosphäre. Umgebung. 120, 475–483 (2015).

Artikel ADS CAS Google Scholar

Agentur, EE Treibhausgasemissionen nach aggregiertem Sektor. Eurostat (2019).

Oda, T. & Maksyutov, S. Ein sehr hochauflösendes (1 km × 1 km) globales Inventar der CO2-Emissionen fossiler Brennstoffe, das mithilfe einer Punktquellendatenbank und Satellitenbeobachtungen von Nachtlichtern erstellt wurde. Atmosphäre. Chem. Physik. 11, 543–556 (2011).

Artikel ADS CAS Google Scholar

Bosilovich, MG, Lucchesi, R. & MS MERRA-2: Dateispezifikation. (2015).

Van Donkelaar, A., Martin, RV, Li, C. & Burnett, RT Regionale Schätzungen der chemischen Zusammensetzung von Feinstaub unter Verwendung einer kombinierten geowissenschaftlich-statistischen Methode mit Informationen von Satelliten, Modellen und Monitoren. Umgebung. Wissenschaft. Technol. 53, 2595–2611 (2019).

Artikel ADS Google Scholar

Engel-Cox, J., Kim Oanh, NT, van Donkelaar, A., Martin, RV & Zell, E. Auf dem Weg zur nächsten Generation der Luftqualitätsüberwachung: Feinstaub. Atmosphäre. Umgebung. 80, 584–590 (2013).

Artikel ADS CAS Google Scholar

Europäische Umweltagentur. Treibhausgasemissionen nach aggregiertem Sektor. Eurostat (2019).

CIESIN. Gridded Population of the World, Version 4. (2016).

Kummu, M., Taka, M. & Guillaume, JHA Rasterbasierte globale Datensätze für das Bruttoinlandsprodukt und den Index der menschlichen Entwicklung im Zeitraum 1990–2015. Wissenschaft. Daten 5, (2018).

Eurostat. Bruttoinlandsprodukt (BIP) zu aktuellen Marktpreisen nach NUTS-2-Regionen. https://appsso.eurostat.ec.europa.eu/nui/show.do?dataset=nama_10r_2gdp (2022).

Eurostat. Glossar:Lokale Verwaltungseinheit (LAU) – Statistics Explained. Eurostat https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Glossary:Local_administrative_unit_(LAU) (2018).

Jordahl, K. geopandas: Python-Tools für geografische Daten. (2014).

Haklay, M., Computing, PW-IP & 2008, undefiniert. Openstreetmap: Benutzergenerierte Straßenkarten. ieeexplore.ieee.org (2008).

Perry, M. Rasterstats 0.16.0. (2021).

Kuhn, M. Erstellen von Vorhersagemodellen in R mithilfe des Caret-Pakets. J. Stat. Softw. 28, 1–26 (2008).

Artikel Google Scholar

Chen, T. & Guestrin, C. XGBoost: Ein skalierbares Baum-Boosting-System. in Proc. ACM SIGKDD International Conference on Knowledge Discovery and Data Mining Bände 13-17-August 785–794 (Association for Computing Machinery, 2016).

Nielsen, D. Tree Boosting mit XGBoost Warum gewinnt XGBoost „jeden“ Wettbewerb im Bereich maschinelles Lernen?

Seyedzadeh, S., Pour Rahimian, F., Oliver, S., Rodriguez, S. & Glesk, I. Modellierung maschinellen Lernens zur Vorhersage der Energieeffizienz von Nichtwohngebäuden: Ein Modell zur Unterstützung tiefgreifender Entscheidungen zur Energiesanierung. Appl. Energie 279, 115908 (2020).

Artikel Google Scholar

Si, M. & Du, K. Entwicklung eines prädiktiven Emissionsmodells unter Verwendung einer Gradientenverstärkungsmethode des maschinellen Lernens. Umgebung. Technol. Innov. 20, 101028 (2020).

Artikel CAS Google Scholar

Alova, G. & Caldecott, B. Ein Modell für maschinelles Lernen zur Untersuchung von Faktoren, die zur Energiewende von Versorgungsunternehmen und unabhängigen Stromerzeugern auf internationaler Ebene beitragen. iScience 24, 102929 (2021).

Artikel ADS Google Scholar

Hastie, TJ Verallgemeinerte additive Modelle. in Statistical Models in S (2017).

Joharestani, MZ, Cao, C., Ni, Atmosphäre. 2019, Bd. 10, Seite 373 10, 373 (2019).

Google Scholar

Pan, B. Anwendung des XGBoost-Algorithmus bei der Vorhersage der stündlichen PM2,5-Konzentration. IOP-Konf. Ser. Erdumgebung. Wissenschaft. 113, 012127 (2018).

Artikel Google Scholar

Li, Y. & Sun, Y. Modellierung und Vorhersage von CO 2 -Emissionen auf Stadtebene mithilfe von Open-Access-Daten und maschinellem Lernen. Umgebung. Wissenschaft. Umweltverschmutzung. Res. 28, 19260–19271 (2021).

Artikel CAS Google Scholar

Yang, L. & Shami, A. Zur Hyperparameteroptimierung von Algorithmen für maschinelles Lernen: Theorie und Praxis. Neurocomputing 415, 295–316 (2020).

Artikel Google Scholar

Yan, K. & Zhang, D. Merkmalsauswahl und -analyse korrelierter Gassensordaten mit rekursiver Merkmalseliminierung. Sens. Aktoren, B Chem. 212, 353–363 (2015).

Artikel CAS Google Scholar

Ketu, S. Vorhersage des räumlichen Luftqualitätsindex und der Luftschadstoffkonzentration mithilfe der auf linearer Regression basierenden rekursiven Merkmalseliminierung mit Random Forest Regression (RFERF): eine Fallstudie in Indien. Nat. Gefahren 1–30 (2022).

Hutson, G. CRAN – PaketfeatureTerminatoR. (2021).

Rasmussen, C. & Ghahramani, Z. Occams Rasiermesser. Adv. Neuronale Inf. Verfahren. Syst. 13, (2000).

Chen, T. & Guestrin, C. XGBoost: Ein skalierbares Baum-Boosting-System. in Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining Bd. 13-17-August 785–794 (ACM, 2016).

Kleck, G. & Patterson, EB Der Einfluss von Waffenkontrolle und Waffenbesitz auf die Gewaltraten. J. Quant. Criminol. 9, 249–287 (1993).

Artikel Google Scholar

Wickham, H. ggplot2 Elegante Grafiken für die Datenanalyse. Zeitschrift der Royal Statistical Society: Serie A (Statistics in Society) (2016).

Referenzen herunterladen

Diese Forschung wurde durch ein IKEA Foundation Grant (Grant No. A19051; AH) und einen 2018 National University of Singapore Early Career Research Award (Grant No. NUS_ECRA_FY18_P15; AH) unterstützt, der an AH verliehen wurde. Wir danken Zhi Yi Yeo und Vasu Namdeo von Yale- NUS College für Unterstützung bei der Datenerfassung. Wir danken außerdem Glenn Sheriff (Arizona State University), Joe Aldy (Harvard Kennedy School of Government) und Evan Johnson (University of North Carolina-Chapel Hill) für Kommentare zu einer früheren Version dieses Entwurfs.

Abteilung für öffentliche Ordnung, University of North Carolina at Chapel Hill, Chapel Hill, USA

Angel Hsu & Xuewei Wang

Datengesteuertes EnviroLab, University of North Carolina at Chapel Hill, Chapel Hill, USA

Angel Hsu & Xuewei Wang

Institut für Umwelt, University of North Carolina at Chapel Hill, Chapel Hill, USA

Angel Hsu & Xuewei Wang

Yale-NUS College, Singapur, Singapur

Jonas Tan & Wayne Toh

Fakultät für Technologie, Politik und Management, Technische Universität Delft, Delft, Niederlande

Nihit Goyal

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

AH hat die Studie konzipiert, mitgestaltet, Daten gesammelt, Modellierungen und statistische Analysen durchgeführt, Zahlen erstellt und die Arbeit geschrieben. XW sammelte Daten, führte statistische Modelle und Validierungen durch, erstellte Zahlen und trug zum Verfassen des Artikels bei. JT unterstützte bei der Auswahl und Implementierung des ML-Modells. WT unterstützte bei der Datenerfassung und -zusammenführung. NG half bei der Konzeption und Gestaltung der Studie, beim Sammeln und Verarbeiten von Daten sowie bei der Interpretation der Ergebnisse.

Korrespondenz mit Angel Hsu.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Nature Communications dankt Zhi Qiao, Monica Salvia und Yanwei Sun für ihren Beitrag zum Peer-Review dieser Arbeit. Peer-Reviewer-Berichte sind verfügbar.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Hsu, A., Wang, X., Tan, J. et al. Vorhersage der Klimaschutzleistung europäischer Städte mithilfe von maschinellem Lernen. Nat Commun 13, 7487 (2022). https://doi.org/10.1038/s41467-022-35108-5

Zitat herunterladen

Eingegangen: 14. März 2022

Angenommen: 18. November 2022

Veröffentlicht: 05. Dezember 2022

DOI: https://doi.org/10.1038/s41467-022-35108-5

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.