Die Environmental Protection Agency schätzt, dass der Transportsektor jährlich etwa 27 % aller Treibhausgasemissionen in den Vereinigten Staaten ausmacht, und die Emissionen aus dem Straßenverkehr – angetrieben von kohlenstofferzeugenden Verbrennungsmotoren – einen Großteil davon ausmachen.
Forscher versuchen seit Jahren, diese Emissionen genauer zu messen, aber vorhandene Inventare sind oft veraltet, unvollständig und begrenzt.
Jetzt haben Wissenschaftler des Johns Hopkins Applied Physics Laboratory (APL) in Laurel, Maryland, künstliche Intelligenz und maschinelles Lernen (ML) genutzt, um genaue Schätzungen der Straßenverkehrsemissionen der 500 Städte mit den höchsten Emissionen weltweit zu erstellen.
„Insbesondere konnten wir den durchschnittlichen jährlichen täglichen Verkehr auf einzelnen Straßenabschnitten in städtischen Gebieten schätzen und dies mit lokalisierten Schätzungen von Fahrzeugemissionen kombinieren, um eine Gesamtemissionsschätzung zu erstellen“, erklärte Marisa Hughes, stellvertretende Programmmanagerin für Umweltresilienz im Missionsbereich für Forschung und explorative Entwicklung von APL.
„Die Möglichkeit, Emissionen pro Straßenabschnitt zu berechnen, bietet einen beispiellosen Detaillierungsgrad und eine globale Abdeckung“, sagte Hughes, der bei der Verwaltung der Klimaschutzbemühungen des Labors hilft. „Die Kombination aus ML-vorhergesagter Straßenaktivität und regionsspezifischen Daten zu Emissionsfaktoren erstellt automatisierte, genaue, globale, zeitnahe und umsetzbare Schätzungen der Treibhausgasemissionen des Straßenverkehrs.“
Umsetzbar ist das Schlüsselwort, sagte Hughes. „Man kann nichts ändern, was man nicht messen kann, und das ist eine große Herausforderung bei der Bekämpfung des Klimawandels. Wir müssen wissen, woher die Treibhausgasemissionen kommen, aber das bedeutet, dass wir eine Vielzahl winziger Beiträge berücksichtigen müssen über Zeit und Geographie hinweg.“
Bildnachweis: Johns Hopkins APL
Unsichtbares sichtbar machen
Weltweit gibt es schätzungsweise 1,4 Milliarden Kraftfahrzeuge. Ein APL-Expertenteam für Fernerkundung und Computervision dachte, sie könnten die Treibhausgase dieser Fahrzeuge messen, indem sie Signaturen von Emissionen aus visuellen Satellitendaten ziehen und im Wesentlichen das Unsichtbare sichtbar machen. Sie machten sich daran, vorhandene Emissionsdaten zu sichten, sie mit diesen Bildern zu korrelieren und mit neuronalen Netzwerken alles herauszukitzeln, was sie konnten.
Dann erkannte das Team, dass es eine andere Möglichkeit gab, die Herausforderung anzugehen, sagte Hughes. APL hatte Erfahrung in der Kartierung von Lebensmustern für die Geheimdienstgemeinschaft in einem Projekt namens Funktionale Weltkartewo Experten Landnutzung und Strukturen kartographierten und Satellitendaten zu verschiedenen Tageszeiten verwendeten, um ähnlich aussehende Strukturen wie Bürogebäude und Wohnkomplexe zu verstehen und zwischen ihnen zu unterscheiden.
„Wir dachten, was wäre, wenn wir dieselbe ‚Muster des Lebens‘-Analyse nehmen und uns statt auf Gebäude zu konzentrieren, auf Straßennetze schauen, die sie verbinden“, erinnert sich Derek Rollend, ein leitender ML-Forscher bei APL. „Wir haben ein tiefes neuronales Netzwerk aufgebaut, das weltweit verfügbare Eingaben verwendet: Satellitenbilder, Straßennetzdaten und Bevölkerung.“
Da einige Gebiete über feinkörnige Daten zu Emissionen und Fahrzeugzahlen verfügten, „konnten wir unsere maschinellen Lernmodelle mit diesen Ground-Truth-Daten zur dortigen Fahrzeugaktivität trainieren und dann die Modellvorhersagen zuerst auf Länderebene und zuletzt für den Top-500-Städten weltweit“, fuhr er fort.
Diese Arbeit leistet einen wichtigen Beitrag zu einer größeren Anstrengung zur Überwachung von Treibhausgasemissionen auf globaler Ebene, die von Climate TRACE durchgeführt wird [Tracking Real-time Atmospheric Carbon Emissions]eine internationale Koalition, die geschaffen wurde, um sinnvolle Klimaschutzmaßnahmen schneller und einfacher zu machen, indem Treibhausgasemissionen unabhängig und mit beispielloser Detailgenauigkeit und Geschwindigkeit verfolgt werden.
Diese Arbeit zeigt, wie APL sein einzigartiges Fachwissen einbringt, um nachhaltige Beiträge zu den globalen Herausforderungen des Klimawandels zu leisten.
„Es ist ein großartiges Beispiel dafür, wie unsere einzigartigen Fähigkeiten und Fähigkeiten in den Bereichen maschinelles Lernen, Satellitenbildgebung und Systemmodellierung angewendet werden können, um komplexe Probleme zu verstehen und eines Tages zu lösen“, sagte Bobby Armiger, der zusammen mit Hughes den Schwerpunkt von Labwide leitet Forschung zum Klimawandel.
Am 9. November wurde Climate TRACE veröffentlicht die detaillierteste Bestandsaufnahme von Treibhausgasemissionen, die je erstellt wurde, das Emissionsdaten auf Anlagenebene für 81.087 einzelne Quellen weltweit bereitstellt – und die Transportdaten von APL waren ein Teil dieser Veröffentlichung. Zusätzlich zur Veröffentlichung von Informationen auf Anlagenebene hat Climate TRACE sein unabhängiges Inventar der Emissionen aus allen Ländern aktualisiert, um Daten aus dem Jahr 2021 aufzunehmen, was einen vollständigen Überblick über die jährlichen Treibhausgasemissionen seit 2015 bietet – dem Jahr des Pariser Abkommens, einem internationalen Klimaabkommen Rückgeld.
Globale Emissionen radikal transparent machen
Mitglieder der Climate TRACE-Koalition haben sich um ein Ziel versammelt, das sie radikale Transparenz nennen.
„Es geht darum, zu wissen, wo sich all die Treibhausgase befinden, woher die Emissionen kommen, und gleichzeitig sehr offen zu sein, wie wir diese Emissionen berechnen“, sagte Hughes. „Das ist eine wirklich große Herausforderung. Aber wenn Sie diese radikale Transparenz haben, können Sie eintauchen und anfangen, einige Analysen und einige Vergleiche durchzuführen, um herauszufinden, was in Bezug auf die Minderung von Emissionen funktioniert und was nicht.“
Eines der Ziele der Koalition für das kommende Jahr ist es, zu verstehen, wie man aus unterschiedlichen Quellen stammende, sich überschneidende Datensätze und Emissionsinventare zusammenführt, um eine neue beste Schätzung dessen zu erstellen, was wirklich vor sich geht.
„Dieser Traum von radikaler Transparenz und dem Wissen, woher alle Emissionen in Echtzeit mit jedem neuen Satellitenbild kommen, liegt noch weit vor uns“, sagte Hughes. „Aber jetzt fühlt es sich zum Greifen nah an.“