OECD ülkelerindeki CO2 emisyonunun makina öğrenmesi ile tahmin edilmesi

Abstract

21. yüzyılın en büyük problemlerinden biri yaşadığımız küresel ısınma ve buna bağlı olarak meydana gelen iklim değişikliğidir. İnsan kaynaklı iklim değişikliği olgusu sanayi devriminde insanların enerji elde etmek için fosil yakıtları kullanmasıyla ve dünya atmosferindeki sera gazı konsantrasyonunu değiştirmeye başlamasıyla ortaya çıkmıştır. Dünya ekonomileri günümüzde %65 oranında fosil yakıtlara dayamaktadır. Enerji elde etmek için fosil yakıtların kullanımı, en önemli sera gazı olan ve küresel ısınmadan %80 oranında sorumlu olan CO2 emisyonuna yol açmaktadır. Bu nedenle, ülkelerin CO2 emisyonlarının takip edilmesi ve gelecek yılların CO2 emisyonlarının planlanması çevre için önem arz etmektedir. Bu tezde, bazı OECD ülkelerindeki CO2 emisyonları makine öğrenmesi yöntemleri ile tahmin edilmiştir. Klasik istatistiksel zaman serisi metotları yerine, yapay zekânın alt dalı olan makine öğrenmesi yöntemleri ile tahminler yapılmış ve zamanın yanında yıllık petrol, doğal gaz, nükleer, sürdürülebilir ve hidro elektrik enerji kullanım miktarları ile CO2 salınımı tahmin edilmiştir. Literatürde farklı alanlar için tahminlerde başarılı sonuçlar verdiği bilinen makine öğrenme metotlarından M5P, çok katmanlı algılayıcı ve destek vektör makinesi yöntemleri kullanılarak CO2 emisyonu tahmin edilmiştir. 34 adet Ekonomik İşbirliği ve Kalkınma Örgütü (OECD) ülkelerinden yüksek CO2 salınımına sahip ülkelerden A.B.D, Japonya, Kanada, Avustralya, Güney Kore, Almanya, İtalya, Fransa, Türkiye ve Meksika için tahminler gerçekleştirilmiştir. Bu metotların sonuçları farklı metriklere göre karşılaştırılmış ve performans değerlerine bakıldığında destek vektör makinesinin CO2 tahmininde oldukça başarılı sonuçlar ürettiği görülmüştür.

One of the biggest problems we are facing with in the 21th Century is global warming. Climate change, that is result of global warming, is another important problem. Human generated climate change has started with the industrial revolution that took place in 1850s because human began to consume so much fossil-based energy sources that change the atmospheric concentration of the greenhouse gases. Nowadays, 65% of the world energy still relies on the fossil fuels. In the atmosphere, fossil based fuels increase CO2 emission which is the most important greenhouse gas and responsible of 80% of the global warming. Therefore, it is crucial for countries to monitor the CO2 emissions and plan the future emissions by forecasting. In this thesis, the CO2 emission is forecasted with machine learning methods. Instead of the classical statistical time series methods, machine learning methods which are the subdivision of artificial intelligence are employed. Not only the time information, but also the yearly petroleum, nuclear, natural gases, hydroelectric, and renewable energy consumptions of the OECD countries are used to forecast the CO2 emissions. The popular machine learning methods in the literature like multilayer perceptron, support vector machines, and random M5P are employed for the forecasts. 10 OECD countries which are known with their high level of CO2 emissions like USA, Germany, Japan, South Korea, Australia, Canada, England, Italy, Turkey and Mexico chosen among the 34 OECD countries for forecasting. The forecasting results are compared according to the performance metrics and it is found out that DVM is quite successful in forecasting CO2.