Tackling Climate Change with Machine Learning

​
本文是对2022 ACM Computing Surveys上的一篇文章《 Tackling Climate Change with Machine Learning 》进行一个翻译，文中设计的参考文献以及配图并没有给出，如需请看原文。主要针对文字部分进行翻译，帮助有效快速阅读该论文。

气候变化是人类面临的最大挑战之一，作为机器学习（ML）专家，我们可能想知道我们可以如何帮助人类。在这里，我们描述了ML如何成为减少温室气体排放和帮助社会适应气候变化的强大工具。从智能电网到灾害管理，我们发现了影响较大的问题，ML可以与其他领域合作填补现有空白。我们的建议包括令人兴奋的研究问题以及有前景的商业机会。同时我们呼吁ML社区加入全球应对气候变化的努力。

1.引言

气候变化的影响日益明显。风暴、干旱、火灾和洪水变得更加强烈和频繁。全球生态系统正在发生变化，包括人类赖以生存的自然资源和农业。2018年政府间气候变化报告估计，除非全球温室气体（GHG）排放在30年内消除，否则世界将面临灾难性后果。然而，这些排放量年复一年地增加。

应对气候变化包括缓解（减少排放）和适应（为不可避免的后果做好准备）。这两个问题都是多方面的。减少温室气体排放需要改变电力系统、交通、建筑、工业和土地使用。适应需要在了解气候和极端事件的基础上规划抗灾能力和灾害管理。如此多样的问题可以被视为一个机会：有许多方法可以产生影响。

近年来，机器学习（ML）已被公认为技术进步的强大工具。尽管将ML和人工智能（AI）应用于社会和全球利益问题的运动日益增多，但仍然需要协调一致地努力确定如何最好地应用这些工具来应对气候变化。许多ML实践者希望采取行动，但不确定如何行动。另一方面，许多领域已经开始积极寻求ML社区的投入。

本文旨在通过有效的工程或创新研究，概述ML在应对气候变化中的应用。我们强调的战略包括气候排放和适应，以及支持其他气候变化的元级工具策略。为了最大限度地发挥我们建议的相关性，在编写本文的过程中，我们咨询了众多领域的一些专家（参见Acknowledgments）。

1.1 这篇文章为谁而写

我们相信，我们的建议将证明对几个不同的受众是有价值的（详情如下）。考虑到涉及的技术领域的广泛多样性，我们不假设事先熟悉应用领域（如农业或电网），并尝试在本文的每个部分提供相关关键词和背景阅读。虽然我们使用ML中的基本术语，但了解我们引用的特定ML技术对于理解我们的任何关键点都是不必要的。有关ML的总体介绍，请参见参考文献。

研究人员和工程师：我们发现了许多需要概念创新的问题，这些问题可以推动ML领域的发展，并且具有高度的影响力。例如，我们强调气候模型如何为可解释ML提供了一个令人兴奋的领域（见第8.1节）。我们鼓励各个领域的研究人员和工程师利用他们的专业知识解决与社会相关的紧迫问题。

企业家和投资者：我们发现了许多问题，现有的ML技术在没有进一步研究的情况下可能会产生重大影响，而缺少的部分是部署。我们意识到，我们在这里提供的一些建议将对初创企业和非营利组织产生价值。例如，我们重点介绍了为电力公司提供精细太阳能预测的技术（见第2.1节）、帮助减少个人能源消耗的工具（见第11.2节）以及气候变化的财务影响预测（见第14节）。我们鼓励企业家和投资者填补目前广阔的开放空间。

企业领导者：我们发现了一些问题，如果企业参与者大规模采用ML，ML可以带来巨大的效率提升。例如，我们强调了优化供应链以减少浪费的方法（见第5.1节）和精准农业的软件/硬件工具（见第6.2节）。我们鼓励企业领导者利用ML提供的机会，造福于世界和底线。

地方和国家政府：我们确定ML可以改善公共服务、帮助收集决策数据和指导未来发展计划的问题。例如，我们重点介绍了智能交通系统（见第3.4节）、自动评估城市建筑能耗的技术（见第4.2节）和改进灾害管理的工具（见第9.4节）。我们鼓励决策者考虑与ML专家合作的机会，并在相关公共部门机构建设ML能力。我们进一步鼓励公共实体发布可能与气候变化缓解和适应目标相关的数据。（有关此主题的更多政策相关建议，请参见[406]）

1.2 如何阅读这篇文章

本文根据应用领域分为几个部分（见表1）。为了帮助读者，我们还包括了以下各个策略级别的标志。

高利用表示领域专家在气候变化缓解或适应方面发现的瓶颈，我们认为这些瓶颈特别适合ML的工具。对于希望产生巨大影响的ML从业者来说，这些领域可能特别富有成效，尽管未标记此标志的应用程序也很有价值，应该继续进行。

长期性表示2040年后将产生主要影响的应用程序。虽然这些应用程序极其重要，但在某些情况下，它们的紧迫性可能低于有助于在短期内应对气候变化的应用程序。

不确定性影响表示对温室气体排放的影响不确定（例如，反弹效应可能适用）或存在潜在不良副作用（负外部性）的应用。

这些标识不应被视为决定性的；它们代表了我们对所考虑领域内更严格分析的理解，以及我们对ML在这些不同应用中潜在作用的主观评估。

尽管这篇文章很长，但我们不能包罗万象。肯定会有很多应用我们没有考虑，或者我们错误地忽视了。我们期待着看到未来工作的方向。

1.3 呼吁合作

我们在本文中强调的所有问题都需要跨领域协作。协作减少了出现故障模式的可能性，例如处理一个实际上没有影响的问题，过度简化一个复杂的问题，或者在简单的工具可以完成任务时使用高级计算工具。

合作对于确保创新能够产生预期效果也至关重要。相关利益相关者应参与问题范围确定和开发的全过程，以便最终解决方案能够根据使用环境进行调整。例如，代码可以使用预期用户已经流行的语言和平台编写，也可以集成到现有的广泛使用的工具中。

我们认识到，寻找合作伙伴以及相关资源（如数据）往往很困难。我们鼓励读者访问本文附带的网站www.climatechange.ai，我们提供额外的资源以及知识共享和联网的机会。

1.4 广阔的蓝图

我们强调ML不是银弹。我们强调的应用是有影响力的，但没有一种解决方案能够“修复”气候变化。还有许多领域的行动ML是不适用的，我们完全省略了这些。此外，虽然我们在这里重点关注ML可以帮助解决气候变化的方式，但ML也可以应用于使气候变化恶化的方式。例如，ML被广泛用于加速化石燃料勘探和开采等活动，而一些ML模型本身在训练和运行时需要消耗大量能量。

最后，技术本身不足以解决气候变化问题，也不能替代气候行动的其他方面，如政策。许多有助于应对气候变化的技术工具已经存在多年，但尚未被社会大规模采用。虽然我们希望ML将有助于加速有效的气候行动战略，但人类也必须决定采取行动。

2. 电力系统

人工智能被称为“新电力”，因为它有可能改变整个行业。有趣的是，电力本身就是人工智能即将转型的行业之一。许多电力系统都充斥着数据，行业已经开始设想由人工智能和ML驱动的下一代系统（智能电网）。

电力系统每年造成约四分之一的人为温室气体排放。此外，随着建筑、交通和其他部门寻求替代温室气体排放燃料（第3-4节），对低碳电力的需求将增长。为了减少电力系统的排放，社会必须：

•快速过渡到低碳电源（如太阳能、风能、水力和核能）并逐步淘汰碳排放源（如煤、天然气和其他化石燃料）。

•减少与现有化石燃料和电力基础设施相关的温室气体排放，因为向低碳电力的过渡不会一蹴而就。

•在所有国家和环境中实施这些变革，因为电力系统无处不在。

ML可以为电力系统技术的研究、部署和运行提供信息，从而在所有方面做出贡献（图1）。这些贡献包括加快清洁能源技术的发展，改善对需求和清洁能源的预测，改善电力系统优化，以及加强系统监测。这些贡献需要各种ML范式和技术，以及与电力行业和其他专家的密切合作，以整合运筹学、电气工程、物理、化学、社会科学和其他领域的见解。

2.1 实现低碳电力

低碳电源对于应对气候变化至关重要。这些来源有两种形式：可变和可控。可变来源根据外部因素波动；例如，太阳能电池板只有在阳光照耀下才能发电，而风力涡轮机只有在风吹来时才能发电。另一方面，诸如核电站或地热电站等可控电源可以打开和关闭（尽管不是即时的）。这两种类型的电源对电力系统的影响不同，为ML技术提供了独特的机会。

2.1.1 可变源。大多数电力通过一个称为电网的物理网络输送给消费者，在电网中，发电量必须等于每时每刻消耗的电力。这意味着太阳能电池板、风力涡轮机和其他可变发电机由天然气发电厂、储能装置或其他可控电源组成，以缓冲其输出的变化（例如，当意外的云层阻挡太阳或风吹得比预测的弱时）。如今，这种缓冲通常由煤炭和天然气工厂提供，这些工厂以称为旋转储备的二氧化碳排放备用模式运行。在将来，这一角色预计将由储能技术发挥，如电池（第3.3节）、抽水蓄能或发电制气[226]；有关综述，请参见[27]。ML既可以减少当今备用发电机的排放，又可以减少排放通过帮助改进必要的技术（即预测、调度和控制），并通过帮助创建先进的电力市场适应可变电力和灵活需求。

预测供应和需求 高利用

由于可变发电量和电力需求都会波动，因此必须提前对其进行预测，以便为实时电力调度和长期系统规划提供信息。更好的短期预测可以让系统运营商减少对污染备用电厂的依赖，并主动管理不断增加的可变源。更好的长期预测可以帮助系统运营商（和投资者）确定何时何地建设可变电站。尽管当今许多系统运营商使用基本的预测技术，但预测将需要变得越来越精确，跨越时间和空间的多个视野，并更好地量化不确定性以支持这些用例。ML可以在所有这些方面提供帮助。

迄今为止，许多ML方法已被用于预测电力供应和需求。这些方法利用历史数据、物理模型输出、图像甚至视频数据，在总体空间尺度上对太阳能、风能、水力发电、需求或其中一种以上进行中短期预测。这些方法涵盖各种类型的监督ML、模糊逻辑和混合物理模型，并采用不同的方法来量化（或不量化）不确定性。在空间粒度的层面上，一些工作试图了解特定类别的需求，例如通过对家庭进行聚类，或通过使用博弈论、优化、回归和或在线学习对电力信号进行分解。

虽然之前的大部分工作都使用了领域无关技术，但未来的ML算法将需要结合特定领域的见解。例如，由于天气从根本上驱动可变发电量和电力需求，预测这些量的ML算法应借鉴气候建模和天气预测（第8节）以及混合物理加ML建模技术的创新。此类技术有助于改善短期至中期预测，而且由于天气分布随时间变化，ML也有必要为长期（如年尺度）预测做出贡献。除了结合系统物理，ML模型还应直接针对系统目标进行优化。例如，[198]的作者使用深度神经网络进行需求预测，以优化电力调度成本，而不是预测精度；这一概念可以扩展到产生最小化温室气体排放的预测。在非自动化环境中，电力系统控制工程师（部分）确定每台发电机应产生多少功率，可解释的ML和自动化可视化技术可以帮助工程师更好地理解预测，从而改进他们调度低碳发电机的方式。更广泛地说，理解改进预测的领域价值是一个有趣的挑战。例如，以前的工作描述了美国某一地区特定太阳预报改进的益处；在不同背景下和针对不同类型改进的进一步研究可以帮助更好地指导预测空间中的ML工作。

改进调度和灵活的需求。 高利用

在平衡电力系统时，系统操作员使用一个称为调度和分发的过程来确定每个可控发电机应产生多少电力。这一过程缓慢而复杂，因为它受到NP难优化问题的控制，如机组组合和最优潮流，这些问题必须在多个时间尺度（从亚秒到未来几天）进行协调。此外，由于电力系统包括更多的存储、可变发电机和灵活需求，调度将变得更加复杂，因为运营商需要管理更多的系统组件，同时更快地解决调度问题，以考虑电力生产的实时变化。因此，调度过程必须显著改进，以便运营商管理高度依赖可变源的系统。

ML可以通过加速电力系统优化问题和提高优化解决方案的质量来帮助改进现有（集中式）调度和分派的过程。例如，ML可用于近似或简化现有优化问题，找到优化的良好起点，识别冗余约束，从电力系统控制工程师的行动中学习，或将这些结合起来。动态调度和（安全）强化学习（RL）也可用于实时平衡电网；事实上，一些电力系统运营商已经开始在基于测试用例的小规模上试验类似的方法。

虽然许多现代电力系统都是集中协调的，但最近的工作研究了如何（至少部分）使用储能、灵活需求、低碳发电机和其他连接到电网的资源来分散调度和分派。一种策略是显式设计局部控制算法；例如，最近的工作使用基于历史优化数据训练的监督学习技术控制了能量存储和太阳能逆变器。另一种策略是让存储、需求和发电响应实时价格，以反映（例如）当前的排放密集型电力如何。在这种情况下，ML可以帮助设计实时价格和响应这些价格。之前的工作已经使用RL和动态规划来设定实时电价，更广泛地说，是用于电力市场设计。然后，（深度）RL、基于代理的模型、在线优化和动态规划等技术可以帮助在给定实时价格的情况下实现分散存储、需求和发电的利润最大化。有关需求响应的深度学习技术概述，请参见[30]。一般来说，需要做更多的工作来测试和扩展现有的分散解决方案；除非在实际系统上部署，否则PowerTAC和Grid2Op等平台可以提供大规模模拟环境，在其上执行这些测试。

加速材料科学 高利用 长期性

科学家们正在努力开发新材料，以更好地储存或利用来自各种自然资源的能量。例如，创造太阳能燃料（由太阳光或太阳热产生的合成燃料）可以让我们在阳光照射时捕获太阳能，然后储存这些能量供日后使用。然而，发现新材料的过程可能缓慢而不精确；材料背后的物理特性尚未完全理解，因此人类专家通常会手动应用启发式方法来理解拟用材料的物理特性。ML可以通过将现有的启发式算法与实验数据、物理和推理相结合来应用甚至扩展现有的物理知识，从而实现这一过程的自动化。例如，最近的工作使用了来自ML、AI、优化和物理学的工具来确定拟议材料的晶体结构，目标是加速太阳能燃料材料的发现。寻求改进电池存储技术的其他工作将第一原理物理计算与支持向量回归相结合，以设计锂离子电池的导电固体。（ML在电池中的其他应用在第3.3节中进行了讨论。）最近的工作还提出了使用ML对电催化剂进行可扩展模拟，以实现电力到气体的应用。

更普遍地说，在材料科学中，ML技术（包括监督学习、主动学习和生成模型）已被用于帮助合成、表征、建模和设计材料，如综述[105，490]和最近的工作[299]所述。正如[105]中所讨论的，材料科学中ML的新挑战包括处理中等大小的数据集和从训练模型推断物理原理。除了推进技术，ML还可以为加速材料科学的政策提供信息；例如，之前的工作将自然语言处理应用于专利数据，以了解太阳能电池板创新过程。我们注意到，虽然我们在这里的重点是电力系统应用，但加速科学的ML也可能在电力系统之外产生重大影响，例如，通过帮助设计水泥替代品（第5.2节）或创建更好的CO2吸收剂（第7.1节）。

额外的应用

ML还有许多额外的机会来推进可变发电。例如，重要的是确保低碳可变发电机尽可能高效和盈利地生产能源。之前的工作试图通过使用RL或贝叶斯优化控制太阳能电池板或风力涡轮机叶片[2,，最大限度地提高发电量。其他工作使用图模型检测屋顶太阳能电池板的故障，并使用遗传算法优化风电场内的风力涡轮机。ML还可以帮助控制太阳能和风力发电场的电池，以增加这些发电场的利润，例如，当价格较低时储存电力，然后在价格较高时出售；之前的工作基于当前和历史价格使用ML预测电价，或使用RL控制电池。

ML还可以帮助将屋顶太阳能电池板整合到电网中，特别是在美国和欧洲。屋顶太阳能电池板连接到电网的一部分，称为配电网，配电网传统上没有很多传感器，因为它仅用于从集中式发电厂向用户“单向”供电。然而，屋顶太阳能和其他分布式能源在配电网上形成了“双向”电力流。由于电力系统运营商通常不知道屋顶太阳能电池板的位置和尺寸，因此之前的工作已经在卫星图像上使用计算机视觉技术来生成屋顶太阳能电池面板的尺寸和位置数据。此外，为了确保配电系统平稳运行，最近的工作采用了矩阵完备和深度神经网络等技术，在传感器较少的情况下估计系统的状态。

2.1.2 可控源。可控的低碳电源有助于实现气候变化目标，同时电网运行方式几乎不需要改变（因为今天的化石燃料发电厂也是可控的）。ML可以支持现有的可控技术，同时加快核聚变电站等新技术的发展。

管理现有技术。

许多可控制的低碳技术已经商业化；这些技术包括地热、核裂变和（在某些情况下）大坝水电。ML可以在规划这些技术的部署位置时提供有价值的输入，还可以帮助维护已经运行的发电厂。例如，最近的工作建议使用ML，利用卫星图像和地震数据来识别和管理地热能场地。之前的工作还使用了多目标优化，以满足能源和生态目标的方式布置水电站大坝。最后，ML可以通过从图像和视频数据中检测裂缝和异常，或者通过从高维传感器和模拟数据中抢先检测故障，帮助维护核裂变反应堆（即核电站）。（[794]的作者推测，ML和高性能计算也可以用来帮助模拟核废料处理方案，甚至设计下一代核反应堆。）

加速科学的融合 高利用 长期性

核聚变反应堆具有使用几乎无限的氢燃料供应生产安全无碳电力的潜力，但目前消耗的能量比它们生产的多。虽然仍需要大量的科学和工程研究，但ML可以帮助加速这项工作，例如，指导实验设计和监测物理过程；另见[360]。聚变反应堆需要智能实验设计，因为它们有大量可调参数；ML可以在物理实验期间帮助确定应该探索哪些参数配置的优先级。例如，谷歌和TAE技术公司开发了一种能够快速探索TAE反应堆参数的回路实验设计算法。

物理监测聚变反应堆也是现代反应堆的一个重要应用。现代反应堆试图将氢超加热到等离子体状态，然后使其稳定，但在此过程中，等离子体可能会经历快速不稳定，从而损坏反应器。先前的工作试图先发制人，基于先前的中断数据使用支持向量机、自适应模糊逻辑、决策树和深度学习等监督学习方法检测托卡马克反应堆的中断。虽然这些方法中的许多被调整为在单个反应器上工作，最近的研究表明，深度学习可以使见解推广到多个反应堆。更一般地说，科学家需要理解的不是简单地检测干扰等离子体的状态如何随时间演变，例如，通过找到时间相关方程的解磁流体动力学方程；据推测，ML可以帮助描述这种演变甚至有助于通过反应堆控制将等离子体引导到安全状态。ML模型针对这种融合的应用可能采用模拟数据和实验数据的组合，并且需要考虑不同的物理特性、数据量和模拟器速度，或与不同反应器类型相关的精度。

2.2 减少当前系统影响

虽然转向低碳电源至关重要，但与此同时，减少目前电力系统的排放也很重要。缓解当前系统影响的一些方法包括减少化石燃料的排放，减少电力输送产生的废物，以及灵活管理需求以将其排放影响降至最低。

减少生命周期化石燃料排放。 高利用 不确定的影响

在社会向低碳电力转型的过程中，减少化石燃料的排放是一个必要的权宜之计。特别是，ML有助于防止甲烷（一种极强的温室气体）从天然气管道和压缩机站泄漏。之前和正在进行的工作都使用了传感器和/或卫星数据来主动建议管道维护或检测现有泄漏，在这一领域有大量机会改进和扩展现有策略。除了泄漏检测外，ML还可以帮助减少固体燃料货运的排放（第3节），识别和管理从发电厂烟气中分离的CO2的储存场所（第7.2节），并优化发电厂参数以减少CO2排放。在所有这些情况下，应非常谨慎地开展项目，以免妨碍或延长向低碳电力系统的过渡；理想情况下，项目之前应进行系统影响分析，以确保它们确实会减少温室气体排放。

减少系统浪费。

当电力从发电机输送到消费者时，其中一些会在电线上以电阻热的形式流失。虽然其中一些损失是不可避免的，但其他损失可以大大减轻，以减少浪费和排放。ML可通过预测性维护，例如建议主动电网升级，帮助防止可避免的损失（另见第5.3节和第9.2节）。先前的工作已经使用长短时记忆（LSTM）、二分排序和神经网络加聚类技术对电网数据进行了预测维护，未来的工作将需要改进和/或将这些方法本地化到不同的环境中。

模拟排放。

灵活管理家庭、商业、工业和电动汽车（EV）需求（以及能量存储）有助于最大限度地减少基于电力的排放（第3、4、5和11节），但这样做需要了解电网在任何时刻的实际排放量。具体而言，边际排放系数反映了任何给定时间需求微小变化的排放效应。为了让消费者了解边际排放因子，Watttime和electricityMap项目等举措使用了基于ML和回归的技术，根据电力和天气数据预测边际排放。最近的工作还将ML用于边际排放预测模型中的趋势提取和特征选择。英国国家电网ESO使用集合模型预测平均排放因子，该因子测量所有发电厂的总排放强度。在改进这些方法的性能以及预测相关电量方面仍有很大的空间，如电力削减（即出于电网平衡目的而浪费通常低碳的电力）。由于大多数现有方法都会产生点估计，因此量化这些估计的不确定性也很重要，以确保负荷转移技术确实减少（而不是增加）排放。

2.3 确保全球影响

围绕电力系统的大部分讨论通常集中在美国这样的环境中，几乎普及电力接入，数据相对丰富。然而，许多不具备这些特征的地方仍然是应对气候变化的组成部分，值得认真考虑。为了确保全球影响力，ML可以帮助改善电力接入，并将电力系统见解从高数据环境转换为低数据环境。

改善清洁能源的获取。

改善清洁电力供应可以解决气候变化问题，同时促进社会和经济发展。具体而言，通过电网、微电网或离网方式提供的清洁电力可以取代柴油发电机、烧柴炉和其他碳排放能源。弄清楚什么样的清洁电气化方法最适合不同的地区可能需要密集的实地调查工作，但ML可以帮助以可扩展的方式为这一过程提供输入。例如，之前的工作已经在卫星图像上使用了图像处理、聚类和优化技术，为电气化计划提供信息。ML还可以通过准确预测需求和电力生产以及量身定制的优化和控制方案[493]，帮助运营农村微电网，因为小微电网比农村规模的电网更难平衡。因此，生成数据以帮助制定能源获取政策和更好地管理能源获取战略是ML可能具有良好应用前景的两个领域。

接近低数据设置。 高利用

虽然ML方法通常应用于具有广泛传感器的网格，但许多国家的系统操作员不收集或共享系统数据。尽管这些数据可用性实践可能会不断发展，但同时使用ML技术（如转移学习）将见解从高数据转换为低数据设置可能是有益的（特别是因为所有电网共享相同的基础系统物理）。开发数据高效的ML技术在低数据环境中也可能有用；例如，在[680]中，作者对弱监督ML模型实施物理或其他特定领域的约束，允许这些模型从很少的标记数据中学习。

ML还可以帮助在低数据设置中生成信息。例如，最近的工作利用卫星图像上的计算机视觉和图形搜索技术，估计了未明确绘制电网地图的地区的电网布局。公司有还使用卫星图像测量发电厂的二氧化碳排放量（另见第6.1节）。最近的另一项工作利用基于回归的蜂窝网络技术对电力消耗进行了建模网络数据，这可能在许多蜂窝塔但很少的情况下证明是有用的电网传感器。尽管低数据环境通常未被ML社区充分开发，但这些环境中的电力系统研究为创新的ML和气候变化缓解提供了机会。

2.4 讨论

数据驱动且对气候变化至关重要，电力系统为ML研究和实践提供了许多机会。同时，这一领域的应用存在许多潜在缺陷；例如，旨在减少石油和天然气行业温室气体排放的创新实际上可以通过降低排放成本来增加排放。鉴于这些特定领域的细微差别，在该领域工作需要与电力系统决策者以及电气工程、自然科学和社会科学等领域的从业人员密切合作。可解释的ML还可以使实践者更好地理解、应用和审计现实环境中的模型。类似地，开发混合ML模型很重要，这些模型能够明确说明系统物理、直接针对特定领域目标进行优化，或以其他方式合并或扩展现有领域知识。最后，由于许多现代电网的数据并不丰富（尽管它们可能是数据驱动的），了解如何将数据驱动的见解应用于这些电网可能是电力系统中ML的下一个重大挑战。

3. 交通

交通系统构成了一个复杂的网络，对一个活跃繁荣的社会至关重要。在全球范围内，运输部门约占能源相关二氧化碳排放量的四分之一。然而，与电力部门相比，运输部门在降低二氧化碳排放方面没有取得重大进展，而且该部门的许多部门被认为很难脱碳。这是因为许多类型的车辆需要高能量密度的燃料，这限制了低碳替代品，并且因为运输政策直接影响最终用户，因此更有可能引起争议。

客运和货运各占运输温室气体排放量的一半。货物和乘客都可以通过公路、铁路、水路或航空（称为运输方式）旅行。不同模式的碳排放强度大不相同。目前，超过三分之二的交通排放来自公路旅行，但航空旅行的排放强度最高，所占比例越来越大。减少交通温室气体排放的策略包括：

•减少运输活动；

•提高车辆效率；

•替代燃料和电气化；和

•模式转换（转向低碳选项，如铁路）。

每种缓解策略都为ML提供了机会。当我们想到交通和ML时，许多人可能会想到自动驾驶汽车（AV）和共享出行，但这些技术对温室气体排放有着不确定的影响，甚至可能会增加排放。我们在第3.1节中讨论了这些破坏性技术，但表明ML可以发挥作用用于更进一步的脱碳运输。ML可以改进车辆工程并提供与策略相关的信息。许多干预措施减少运输部门的温室气体排放需要改变规划、维护和管理，运输系统的运行，即使这些措施具有减少温室气体的潜力可能不会立即显现。ML可以帮助实施这样的干预，例如通过提供更好的需求预测。通常情况下，ML策略与强有力的公共政策会更加有效。虽然我们没有涵盖运输行业的所有ML应用，但我们目标是包括那些可以减少温室气体排放的领域。

3.1 减少运输活动

世界各地每天都有大量的交通运输，但这些里程中的大部分都效率低下，导致不必要的温室气体排放。在ML的帮助下，通过减少长途旅行的必要性、增加装载量和优化车辆路线，可以减少行驶的车辆里程数。在这里，我们深入讨论前两个问题，以讨论ML和路由，例如参见[873]。

理解运输数据。

许多交通领域缺乏数据，决策者往往利用不确定的信息设计基础设施和政策。近年来，新型传感器已经出现，ML可以将这些原始数据转化为有用的信息。传统上，通过安装在选定道路上的地面计数器监控交通。使用了多种技术，如感应回路检测器或气动管。交通有时会通过视频系统进行监控，特别是在计算行人和骑自行车的人时，这可以通过计算机视觉实现自动化。由于大多数道路的计数通常仅在短时间内可用，因此通过查看类似道路的已知交通模式对这些道路进行建模。ML方法，如支持向量机和神经网络，使分类具有相似交通模式的道路变得更容易。由于地面计数器需要昂贵的安装和维护，许多国家没有此类系统。还可以在高分辨率卫星图像中以高精度检测车辆，并且图像计数可以用于估计平均车辆流量。类似地，ML有助于估算缺失数据，以精确地自底向上估计温室气体排放量，它们也适用于车辆排放模拟模型。

建模需求。 高利用

对需求进行建模和规划新的基础设施可以极大地影响乘客和托运人的行程长度以及选择何种运输方式。例如，阻止蔓延和建立新的运输联系都可以减少温室气体排放。ML可以提供关于出行模式的信息，这是基于代理的出行需求模型（主要交通规划工具之一）直接必需的。例如，ML可以根据交通量估算起点-终点需求，并为时空道路交通预测提供了新方法，这些方法并不总是优于其他统计方法，但可以在区域之间很好地传递。此外，公共交通乘客量的短期预测可以通过ML进行改进。ML特别适用于从新数据中推断信息，例如，从智能卡数据中了解公交用户的行为。此外，移动电话传感器提供了了解个人出行需求和城市拓扑的新方法，如步行路线选择。类似地，基于ML的需求建模可以通过提高排放大量CO2的模式（如航空）的运行效率，帮助缓解气候变化。ML可以帮助预测跑道需求和飞机滑行时间，以减少因机场拥挤而在空中和地面燃烧的过量燃油。

共享移动性。 不确定性影响

在客运部门，共享交通（如按需乘车服务或车辆共享），无疑正在扰乱人们的出行方式和对车辆所有权的思考，而ML在运行和优化这些服务方面起着不可或缺的作用。然而，这一发展对温室气体排放的影响在很大程度上尚不清楚。例如，与使用公共交通工具相比，共享汽车实际上会导致更多的人开车出行。类似地，在没有顾客的情况下，按需计程车服务会增加里程，可能会抵消任何温室气体排放节省。另一方面，共享移动性可以提高每辆车的利用率，这意味着更有效地使用材料。随着车辆共享概念的出现，使用更新、更高效的车辆（最好是电动车辆）可能会增加，从而减少温室气体排放。上述提出的一些问题或许也可以通过实现出租车的自主性来解决。这类车辆还可以更好地与公共交通相结合，并为混合乘坐提供新的概念，从而大幅降低每英里的排放量。

ML方法可以帮助理解共享移动概念的能量影响。例如，它们可用于预测客户是否决定与按需服务的其他乘客共享乘车。对于决策者来说，重要的是能够及时获得特定位置的实证分析，以了解共享乘车服务是否正在让客户远离低碳公交模式并增加汽车的使用。一些地方政府开始要求这些提供商共享数据。

当使用AVs的汽车共享服务鼓励人们在部分行程中使用公共交通或使用自动电动汽车时，可以节省温室气体排放。然而，单独使用自主共享车辆可能会增加车辆的总行驶里程，因此，只要车辆配备内燃机（或“脏”电网上的电动发动机），排放量就不一定会降低。我们将共享交通、自主和电动汽车以及优先考虑低碳车辆技术和共享交通的智能公共交通的交叉点视为ML可以为塑造未来交通做出贡献的途径。有关AVs的更多信息，请参见第3.2节。

在设计和推广新的移动服务时，重要的是行业和公共政策优先考虑降低温室气体排放。在技术开发的早期阶段，不当的激励可能会导致锁定高温室气体排放的服务。

货运线路规划与合并 高利用

将货物捆绑在一起，即所谓的货运整合，可以显著减少出行次数（从而减少温室气体排放）。改变路线也是如此，这样卡车就不必空车返回。由于铁路和水路运输方式所需的负荷比卡车大得多，因此，整合也使运输能够在部分行程中使用这些方式。货运整合和路由决策通常由第三方物流服务提供商和其他货运代理做出，例如在处理较小规模货运的非卡车货运市场。ML提供了优化装运规模、模式、始发地-目的地对和服务需求之间复杂交互的机会。许多问题都是通过运筹学领域的方法解决的。有证据表明，ML可以改进这些方法，特别是混合整数线性规划。ML的其他建议和部署应用包括预测到达时间或需求，识别和规划运输中断，以及根据供应商的地理位置和共同运输目的地对供应商进行聚类。提出的规划方法包括设计分配算法和货运拍卖，例如，ML已被证明有助于选择好的算法和参数来解决拍卖市场。

运输替代品 不确定性影响

基于ML的破坏性技术可以取代或减少运输需求。例如，增材制造（AM）或三维打印通过生产更轻的货物并使生产更接近消费者，减少货运的潜力（有限）。ML是改进AM过程的一个有价值的工具。ML还有助于改善虚拟通信。如果旅客旅行被远程呈现取代，旅行需求可以减少，如公共机构和科学团队所示。然而，不确定虚拟会议在多大程度上取代了实际旅行，或者虚拟会议是否真的会带来更多的面对面会议。

3.2 提高车辆的效率

与技术上可能的情况相比，大多数车辆的效率都不高：例如，预计2012年飞机碳强度将下降三分之一以上，这仅仅是因为新的模型取代了老化的喷气式飞机。车辆的设计和操作方式都可以提高燃油经济性。在此，我们将讨论ML如何帮助设计更高效的车辆，以及自动驾驶可能对温室气体排放产生的影响。鼓励驾驶员采用更高效的车辆也是一个优先事项；虽然我们在这里不关注这一点，但ML在研究汽车市场中的消费者偏好方面发挥着作用。

为效率而设计。

有许多方法可以减少车辆使用的能量，如更高效的发动机、改进的空气动力学、混合动力发动机，以及减少车辆重量或轮胎阻力。这些不同的策略需要广泛的工程技术，其中许多技术可以从ML中受益。例如，ML应用于高级内燃机设计。混合动力电动汽车比内燃机更高效，它依赖于可通过ML改进的功率管理方法。空气动力学效率的提高需要湍流建模，该建模通常需要大量计算，并且严重依赖基于ML的替代模型。空气动力学改进不仅可以通过车辆设计实现，还可以通过重新布置载荷实现。Lai等人使用计算机视觉检测货运列车上的空气动力学低效率负载。AM（3-D打印）可以在车辆中生产较轻的零件，如公路车辆和飞机，从而降低能耗。ML用于改进这些工艺，例如通过故障检测或材料设计。

自动驾驶汽车。 不确定影响

ML在AVs的开发中至关重要，包括在道路跟踪和障碍物检测等基本任务中。虽然AVs可以减少能源消耗，例如通过减少交通拥堵和通过生态驾驶提高效率，但AVs也可能导致总体道路交通量增加，从而抵消效率收益。（有关AVs可能产生的能源影响的概述，请参见[95，820]，有关对机动性的更广泛影响，请参见[327]）。AVs在货运行业的两个优势有望减少温室气体排放：首先，小型AVs，如送货机器人和无人机，可以减少最后一英里送货的能耗，尽管它们会带来监管挑战。其次，卡车可以通过排成一排（靠得很近以减少空气阻力）来降低能耗，从而缓解长距离公路货运电气化带来的一些挑战。排队依赖于自动驾驶和通信技术，允许车辆同时制动和加速。

ML可以帮助开发专门用于降低能耗的AV技术。例如，Wu等人开发了基于RL的AV控制器，以平滑涉及非AV的流量。他们对混合自主环境中的紧急行为的研究旨在了解AV的不同份额对潜在减少拥堵相关能耗的影响。ML方法也有助于了解更节能的驾驶实践。例如，Jiménez等人使用来自智能手机传感器的数据来识别导致电动汽车能耗更高的驾驶行为。

3.3 替代燃料和电气化

电动汽车 高利用

使用电池、氢燃料电池或电气化道路和铁路的电动汽车技术被视为运输脱碳的主要手段。电动汽车的温室气体排放量非常低，这当然取决于电力的碳强度。ML对于与电动汽车相关的一系列不同问题至关重要。Rigas等人详细介绍了ML可以改进收费调度、拥塞管理和车辆到网格算法的方法。ML方法也已应用于电池能量管理（例如，混合电动汽车中的充电估计或优化），并检测电动汽车无线充电中的故障和横向错位。

随着越来越多的人驾驶电动汽车，了解他们的使用模式将变得更加重要。对充电行为进行建模将有助于电网运营商预测电力负荷。对于该应用，可以从总电力负荷（能量分解，另见第4.1节）分析家用电动汽车充电行为。此外，车内传感器和通信数据日益可用，为了解电动汽车车主的行驶和充电行为提供了机会，例如，这可以告知充电站的位置或电池交换站等替代方案。

电池电动汽车的使用时间通常不超过一天中的一小部分时间，允许它们在其他时间充当电网的储能器，充电和放电由价格信号控制（见第2.1.1和2.2节）。ML（例如RL）有很大的潜力来改进这种车联网技术，与电网能量存储的其他机制一样（见第2.1.1节），可以帮助减少发电产生的温室气体排放。车联网技术带来了私人和社会经济效益。然而，预计消费者不愿意接受此类服务，因为他们可能不想影响自己的驾驶范围。

最后，ML还可以在电池的研发中发挥作用，电池是电动汽车成本和可用性的决定性技术。该领域的工作重点是使用监督学习技术、模糊逻辑和聚类来预测电池状态、退化和剩余寿命。然而，学术界开发的许多模型都是基于实验室数据，这些数据并没有考虑环境条件等现实因素。相比之下，行业在ML建模方面落后，但真实世界的操作数据很容易获得。将这两种观点结合起来，可以为该领域带来重大利益。

替代燃料 长期性

许多运输部门高度依赖液体化石燃料。航空、长途公路运输和海运需要高能量密度的燃料，因此不利于电气化。电子燃料、太阳能燃料（第2.1.1节）、生物燃料、氢气以及天然气提供了替代品，但这些燃料的使用受到成本、土地使用以及（氢气和天然气）与现有基础设施不兼容等因素的限制。电燃料和生物燃料有可能作为低碳燃料，保留化石燃料的特性，如高能量密度，同时保持与现有车队和当前燃料基础设施的兼容性。电燃料和氢等燃料可以使用电力密集型工艺生产，并且可以以比电力更低的成本储存。因此，作为一种储能形式，这些燃料可以通过实现灵活的电力使用和平衡可变发电机为电网提供服务（第2.1.1节）。鉴于它们的相对长期重要性和发展的早期阶段，它们为缓解气候变化提供了一个关键机会。ML技术可在替代燃料研究和开发的各个阶段提供改进机会（类似于第2.1.1节中的应用）。

3.4 模式转换

将乘客和货物转移到低碳密度模式是运输脱碳的最重要手段之一。例如，客运模式的转变可能涉及为人们提供公共交通，这需要分析模式选择和出行需求数据。ML还可以帮助协调多式联运，使低碳货运模式更具竞争力。

乘客偏好。

ML可以提高我们对乘客出行方式选择的理解，进而为交通规划提供信息，例如公共交通应该在哪里建设。最近的一些研究表明，基于调查数据的监督ML可以改进乘客模式选择模型。Seo等人建议通过在线学习进行长期旅行调查，这减少了对受访者的需求，同时获得了高质量的数据。Sun等人使用支持向量机和神经网络分析中国高铁乘客的偏好。还有一项工作是从社交媒体或各种手机传感器（如GPS（交通模式检测））推断人们的旅行模式和目的地。同样在货运行业，ML也被用于分析模式权衡，例如，通过输入反事实模式选择的数据。

实现低碳选择。 高利用

为了激励更多用户选择低碳运输方式，可以提高其成本和服务质量。许多低碳交通方式必须与其他交通方式相结合，才能提供相同水平的服务。例如，当乘火车旅行时，往返车站的行程通常是汽车、出租车、公共汽车或自行车。ML有许多机会促进客运和货运部门模式的更好整合。ML还有助于改善低碳模式的运行，例如，通过降低轨道的运行和维护成本和预测轨道退化。

自行车共享和电动滑板车服务可以为城市交通提供低碳替代方案，无需所有权，并与公共交通融为一体。ML研究有助于了解自行车站的使用模式如何取决于其紧邻的城市环境。ML还可以通过改善对自行车需求和库存的预测，帮助解决自行车共享再平衡问题，即共享自行车在一个位置累积，而在其他位置缺乏。Singla等人提出了一种基于在线学习的定价机制，为自行车使用者提供货币激励，以帮助重新平衡。通过生成准确的行程时间估计，ML可以提供工具，帮助将自行车共享与其他交通方式结合起来。许多新兴的自行车和踏板车共享服务都是无桩的，这意味着它们可以停放在公共空间的任何地方，并可以阻塞人行道。ML已被应用于通过推特监控公众对此类自行车共享的情绪。ML还可以为监管机构提供工具和信息，以确保每个人都可以使用公共空间。

各模式之间的协调能够带来更快、更可靠的运输时间，这可能会增加乘坐低碳模式（如铁路）的人数或货物数量。ML算法可以应用于使公共交通更快、更容易使用。例如，有大量文献探讨了预测公共汽车到达时间及其不确定性的ML方法。通常，货物经过包装，以便在不同的运输方式之间轻松切换。这种多式联运在部分行程中依赖于铁路和水等低碳模式。ML可以通过改进对预计到达时间（例如，货运列车）或预期货物重量或体积（例如，滚装/滚装运输，通常缩写为Ro）的预测做出贡献。可以组合不同模式的智能运输系统，实现更高效的多式联运。

一些温室气体排放量高的模式，如卡车，在监管执法松懈的地区尤其具有成本竞争力，因为它们可以受益于超载和不遵守劳动或安全规则。ML可以协助公共机构执行其法规。例如，图像识别可以帮助执法部门检测卡车超载。

3.5 讨论

运输脱碳对低碳社会至关重要，ML可以在许多应用中产生影响。这是因为交通运输造成了很大一部分温室气体排放，但减少这些排放又缓慢又复杂。解决方案可能非常技术化，高度依赖于现有基础设施，需要详细了解乘客和货运公司的行为。ML可以通过提供数据、从数据中获取知识、规划和自动化来帮助运输脱碳。此外，ML是共享交通、自动车辆、电动汽车和智能公共交通的基础，如果有适当的激励，可以使用这些交通工具大幅减少温室气体排放。

4 建筑和城市

在减少温室气体排放方面，建筑提供了一些最低限度的成果。虽然建筑物消耗的能源占全球能源相关排放的四分之一，但易于实施的修复和最先进的战略相结合可以将现有建筑物的排放减少90%。如今，建筑物几乎不消耗能源。这些能效措施中的许多措施实际上节省了总成本，同时还带来了其他好处，如为居住者提供更清洁的空气。这一潜力可以在保持建筑物提供的服务的同时实现，甚至在将其扩展到更多人的同时，因为气候变化将是必要的。例如，随着气候的变化，在致命热浪将变得普遍的地区，更多的人将需要使用空调。

两大挑战是异质性和惰性。建筑物因年龄、建筑、使用和所有权而不同，因此最佳策略因环境而大不相同。例如，能够获得廉价低碳电力的建筑可能对智能灯泡等昂贵功能的需求较少。建筑物的寿命也很长；因此，有必要创建新的节能建筑，并对旧建筑进行改造，使其尽可能高效。城市规划和公共政策可以通过为建筑提供基础设施、财政激励或能源标准，在减少排放方面发挥重要作用。

ML为支持建筑经理和决策者努力减少温室气体排放提供了关键工具（图3）。在建筑管理层面，ML可以帮助选择适合单个建筑的策略，还可以通过智能控制系统帮助实施这些策略（第4.1节）。在城市规划层面，ML可用于收集和理解数据，以告知决策者（第4.2节）。最后，我们考虑ML如何帮助城市作为一个整体向低碳未来过渡（第4.3节）。

4.1 优化建筑

在设计新建筑和改进现有建筑时，有许多技术可以减少温室气体排放，通常在这一过程中节省资金。ML可以通过（i）对能源消耗数据建模和（ii）优化能源使用（在智能建筑中）来加速这些策略。

建筑能量建模

提高能源效率的一个重要步骤是了解电表和家庭能源监测器产生的越来越多的数据（例如，见[723]）。这可以采取特定建筑的能源需求预测的形式，这对电力公司（第2.1.1节）和评估建筑设计和运营策略非常有用。传统上，能源需求预测基于建筑物物理结构的模型，这些模型基本上是大量的热力学计算。ML有可能通过完全忽略建筑物的物理知识，将其纳入计算，或通过学习近似物理模型以减少昂贵模拟（替代模型）的需要，大大加快这些计算。学习如何将从一座建筑建模中获得的知识转移到另一座建筑，可以更容易地对更多建筑进行精确估计。例如，Mocanu等人利用商业和住宅建筑的数据，利用RL和深度信念网络对建筑负荷曲线进行建模；然后，他们使用近似RL和迁移学习对新建筑进行预测，使知识从商业建筑转移到住宅建筑，从燃气加热建筑转移到动力加热建筑。

在一栋建筑内，了解哪些设备驱动能源使用（能源分解）对于确定效率指标至关重要，并可以激发行为变化。解决该问题的有前途的ML方法包括隐马尔可夫模型、用于结构化预测的稀疏编码算法、挑选单个设备“特征”的谐波分析和深度神经网络。

为了验证能效干预措施的成功或失败，统计ML提供了因果推断方法。例如，Burlig等人对加利福尼亚州学校的每小时用电量数据进行了Lasso回归，发现能效干预措施没有达到预期的节约效果。这些问题可以代表深度学习方法在反事实预测中的有用应用。

智能建筑 高利用

建筑物中的智能控制系统可以通过减少能耗和提供将低碳源整合到电力组合中的手段来减少碳足迹。具体而言，ML可以通过允许设备和系统适应使用模式来减少能源使用。此外，建筑物可以响应来自电网的信号，为电网运营商提供灵活性，并降低消费者的成本（第2.1.1节）。

建筑物内的许多关键系统可以从根本上提高效率。虽然冰箱和灯泡等各种电器也是如此，但我们将重点放在供暖、通风和空调（HVAC）系统的例子上，因为它们的效率非常低，而且它们占到了建筑能耗的一半以上。有几种有前途的方法可以提高HVAC运行性能，每种方法都为使用ML提供了大量机会：预测整个系统需要的温度，更好地控制以实现这些温度，以及故障检测。与建筑能耗建模一样，预测温度传统上是使用所涉及系统的详细物理模型进行的；然而，ML方法，如深度信念网络，可能以较少的计算费用提高精度（另见第5.3节）。为了控制，Kazmi等人使用深度RL实现了可扩展的20%的能耗降低，同时只需要三个传感器：气温、水温和能源使用（数据中心冷却方面的类似实质性收益也请参见第5.3节）。最后，ML可以通过故障检测自动化建筑诊断和维护。例如，如果制冷剂水平较低，冷却系统的能效可能会降低；ML方法非常适合于检测这些系统中的故障。Wang等人将HVAC故障检测视为一类分类问题，仅使用温度读数进行预测。深度自动编码器可用于简化机器操作信息，从而使深度神经网络更容易预测多种故障。

建筑物内的许多系统，如照明和供暖系统，也可以根据建筑物或房间是否被占用来调整其运行方式，从而改善居住者的舒适性和能源使用。ML可以帮助这些系统动态适应占用模式的变化。此外，占用检测本身为ML算法提供了一个机会，从决策树到深度神经网络，这些算法从占用传感器、WiFi信号或设备功耗数据获取输入。能源博弈论框架还可以激励居住者积极最小化其能源需求，ML可以在此帮助根据不同的能源使用行为制定量身定制的激励。

在第2.1.1节中，我们讨论了如何使用可变低碳能源意味着电力供应和价格随时间变化。因此，当供应量较高时，建筑物中的能源灵活性对于调度消耗越来越有用。为此，自动需求侧响应可以响应电价、智能电表信号或学习到的用户偏好。边缘计算可用于处理来自分布式传感器和其他物联网设备的数据，然后深度RL可使用这些数据在单个或多个建筑物的层面上，或在微电网和电网层面上有效地调度能源使用。

虽然智能建筑技术具有显著提高效率的能力，但我们应该注意到存在潜在的缺陷。首先，智能建筑设备和连接网络（如无线传感器网络）本身消耗能源。深度神经网络可用于监测和优化此类操作。其次，反弹效应可能在某些情况下发生，导致额外的建筑能耗通常在10%到20%之间。第三，如果控制系统优化成本，干预不一定转化为能效措施或温室气体减排。因此，需要公共政策来授权、支持和补充个别建筑经理的行动。在广泛采用智能电表的情况下，另一个值得关注的问题是其生产对矿物使用和具体能源使用的影响。最后，智能家居应用存在安全和隐私风险，需要充分监管。

4.2 城市规划

对于许多有影响力的缓解战略，如区域供暖和制冷、社区规划和现有建筑的大规模改造，地区和城市层面的协调至关重要。决策者使用建筑法规、改造补贴、公用事业投资和公私合作等工具，以在不损害公平的情况下减少温室气体排放。如果存在单个建筑物的能源使用数据，则可以使用ML推导更高层次的模式。然而，世界上许多地区几乎没有能源消费数据，这可能导致难以设计有针对性的缓解战略。ML能够从其他类型的可用数据中预测能源消耗和温室气体减排潜力，从而指导政策设计。

跨建筑的能源使用建模。

城市建筑能源模型（UBEM）提供了城市所有建筑能源使用的简化信息。这些模型不同于单独的建筑模型，后者仅对特定建筑的能源使用进行建模，但具有更精细的细节和时间粒度（第4.1节）。虽然UBEM尚未大规模采用，但预计它们将成为城市规划师实现本地化行动的基础。例如，UBEMs可用于规划和运行区域供暖和制冷，其中一个中央工厂为一个地区的许多家庭供电。反过来，区域供暖和制冷降低了VAC能耗，并可以提供灵活的负荷，但它需要大量的区域级数据才能实施和运行。

UBEM包括位置、几何图形和各种其他感兴趣的属性，如建筑占地面积、用途、材质、屋顶类型、周围环境等。ML可用于根据这些特征预测能耗。例如，Kolter和Ferreira使用高斯过程回归从特性类别或中央空调的存在等特征预测能源使用。基于纽约市居民披露的能源数据，Kontokosta及其同事使用各种ML方法预测了该市110万座建筑的能源使用，分析了能源披露对需求的影响，并开发了一个基于能源效率的建筑排名系统。Zhang等人将住宅能耗调查数据与公共使用的微观数据样本进行匹配，以估计社区层面的住宅能耗。Robinson等人利用建筑物和气候的五个常见特征预测了美国大城市的商业建筑能源使用。

除了能源预测之外，ML算法还可以利用建筑物的特征来确定哪些建筑物具有最高的改造潜力。可以使用简单的建筑特征和周围环境因素，这两种因素都可能在规模上可用。

也有人尝试将单个建筑能源模型升级到地区规模。Nutkiewicz等人使用深度神经网络进行混合ML物理建模，提供了精确的能源需求预测，该预测考虑了校园内所有建筑的建筑间能源动态和城市小气候因素。

收集基础设施数据 高利用

关于构建基础设施的细节通常可以使用ML技术进行预测。遥感是推断基础设施数据的关键，因为卫星数据是全球可用的信息来源，在全球范围内基本一致。例如，利用遥感数据，Geiß等人将建筑物分为不同类型，以评估德国城镇的区域供热潜力。

基础设施数据的分辨率范围从全球范围内所有建筑物的粗略定位，到邻域的精确3D重建。可以从卫星雷达图像生成米级分辨率的全球人类住区足迹地图。为此，Esch等人使用了高度自动化的学习器，通过在本地进行再训练，可以在这样的范围内进行分类。高分辨率卫星图像的分割现在可以在全国范围内生成精确的建筑足迹。与能源相关的建筑属性，如光伏板的存在，也可以从这些图像中检索（见第2.1.1节）。为了生成3D模型，激光雷达数据通常用于检索城市规模的高度或对建筑物进行分类，但其收集成本很高。最近的研究表明，即使没有这样的海拔数据，也可以预测高度，如[77,537]所示，他根据房地产记录、人口普查数据和每栋建筑附近的特征预测了这些高度。目前的研究规模较小，目的是为建筑物的不同组成部分使用类标签进行完整的三维重建。

4.3 城市的未来

由于世界上的大部分资源最终都被输送到城市，市政政府有一个独特的机会来缓解气候变化。城市政府监管（有时运营）交通、建筑和经济活动。他们处理能源、水、废物、犯罪、健康和噪音等多种问题。最近，数据和ML在提高这些领域的效率方面变得越来越普遍，从而产生了智慧城市的概念。虽然“智慧城市”一词涵盖了一系列广泛的技术，但这里我们只讨论与减少温室气体排放相关的应用。

智慧城市的数据 高利用

城市生活的重要方面越来越多地伴随着数字信息，这些信息可以使城市以更协调的方式运行。Habibzadeh等人区分了硬感知，即交通摄像头等固定位置专用传感器和移动设备的软感知。硬感知是许多智慧城市应用中的主要数据收集范式，因为它能够精确满足应用要求。然而，由于可以提供运动数据和地理标记图片的智能手机等个人设备的广泛采用，来自软感知的数据量越来越大。城市计算是一个新兴领域，研究城市空间中的数据分析，旨在为数据驱动的政策提供见解。例如，对匿名信用卡支付进行聚类，可以对不同的社区和生活方式进行建模，从而评估其可持续性。Jiang等人回顾了移动电话轨迹中的城市计算。关于城市空间的相关信息也可以从社交媒体活动中学习，例如Twitter，如[367，703]所述。然而，在理解这些丰富的数据方面存在许多挑战（见[558]），在收集或使用这些数据源时，隐私考虑至关重要。

首先，城市需要获得有关直接或间接消耗能源的活动的相关数据，这些数据通常是专有的。为了获得这些数据，洛杉矶市现在要求所有移动即服务提供商，比如车辆共享公司，使用开源应用程序编程接口。因此，所有这些车辆的位置、使用和状况等数据将传输到城市，这些数据可用于指导监管。ML还可以通过网络抓取和文本挖掘提取与气候变化相关的城市问题信息，例如[775]。如上所述（第4.2节），ML也可用于推断基础设施数据。

其次，智慧城市应用程序必须实时传输大量数据。ML是在大型传感器网络中预处理大量数据的关键，只允许传输相关数据，而不允许收集所有原始数据。类似的技术也有助于减少传输过程中消耗的能量。

第三，基于智能基础设施的城市决策在数据管理方面面临重大挑战。智慧城市需要整合多个大型异构数据源，而ML可以成为一个有价值的工具，包括数据匹配、数据融合和集成学习。

低排放基础设施。

当智慧城市项目被恰当地纳入城市规划时，它们可以使城市更加可持续，并促进低碳生活方式（有关这一主题的广泛评论，请参见[563，602，853]）。不同类型的基础设施相互作用，这意味着应协调规划战略以实现缓解目标。例如，城市蔓延会影响交通能源的使用，因为更大的城市往往更倾向于以汽车为导向。基于ML的分析表明，高效公共交通的发展取决于城市扩张的程度和交通枢纽周围的当地发展。

城市可以通过协调基础设施部门和更好地调整服务以满足居民的需求来减少温室气体排放。例如，ML和AI可以帮助协调区域供热和制冷网络、太阳能发电以及电动汽车和自行车充电站，并可以通过根据步行交通的历史模式调节光强度来改善公共照明系统。由于能源需求和供应的固有可变性，需要进行不确定性估计，例如使用马尔可夫链蒙特卡罗方法或高斯过程。

目前，大多数缓解城市气候变化的智慧城市项目都在美国、中国和欧盟等富裕地区实施。关于城市规模缓解战略的文献也强烈偏向全球北部，而关键缓解挑战预计将来自全球南部。第4.2节中描述的基础设施模型可用于规划低碳社区，而无需依赖先进的智慧城市技术。为了跨城市迁移战略，可以根据气候相关维度对类似城市进行聚类。Creutzig等人将全球300座城市的能源使用与历史结构性因素（如燃油税）联系起来（这对城市蔓延有很大影响）。其他相关应用包括使用潜在类别选择模型对交通系统进行分组，或使用分层聚类对街道网络进行分组，以识别城市发展中的常见模式。

4.4 讨论

我们已经展示了许多不同的方法，ML可以帮助减少建筑物和城市的温室气体排放。这一领域的一个核心挑战是提供高质量的数据来训练算法，这些数据很少超出主要城市或代表各种建筑类型。然而，获取这些数据的技术本身可能是ML的一个重要应用（例如，通过计算机视觉算法解析卫星图像）。实现数据驱动的城市基础设施的潜力可以推进缓解目标，同时改善公民福祉。

5 工业

工业生产、物流和建筑材料是难以消除温室气体排放的主要原因。幸运的是，对于ML研究人员来说，全球工业部门每年花费数十亿美元收集工厂和供应链的数据，这得益于传感器和其他数据收集机制（如QR码和图像识别）的成本和可访问性的提高。大量数据的可用性，加上价格合理的基于云的存储和计算，表明行业可能是ML产生积极气候影响的绝佳场所。

ML在以下情况下显示出减少工业GHG排放的巨大潜力：

•在特定流程或运输路线周围有足够的可访问的高质量数据时。

•当公司有动机与研究人员和其他公司共享其专有数据和/或算法时。

•生产或运输方面可以随时微调或调整，并且有明确的目标函数。

•当企业的激励措施与减排一致时（例如，通过提高效率、遵守监管或高温室气体价格）。

特别是，ML可以通过帮助简化供应链、提高生产质量、预测机器故障、优化加热和冷却系统以及优先使用清洁电力而不是化石燃料来减少全球排放量（图4）。然而，值得注意的是，提高效率可能会增加商品生产，从而增加温室气体排放量（通过反弹效应），除非工业行为体有足够的动机减少总排放量。

5.1 优化供应链

2006年，至少有两家苏格兰海鲜公司将数百吨虾从苏格兰空运到中国和泰国去皮，然后再返回苏格兰出售，因为它们可以节省劳动力成本。这表明了当今全球化供应链的复杂性，即将产品从生产商带到最终消费者所需的组织流程和运输网络。ML可以通过智能预测供需、识别低碳产品和优化运输路线，帮助减少供应链中的排放。（有关运输和交付优化的详细信息，请参见第3节。）然而，对于许多减少排放的应用，企业的财务激励也必须通过碳定价或其他政策机制与气候变化缓解相一致。

减少生产过剩。 不确定影响

过剩产品的生产、运输和气候控制仓储是工业GHG排放的主要来源，特别是对于易腐食品或快速过时的零售商品等依赖时间的商品。根据供应链管理专业人士委员会的数据，2011年全球过剩库存约为价值8万亿美元的商品。这一超额部分可能是由于对需求的错误估计，因为同一组织指出，公司销售估计与实际销售平均相差40%。ML可以通过改进需求预测来缓解这些生产过剩和/或库存过剩的问题。例如，服装行业平均只以全价销售60%的商品，但由于即时制造和智能网络，一些品牌可以销售高达85%。随着在线购物和即时制造变得越来越普遍，网站提供的产品类型比实体店面更多，需要在区域层面上进行更好的需求预测，以有效地分配库存，而不会让不需要的货物长途跋涉，最终在仓库中消失。尽管如此，根据产品类型和区域特征，负面副作用可能是显著的；准时制造和在线购物通常是促成产品寿命更短的时尚的原因，此外，货物运输（主要是公路运输）规模更小、速度更快，缺乏货运聚合的能源效率，以及铁路运输等速度较慢的运输方式。

推荐系统。

推荐系统可以潜在地引导消费者和采购公司选择气候友好型产品，只要能够获得某些产品整个生命周期的温室气体排放信息。这里的挑战在于寻找从金属矿石提取到产品生产、运输、最终使用和处置的每种相关材料和生产过程的可用数据。还必须说服公司共享专有数据，以帮助其他公司学习最佳实践。如果可以获取这些数据集，ML算法可以帮助确定最节能的选项。

减少物品浪费。 高利用

在全球范围内，社会每年损失或浪费13亿吨食物，这相当于生产供人类食用的所有食物的三分之一。在发展中国家，40%的食物垃圾发生在收获和加工或零售之间，而在工业化国家，超过40%的食品垃圾发生在供应链末端，零售店、餐馆和消费者家中。ML可以通过优化配送路线和改进销售点的需求预测（见第5.1节），以及改进制冷系统[532]（见第5.3节），帮助减少食物浪费。ML还可能有助于解决与食物垃圾相关的其他问题，例如帮助开发传感器，以识别产品何时会变质，从而可以更快地将其出售，或在破坏其余装运之前将其从储存箱中取出。

5.2 改进材料

气候友好型建筑。 高利用 长期性

水泥和钢铁生产合计占全球温室气体排放总量的10%以上；仅水泥行业排放的温室气体就超过除美国和中国之外的所有国家。ML可以通过减少对碳密集型材料的需求，通过将工业过程转化为低碳能源，甚至通过重新设计结构材料的化学结构，帮助最小化这些排放。为了减少水泥和钢材的使用，研究人员将ML与生成性设计相结合，开发出需要较少原材料的结构产品，从而减少由此产生的温室气体排放。3D打印等新型制造技术允许生产使用较少材料但可能无法通过传统金属铸件或浇注混凝土生产的不寻常形状；ML和有限元建模已用于模拟3D打印的物理过程，以提高成品质量。

假设材料科学的未来发展，ML研究可能会利用开放数据库，如材料项目和UCI机器学习库，来发明新的气候友好材料。例如，Ge等人利用半监督生成模型和混凝土压缩数据，提出了能够满足预期结构特征的新型低排放混凝土公式。

气候友好型化学品。 高利用 长期性

研究人员也在试验监督学习和热成像系统，以快速识别有前景的催化剂和化学反应，如第2.1.1节所述。在没有财政激励的情况下，企业不太可能采用新材料或改变现有做法，因此广泛采用可能需要对低碳替代品进行补贴或对高温室气体排放进行处罚。

化肥用氨生产依赖天然气加热和催化反应，约占全球能源消耗的2%。为了开发更清洁的氨，化学家可以发明低温氨生产的电化学策略。鉴于ML预测化学反应的潜力，ML还可以帮助发现电催化剂和/或质子导体的新材料，以促进氨的生产。

5.3 生产和能源

ML可能有助于降低总体电力消耗，简化工厂的生产流程暖通空调系统，开发工业过程电气化模型，使其能够使用低碳能源而不是煤炭、石油或天然气。同样，减少碳排放的激励越高，企业就越有可能优化低碳能源使用。新的工厂设备的购买和建立可能非常昂贵，因此企业的成本效益计算可能会阻止他们改造现有工厂，以使用低碳电力运行或节省几千瓦的电量。鉴于工业部门的异质性和工业数据的保密性，企业还需要根据各自的流程定制必要的传感器和数据分析系统。当工厂工人能够在内部识别、开发、实施和监控他们自己的解决方案，而不是依赖外部专家时，ML将成为行业更可行的选择。ML社区可以通过构建可访问、可定制的行业工具（即“低代码”或“无代码”用户界面）来提供帮助，这些工具是为没有强大数据科学背景的人量身定制的。

自适应控制。 高利用

在生产方面，如果提供有关所有相关过程的必要数据，ML有可能提高HVAC系统和其他工业控制机制的效率。为了减少HVAC系统的GHG排放，研究人员建议将基于优化的控制算法与ML技术相结合，如图像识别、回归树和时滞神经网络（另见4.1）。DeepMind使用RL通过预测和优化电力使用效率来优化谷歌内部服务器的冷却中心，从而降低HFC排放并降低冷却成本。深度神经网络也可用于各种工业网络应用中的自适应控制，通过对设备周围环境的自学习实现节能。

预测性维护。

ML还可以更准确地模拟当前使用的机械的磨损，从而有助于预测性维护（另见第2.2节和第9.2节），可解释的ML可以帮助工厂所有者更好地了解如何最大限度地减少特定设备和工艺的GHG排放。例如，创建一些工业设备或工艺的数字孪生模型可以让制造商在将新代码上传到工厂之前进行虚拟实验，并在不降低生产速度的情况下测试温室气体排放降低的场景。数字孪生还可以通过在实际工厂设备开始生产受损产品之前识别损坏或即将损坏的机器来减少生产浪费。工业系统可以采用类似的模型来预测哪些管道容易发生弹簧泄漏，从而最大限度地减少氢氟碳化合物和天然气等温室气体的直接释放。

使用更清洁的电力。 高利用

通过优化公司对电价的需求响应，ML对于实现更灵活的工业用电负载运行可能特别有用（另见第2节）。只要企业有财务激励来优化最小排放量、最大低碳能源或最小总用电量，这种优化就有助于减少温室气体排放。需求响应优化算法可以帮助企业调整能源密集型工艺（如水泥破碎和粉末涂料）的时间，以利用电价波动，尽管迄今为止关于该主题的已发表工作使用的ML相对较少。优化需求响应的在线算法可以通过动态地将数据提供商的互联网流量负载转移到未充分利用的服务器上，从而降低计算机服务器的总体功耗，尽管这项研究的大部分重点仍然是最小化成本，而不是温室气体排放。Berral等人提出了一个框架，展示了此类优化算法如何与RL、数字化控制和反馈系统相结合，以实现工业过程的自主控制。

5.4 讨论

鉴于国际贸易的全球化性质和气候变化的紧迫性，工业部门的脱碳正成为全世界决策者和工厂主的关键优先事项。许多公司现在都在编写脱碳战略，以应对来自政府、金融机构和股东日益增加的压力。这些策略正在快速发展，使用ML和许多本文未涉及的方法。

正如我们所看到的，ML可以帮助减少工业中的GHG排放，但有几个警告。首先，清洁生产和分销的激励并不总是与降低成本相一致，尽管政策可以在调整这些激励方面发挥作用。第二，尽管工业数据激增，但许多信息是私有的、低质量的，或者非常特定于单个机器或流程；从业人员估计，收集的工业数据中有60%-70%未使用。在投资于大规模的ML研究之前，研究人员应该确保他们最终能够访问和清理算法所需的任何数据。最后，对制造商和零售商来说，错误判断的代价可能非常高昂，导致大多数管理者对ML等相对未经测试的技术采取风险规避策略。因此，确定工业活动的ML算法应足够稳健，以保证性能和安全，同时提供可解释和可再现的结果。

6 农场和森林

数百万年来，植物、微生物和其他生物一直在从大气中吸收二氧化碳。大部分碳在碳循环中不断分解和再循环，一些碳储存在地下深处，例如作为化石燃料，但大量碳被封存在树木、泥炭沼泽和土壤的生物量中。我们当前的经济鼓励通过砍伐森林和不可持续的农业释放大部分固存碳的做法。除此之外，养牛和种稻还会产生甲烷，这是一种比二氧化碳本身更有效的温室气体。总体而言，据估计，人类的土地使用造成了全球约四分之一的温室气体排放（这可能是低估了的）。除了通过人类行为直接释放碳外，永久冻土现在正在融化，泥炭沼泽正在干燥，气候变化本身导致森林火灾越来越频繁——所有这些都释放了更多的碳。

这一问题的规模之大，可以产生类似规模的积极影响。根据一项估计，约三分之一的温室气体减排可能来自更好的土地管理和农业。ML可以在其中一些领域发挥重要作用。精准农业可以减少土壤中的碳排放，提高作物产量，从而减少砍伐森林的需要。通过卫星图像，可以估计某一特定土地区域的固碳量，并追踪其温室气体排放量。ML可以帮助监测森林和泥炭地的健康状况，预测火灾风险，并为可持续林业做出贡献（图5）。这些领域代表着非常有影响力的应用，特别是复杂的计算机视觉工具，尽管在某些情况下必须注意确保ML工具以与脱碳一致的方式使用。

6.1 排放物遥感 高利用

拥有温室气体的实时地图可以帮助我们量化农业和林业实践的排放量，这仍然相对不确定，并监测其他部门的排放量（第2.2节）。

这些信息对于指导可能导致更好的土地使用做法的法规或激励措施非常有价值。例如，排放数据有助于设定有效的目标，而精确定位排放源则有助于执行法规。

虽然温室气体对我们的眼睛是看不见的，但根据定义，它们必须与阳光相互作用。这意味着我们可以用高光谱相机观察这些化合物。这些摄像机可以记录多达几百种不同的波长（而不仅仅是红、绿和蓝[RGB]），提供光与单个化学物质之间相互作用的信息。许多卫星都配备了这种摄像机，在某种程度上可以对CO2、CH4（甲烷）、H2O和N2O（一氧化二氮）排放进行估计。虽然这些卫星对研究气候变化极为有用，但大多数卫星的空间分辨率非常粗略，时空差距很大，不适合精确跟踪排放。标准卫星图像提供分辨率高得多的RGB图像，可用于ML算法，以填补高光谱数据中的空白，并获得更精确的辐射信息。一些初步工作研究了这种可能性，但这在很大程度上仍然是一个开放的问题，具有很大的潜在影响。

6.2 精准农业 高利用，不确定影响

作物生产是温室气体排放的重要来源。这可能令人惊讶，因为植物从空气中吸收二氧化碳。然而，现代工业作物生产不仅仅涉及种植植物。首先，土地通常被剥夺了现有的植被，释放了那里封存的碳。其次，耕作过程将表土暴露在空气中，从而释放出土壤团聚体中的碳，破坏土壤中有助于固碳的生物。最后，由于这种耕作方式会剥夺土壤的养分，因此必须向系统中添加氮基肥料。合成这些肥料消耗大量能源，约占全球能源消耗的2%（见第5.2节）。此外，虽然这些氮中的一部分被植物吸收或保留在土壤中，但也有一部分转化为氧化亚氮，这是一种比二氧化碳强300倍的温室气体。

这种工业农业方法的最终基础是使农田更加统一和可预测。这允许使用拖拉机等基本自动化工具对其进行大规模管理，但与处理土地和作物的自然异质性的方法相比，这种方法的破坏性更大，生产率更低。越来越多的人需要先进的工具，使农民能够大规模工作，但要适应土地的需要。这种方法通常被称为“精准农业。”

更智能的机器人工具有助于实现精准农业。例如，机器人正在开发中，能够执行机械除草、有针对性的农药施用和害虫吸尘，以及收集大型数据集以进行持续改进。许多企业参与者现在都在ML辅助机器人精确农业领域。由于机器人的许多任务仍然具有挑战性，而且还有大量具体任务和农业环境需要考虑，因此仍有很大的发展空间。

ML还可以通过许多其他方式为精准农业做出贡献。智能灌溉系统可以节省大量的水，同时减少在过度潮湿条件下滋生的害虫。ML还可以帮助进行疾病检测、杂草检测和土壤感知。ML可以指导作物产量预测，甚至可以指导宏观经济模型，帮助农民预测作物需求并决定在季节开始时种植什么。这些问题通常具有最低的硬件要求，因为带有高光谱相机的无人机等设备可以用于所有这些任务。

在全球范围内，农业构成了一个2.4万亿美元的产业，而且已经有了提高效率的重大经济激励。然而，效率的提高不一定转化为温室气体排放的减少（例如，通过反弹效应增加排放密集型产品的消费）。此外，大幅减少排放可能需要改变农业模式，例如，广泛采用再生农业、林业和树木间作。决策者和农学家的ML工具可能会鼓励采取积极的气候行动：例如，利用无人机和卫星进行遥感可以进行甲烷检测和碳储量估算，这可以用来激励农民封存更多的碳并减少排放。

6.3 泥炭地监测 高利用

泥炭地（湿地生态系统的一种类型）仅占地球陆地面积的3%，但其碳含量是全世界森林总碳含量的两倍，使泥炭成为地球上最大的固碳源。然而，当泥炭干燥时，它会通过分解释放碳，并且容易着火。据报道，1997年印度尼西亚的一场泥炭火灾释放的排放量相当于同一年全球化石燃料排放量的20%-50%。

监测泥炭地并保护其免受人为排水或干旱的影响，对于保护其中固存的碳至关重要。将ML应用于从遥感数据中提取的特征，以估计泥炭的厚度并评估热带泥炭地的碳储量。已经建立了泥炭地监测中央数据库，但仍存在相当大的数据缺口。高级ML可能有助于以低成本开发精确的监测工具，并预测火灾风险。

6.4 管理森林

评估碳存量 高利用

对森林中储存的碳进行建模（和定价）需要我们评估全球有多少碳被封存或释放。由于森林的大部分碳储存在地上生物量中，树种和高度是碳储量的良好指标。

安装在无人机上的激光雷达设备可以相当准确地估计树木的高度，但这种技术不可扩展，许多地区都靠近无人机。为了应对这一挑战，ML可用于从卫星图像预测激光雷达的结果。从那里，学习的估计器可以大规模进行预测。尽管在这方面取得了进展，但仍有很大的改进余地。例如，激光雷达数据通常在不同地区或季节分布不均匀。因此，领域自适应和迁移学习技术可以帮助算法更好地推广。

自动化造林。 长期性 不确定影响

种植树木，也称为植树造林，可以作为长期封存二氧化碳的一种手段。根据一项估计，理论上全球可以增加9亿公顷的额外树冠覆盖。然而，植树时必须小心，以确保产生积极影响。以牺牲农田（或泥炭沼泽等生态系统）为代价的植树造林可能导致温室气体排放的净增加。此外，在不考虑当地条件和本地物种的情况下植树可以减少植树造林对气候的影响，并对生物多样性产生负面影响。

ML通过定位合适的种植地点、监测植物健康状况、评估杂草和分析趋势，有助于实现大规模造林的自动化。例如，Dendra Systems和Droneseed等初创公司正在开发无人机，能够比传统方法更快、更便宜地种植种子包，而Restor使用ML从过去的造林项目中学习生态系统恢复的有效策略。

管理森林火灾。

除了可能对人身和财产造成伤害外，森林火灾还会将二氧化碳释放到大气中（这反过来会增加森林火灾的发生率）。另一方面，小型森林火灾是自然森林循环的一部分。防止它们会导致生物量积累在地面上，并增加发生大火的可能性，大火会将所有树木烧成灰烬，侵蚀表土，导致高二氧化碳排放、生物多样性丧失和长时间恢复。干旱预测有助于预测风险更大的区域，估计树冠中的水分含量。RL用于预测火灾的空间发展。这有助于消防员决定何时让火燃烧，何时停止火灾。有了好的工具来评估风险更大的区域，消防员可以进行受控烧伤并切割选定区域以防止火灾的蔓延。

减少森林砍伐。 高杠杆

世界上只有17%的森林受到法律保护。其余的森林都被砍伐，由于植被被烧毁或腐烂，造成全球温室气体排放量的10%左右。全球约80%的森林砍伐是农业造成的（为牧场或作物生产清理土地），而其他重要原因包括采矿、伐木和城市发展。

追踪森林砍伐的工具可以为决策者提供有价值的数据，并在森林砍伐可能非法进行的情况下为执法部门提供信息。ML可以与遥感图像一起使用，以精确定位森林覆盖率的变化，或森林砍伐的替代指标，如清除植被的火灾产生的烟雾，以及区分选择性采伐和清晰采伐。ML还可以通过音频而不是视频数据；其中一个项目是在森林中安装由太阳能电池板供电的（老式）智能手机，这使得能够检测一公里半径内的电锯声。

ML还可用于帮助建立可持续森林管理的激励结构。一些公司正在使用支持ML工具来量化林业决策的碳影响，使土地所有者能够选择更有益的行动，并通过出售碳补偿来获利。ML还可以帮助证明大片森林确实得到了保护（整合卫星图像、无人机监测和土著参与式绘图等数据源），从而为土地保管人或所有者提供碳信用或其他激励结构的验证。

6.5 讨论

农场和森林占全球温室气体排放量的很大一部分，但减少这些排放量具有挑战性。问题的范围高度全球化，但必要的行动高度本地化。许多应用程序还涉及各种利益相关者。例如，农业涉及大规模农业利益、小农、农业设备制造商和化工公司的复杂组合。每个利益相关者都有不同的兴趣，并且每个人通常都可以访问数据的不同部分，这些数据对于有影响力的ML应用程序是有用的。这些不同的利益相关者之间的联系是这一领域有意义工作的实际挑战。

7 二氧化碳移除

即使我们今天能够将排放量降至零，我们仍将面临大气中已经存在的温室气体所带来的重大气候后果。鉴于排放源（如飞机和奶牛）的多样性，完全消除排放也可能很棘手。相反，许多专家认为，为了实现关键的气候目标，全球排放必须成为净负排放，也就是说，我们必须从大气中去除比我们释放的更多的二氧化碳。尽管负排放研究取得了重大进展，但实际的二氧化碳去除行业仍处于起步阶段。因此，我们在本节中概述的许多ML应用程序要么是推测性的，要么处于开发或商业化的早期阶段。

许多去除二氧化碳的主要候选技术直接利用了（以前）历史上塑造我们大气的相同自然过程。最有希望的方法之一是简单地允许或鼓励植物更自然地吸收二氧化碳（我们在第6节中讨论了植物的ML应用）。其他以植物为基础的方法包括碳捕获生物能源和生物炭，在这种方法中，植物被专门种植以吸收二氧化碳，然后以封存二氧化碳的方式燃烧（同时产生能源或肥料作为有用的副产品）。最后，在地质时间尺度上，地球上大部分CO2的去除方式是缓慢的矿物风化过程，这也会由于碱性径流而引发海洋中CO2的进一步吸收。人类活动可以大大加速这些过程，以达到必要的CO2去除规模。然而，尽管这些基于生物量、矿物和海洋的方法作为技术都很有前途，值得一提，但它们在土地利用和潜在的严重环境影响方面可能存在缺陷，并且（与本文更相关的是）它们不太可能从ML中受益。

7.1 直接空气捕捉 长期性

另一种方法是建造设施，从发电厂废气、工业过程甚至环境空气中提取二氧化碳。虽然这种直接空气捕捉（DAC）方法面临技术障碍，但它需要的土地很少，根据目前的理解，对环境的负面影响最小。DAC背后的基本思想是将空气吹到固体或溶液中的CO2吸收剂（基本上类似海绵，但适用于气体）上，然后使用热动力化学过程释放纯化形式的CO2进行封存。最近有几家公司开始试验这些方法。

虽然CO2吸附剂正在显著改善，但随着时间的推移，效率和降解仍然存在问题，为ML提供了潜在的（尽管仍然是推测性的）机会。ML可用于（如第2.1.1节所述）加速材料发现和工艺工程工作流程，以最大限度地提高吸附剂的可再利用性和CO2吸收，同时最大限度地减少CO2释放所需的能量。ML还可能有助于开发耐高温的耐腐蚀部件，并优化其几何结构，以便于空气吸附剂接触（这严重影响效率）。

7.2 封存二氧化碳 高利用 长期性 不确定影响

二氧化碳一旦被捕获，就必须被安全、大规模地隔离或储存，以防止再次释放回大气中。CO2封存的最佳理解形式是直接注入地质地层，如盐水含水层，通常类似于油气藏。一家挪威石油公司已成功地将海上天然气田中的二氧化碳封存在含盐含水层中超过二十年。另一个有希望的选择是在火山玄武岩地层中封存二氧化碳，这项工作正在冰岛进行试验。

ML可能有助于CO2封存的许多方面。首先，ML可以帮助识别和描述潜在的存储位置。石油和天然气公司已经在基于原始地震仪记录的地下成像中使用ML取得了有希望的结果。这些模型及其背后的数据可能被重新利用，以帮助捕获二氧化碳，而不是释放二氧化碳。其次，ML可以帮助监测和维护活跃的封存点。噪声传感器测量必须转化为关于地下CO2流量和剩余注入容量的推断；最近，在全球CO2储存模拟研究中，成功地使用卷积图像到图像回归技术进行不确定性量化。深度学习也有助于加快二氧化碳羽流在封存储层中迁移的模拟。此外，监测CO2泄漏也很重要。ML技术最近已应用于监测油井的潜在CO2泄漏；排放检测的计算机视觉方法（见[826]和第6.1节）也可适用。

7.3讨论

鉴于人类可以安全排放多少二氧化碳以及完全消除排放的相关困难，二氧化碳去除可能在应对气候变化方面发挥关键作用。ML在CO2去除中的有前途的应用包括为新型组分材料的信息研究和开发，表征地质资源的可用性，以及监测封存设施中的地下CO2。尽管这些应用程序中有许多是推测性的，但行业正在增长，这将为ML方法提供更多的数据和机会。

8 气候预测

第一次全球变暖预测是在1896年做出的，当时阿伦尼乌斯估计燃烧化石燃料最终会释放出足够的二氧化碳，使地球变暖5℃。 这些计算背后的基本物理原理没有改变，但我们的预测已经变得更加详细和精确。主要的预测工具是气候模型，称为大气环流模型或地球系统模型。这些模型为地方和国家政府决策提供信息（见IPCC报告），帮助人们计算气候风险（见第11节和第9节），并使我们能够估计太阳能地球工程的潜在影响（见第10节）。

最近的趋势为ML提供了提升气候预测技术水平的机会（图6）。首先，新的廉价卫星正在创造数PB的气候观测数据。其次，大规模气候建模项目正在生成数PB的模拟气候数据。第三，气候预测在计算上非常昂贵（[415]的模拟在NCAR超级计算机上运行了三周），而ML方法的训练和运行速度越来越快，特别是在下一代计算硬件上。因此，气候科学家最近开始探索ML技术，并开始与计算机科学家合作开发新的令人兴奋的应用程序。

8.1 联合数据，ML，气候科学

气候模型代表了我们对地球和气候物理学的理解。我们可以通过收集数据来了解地球。为了将这些数据转化为有用的预测，我们需要将其压缩成连贯的、可计算的模型。ML模型可能比其他模型更精确或更便宜，其中：（1）数据丰富，但很难用传统统计数据对系统建模，或者（2）有好的模型，但计算成本太高，无法在生产中使用。

8.1.1气候模型的数据。当数据丰富时，气候科学家会建立数据驱动的模型。在这些领域，ML技术可以解决以前具有挑战性的许多问题。这些问题包括黑箱问题，例如传感器校准，以及观测数据分类，例如土地覆盖分类或识别卫星图像中的污染源。随着卫星数据库的增长，可能会出现更多类似的应用程序。作者描述了数据科学家吸收来自不同领域和遥感源的数据的许多机会，其中许多已经被气候信息学研究人员探索过。

许多作者已经确定了地球科学问题，这些问题将由基准数据集的开发提供帮助。开发此类数据集的努力包括EnviroNet、IS-GEO基准数据集和ExtremeWather。我们预计，经过策划的地球科学数据集的收集量将继续增长；数据采集系统中的ML优化甚至可以加速这一过程。我们强烈鼓励建模者与领域专家合作深入研究数据。我们还建议试图直接从数据中学习的建模者，以获取关于拟合和过拟合气候数据的具体建议。

8.1.2加速气候模型。

许多气候预测问题都是数据有限的。无论我们建造了多少个气象站，开展了多少次实地活动，部署了多少颗卫星，地球每年最多只能产生一年的新气候数据。现有的气候模型通过严重依赖物理定律（如热力学）来处理这一限制。这些模型的结构是耦合偏微分方程，表示云形成、冰盖流动和永久冻土融化等物理过程。ML模型为有效求解此类系统提供了新技术。

云和气溶胶。 高利用

最近的研究表明，神经网络可以与现有热力学知识相结合，修复当前气候模型中最大的不确定性来源：云。明亮的云层阻挡阳光，使地球变冷；乌云吸收向外散发的热量，使地球保持温暖。这些影响由小规模过程控制，如云对流和大气气溶胶（见第10节“气溶胶在云播种和太阳能地球工程中的应用”）。这些过程的物理模型在计算上过于昂贵，无法纳入全球气候模型，但ML模型则不然。Gentine等人训练了一个深度神经网络来模拟高分辨率云模拟的行为，并发现该网络以一小部分成本给出了类似的结果，并且在简化的全局模型中是稳定的。现有的科学模型结构并不总是在成本和准确性之间提供很大的权衡。在这些科学模型上训练的神经网络产生了类似的预测，但在训练成本、生产成本和准确性之间提供了一套全新的折衷方案。因此，用神经网络近似器代替选定的气候模型组件可以提高全球气候模型的成本和精度。需要更多的工作来确定更多可以被神经网络取代的气候模型组件（我们在下面重点介绍了其他有影响力的组件），优化这些模型，并自动化它们的训练工作流程。

冰盖和海平面上升。 高利用

气候模型改进的下一个最重要目标是冰盖动力学和海平面上升。北极和南极的变暖速度比地球上任何地方都快，它们的气候控制着未来全球海平面上升和许多脆弱的生态系统。不幸的是，这些地区又暗又冷，直到最近还很难观察到。然而，在过去几年中，新的卫星活动为它们提供了数百TB的数据。这些数据可以使使用ML解决该领域一些最大的未决问题成为可能。特别是，南极冰盖的质量损失模型具有高度不确定性，南极海冰范围的模型与实际情况不符。这些模型中最不确定的部分，因此也是改进的最佳目标，是雪反射率、海冰反射率、海洋热混合和冰盖接地线迁移率。期待在这一领域工作的计算机科学家可以建立模型，从卫星数据中学习雪和海冰的特性，或者使用新的视频预测技术来预测海冰范围的短期变化。

8.1.3 使用气候模型。ML还可用于确定和利用气候变量之间的关系。模式识别和特征提取技术可以让我们识别气候系统中更有用的连接，回归模型可以让我们量化连接变量之间的非线性关系。例如，Nowack等人证明，臭氧浓度可以作为温度的函数计算，而不是物理传输定律，这导致了相当大的计算节省。

最佳气候预测是从20多个气候模型集成中综合而成的。做出好的集成预测是一个很好的ML问题。Monteloni等人提出，在线ML算法可以在气候模型的多模型集成中更好地预测一个或多个目标变量；这个想法得到了改进。最近，安德森和卢卡斯利用随机森林从高分辨率和低分辨率模型的混合中进行高分辨率预测，这可以降低构建多模型集成的成本。

在未来，气候建模联盟提议建立一个全新的气候模型，该模型可以从数据和高分辨率模拟中不断学习。提出的模型将用Julia编写，而现有模型大多用C++和Fortran编写。以令人生畏的翻译工作量为代价，他们的目标是构建一个新开发人员更容易访问、与ML库更兼容的模型。

8.2 预测极端事件

对于大多数人来说，极端事件预测是指当地天气预报和几天的天气预报警告：储存食物，回家，锁上百叶窗。天气预报比气候预报的期限短，但能产生丰富的数据。对天气模型进行了优化，以跟踪大气的快速混沌变化；由于这些变化很快，明天的天气预报每天都会进行测试。相反，气候模型在短时间尺度上是混乱的，但其长期趋势是由缓慢、可预测的海洋、陆地和冰变化驱动的。因此，气候模型的输出只能根据长期观测（以年到几十年为尺度）进行测试。虽然Cohen等人认为ML可以通过在4到6周的时间尺度上做出良好的预测来弥补这一差距，但周到月的中间时间尺度非常难以预测。然而，到目前为止，天气建模者拥有的测试数据是气候建模者的数百倍，并且更早地开始采用ML技术。无数的ML天气模型已经投入生产。例如，Gagne等人最近使用随机森林集成算法来改进主要天气模型中的冰雹预测。

全面回顾ML在极端天气预报中的应用超出了本文的范围。幸运的是，该综述已经完成见[529]。作者描述了纠正偏差、识别模式和预测风暴的ML系统。展望未来，他们设想人类专家与自动预测一起工作。

8.2.1 风暴追踪。气候模型无法预测未来事件的具体日期，但可以预测干旱频率和风暴强度等长期趋势的变化。有关这些趋势的信息有助于个人、公司和城镇就基础设施、资产评估和灾害应对计划做出明智的决策（另见第9.4节）。然而，在气候模型输出中识别极端事件是一个具有扭曲性的分类问题：所有可用的数据集都是严重倾斜的，因为根据定义，极端事件是罕见的。ML已成功地用于一些极端天气事件的分类。研究人员利用深度学习在历史气候数据集中分类，检测，并分割气旋和大气河流，以及龙卷风。更多事件类型的工具将是有用的，在气候模型内工作的在线工具、预测未来事件的标记数据集以及量化新极端事件预测不确定性的统计工具也是有用的。

8.2.2本地预测。 高利用

如果预测是具体的和本地的，那么它们是最可操作的。ML广泛用于从10-100公里的粗略气候或天气模型预测中进行局部预测；许多作者尝试使用支持向量机、自动编码器、贝叶斯深度学习和超分辨率卷积神经网络。几个小组目前正在努力将高分辨率气候预测转化为风险情景。例如，ML可以根据过去的数据预测局部洪水模式，这可以告知购买保险或房屋的个人。由于ML方法（如神经网络）在预测极端天气事件期间的局部洪水方面是有效的，因此这些方法可用于更新局部洪水风险估计，以造福于个人。新成立的Jupiter Intelligence正致力于通过将气候预测转化为局部洪水和温度风险分数，使气候预测更具可操作性。

8.3 讨论

ML可能会改变科学建模的方式。上面的例子表明，大型气候模型的许多组成部分可以用ML模型以较低的计算成本替代。从ML的角度来看，从现有模型学习有很多优点：建模者可以按需生成新的培训和测试数据，新的ML模型继承了旧模型的一些社区信任。这是一个活跃的ML研究领域。几篇论文探索了学习动力系统的数据高效技术，包括物理信息神经网络和神经常微分方程；物理学在气候科学中的应用正在迅速成熟。在未来，研究人员正在为一系列科学建模挑战开发ML方法，包括碰撞预测、自适应数值网格、不确定性量化和性能优化。如果这些战略有效，它们可能会解决当前气候模型面临的一些最大的结构性挑战。

新的气候模型如果与现有的科学模型紧密结合，将是最成功的。这一点已经被那些在气候科学中为人工智能开辟未来道路的作者们一再强调。新模型需要利用现有知识，以有限的数据做出良好的预测。在10年内，我们将拥有更多的卫星数据、更多可解释的ML技术，希望科学界能给予更多信任，可能还会有一个Julia编写的新气候模型。然而，目前必须创造性地设计ML模型，以便与现有气候模型相适应。这些模型中最好的可能是由包括气候和计算科学家在内的紧密团队构建的。

9 社会影响

大气的变化会对地面产生影响。气候变化的预期社会影响包括长期的生态和社会经济压力以及短暂但严重的社会破坏。例如，影响可能包括作物产量的逐渐下降和局部粮食短缺。如果我们能够很好地预测气候影响，那么我们可以通过询问以下问题为其做好准备：

•我们如何降低气候影响的脆弱性？

•我们如何支持从气候引发的破坏中快速恢复？

已经提出了各种各样的策略，从强大的电网到粮食短缺预测（图7），虽然这对社会是好消息，但对于希望做出贡献的ML从业者来说，这可能是压倒性的。幸运的是，一些关键需求往往会在各种战略中反复出现，正是通过满足这些需求，ML才具有支持社会适应的最大潜力。从高层次来看，这些包括：

•发出警报：通过使用历史数据中的风险证据，确定风险最高的区域并确定其优先级。

•提供注释：从非结构化原始数据中提取可操作的信息或标签。

•促进交流：更容易共享资源和信息，以汇集和降低风险。

这些统一的线索将反复出现在下面的章节中，我们将回顾帮助生态系统、基础设施和社会适应气候变化的战略，并解释ML如何支持每一项战略（图7）。

我们注意到，所涉项目的规模从地方到全球各不相同，从基础设施升级和危机准备规划到国际生态系统监测和疾病监测。因此，我们预计具有制定实验方法灵活性的研究人员、具有将原型转化为广泛应用系统的专业知识的工业工程师和企业家以及领导许多现有气候适应工作的公务员将做出宝贵贡献。

9.1 生态

气候的变化日益影响生态系统的分布和组成。这对全球生物多样性以及农业、疾病和木材和鱼类等自然资源具有深远影响。ML可以帮助监测生态系统和生物多样性。

监测生态系统。 高利用

为了保护生态系统，了解哪些风险最大是很重要的。传统上，这是通过人工地面观测完成的，但这一过程可以通过遥感数据注释来加速（另见第6.1节）。例如，可以从航空图像中自动提取树木覆盖率，以表征森林砍伐。在区域或生物群落的规模上，对大规模模拟的分析可以说明生态系统在潜在气候未来的演变。环境传感器网络提供了更直接的数据源，由密集但低成本的设备构成。为了监测海洋生态系统，海洋机器人很有用，因为它们可以根据需要测量大片区域。

为了使系统具有最真实的影响，无论底层数据源如何，有必要对一系列生态系统进行“个性化”预测。在撒哈拉沙漠上训练的模型，如果部署在亚马逊几乎肯定会失败。因此，这些应用可能会激发ML研究人员对异质性、数据收集、迁移学习和快速泛化的兴趣。在传感器网络中，单个节点经常发生故障，但在设计上是冗余的。这是研究异常检测和缺失数据填补的一个机会。在海洋机器人技术中，改进采样区域以进行探索的技术和探险结果的自动汇总都将提供价值。最后，除了通过优先考虑风险环境来帮助适应外，设计有效的生态系统监测方法将支持形成长期适应所需的基础科学。

监测生物多样性。 高利用

准确估计物种数量是保护工作的基础。摄像机捕捉器和航空图像增加了采样工作的丰富性和覆盖面。ML可以帮助从基于图像的传感器推断生物多样性计数。例如，只要运动传感器被激活，摄像机捕捉器就会自动拍照。计算机视觉可以用于对经过的物种进行分类，支持实时、低劳动强度的物种计数。还可以使用航空图像来估计大型畜群的规模，或计算鸟类数量。在水下生态系统中，ML已被用于从水下摄像机自动识别浮游生物，并从珊瑚礁的结构推断鱼类种群。

公民科学还可以收集以个体研究无法达到的规模的数据集。例如，通过利用公众对观鸟的热情，eBird记录了超过1.4亿次观察，这些观察被用于人口和迁徙研究。能够从照片中对物种进行分类的计算机视觉算法通过使识别更容易、更准确，进一步推动了公民科学的努力，尽管这些算法面临着诸如训练数据中的类别不平衡等挑战。研究公民科学数据带来了另一个挑战，即研究人员无法控制样本来自何处。为了激励来自欠采样区域的观测，可以应用博弈论的机制，即使采样偏差持续存在，数据集偏移的估计也可以将其影响降至最低。

监测生物多样性可以与保护稀有物种或控制入侵性害虫的干预措施相结合。ML正在提供新的解决方案，以评估生态干预的影响，并防止偷猎。

9.2 基础设施

物理基础设施与日常生活紧密相连，就像我们居住的建筑和我们打开的灯一样，很容易忘记它的存在（见第4节）。为了适应气候变化，如此基本的东西必须重新思考，这一事实可能令人不安，但从不同的角度来看，彻底重新设计的必要性可以激发创造性思维。

我们首先考虑气候变化对建筑环境的影响。天气模式的变化可能会使基础设施承受更持久的压力。热和风会损坏道路、建筑物和电线。海岸附近的地下水位上升将导致管道故障。城市热岛将加剧，暴雨或沿海洪水可能会增加洪水风险，导致财产损失和交通堵塞。

一个明确的目标是建设物理防御，例如，建造新的沿海堤坝和增加暴雨排水能力的“防气候”城市。然而，仅仅专注于保护现有结构可能会扼杀对城市和社会发展的积极思考。例如，浮动建筑正在鹿特丹进行测试，人们也可以更广泛地考虑弹性和恢复。从改善社会过程的更一般角度来看，ML可以支持两种类型的活动：设计和维护。

设计基础设施。 长期性

如何（重新）设计基础设施以减轻气候影响？在道路网络中，有可能结合洪水危害和交通信息，以发现道路的脆弱路段，特别是那些几乎没有替代路线的路段。如果无法直接获得交通数据，则可以从移动电话使用和城市范围的CCTV流构建代理。这些在快速发展的城市中心很有前景。使用ML可以改进总体洪水灾害图，还可以利用真实世界洪水事件的数据，并向风险人群发送局部预测。对于电力、水和废物收集网络，同样的原则可以使用有关中断的代理或历史数据来预测脆弱性，指导弹性投资。稳健的组件可以取代那些有风险的组件；例如，自适应岛是能源网的一部分，即使在与网络断开连接的情况下仍能继续提供电力，可防止配电中的连锁停电。

基础设施寿命长，但未来不确定，规划者必须权衡当前资源成本与未来社会风险。迫切需要适应战略的一个领域是持续获得饮用水，这可能会受到气候变化的危害。可以优化水基础设施投资；例如，一座更大的水坝可能前期成本更高，但其蓄水能力更大，从而提供更强的抗旱缓冲。为了推迟立即做出的决定，基础设施可以分阶段升级。技术挑战是在看似合理的气候未来下，发现能够最大限度地降低长期资源和社会成本的政策，并随着气候变化更新预测。

维护基础设施。 高利用

什么类型的系统可以在压力增加的情况下保持基础设施正常运行？有效管理有限维护资源的两种策略是预测维护和异常检测；二者均可应用于电力、水和交通基础设施（另见第2.2节和第5.3节）。在预测性维修中，根据预测的近期故障概率对操作进行优先排序。对于异常检测，故障一发生就被发现，而不必等待检查员出现，也不必等待投诉源源不断。

此处引用的系统需要手动管理结构化和非结构化数据流。数据非常丰富，只是很难粘合在一起。来自缺失数据、多模式数据和AutoML社区的想法有可能解决其中一些问题。

9.3 社会系统

虽然不太有形，但我们构建的社会系统与任何有形基础设施一样，对社会的顺利运行至关重要，它们必须适应不断变化的气候条件。首先，考虑这些系统可能会遇到什么变化。由于干旱和其他因素导致的作物产量下降将对粮食安全构成威胁，北美、西非和东亚的长期干旱已经证明了这一点。更普遍地说，依赖生态系统资源的社区将面临生计风险，这可能导致大规模移民，因为人们寻求更有利的环境。

起初，这些问题似乎超出了算法思维的范围，但对社会基础设施的投资可以提高弹性。ML可以扩大此基础设施的覆盖范围和有效性。另请参见第12节，了解ML如何支持复杂社会环境的功能和分析。

粮食安全。 高利用

数据可用于实时监测粮食不安全风险，预测短期短缺，并确定长期风险区域，所有这些都可以指导干预措施。对于实时和短期系统，可以从手机、信用卡交易和社交媒体数据中提取相关信号。这些已成为人工测量的低成本、高覆盖范围的替代方案。其想法是训练模型，将这些大型但非文本化的数据与在小型代表性样本上收集的地面真实消费或调查信息联系起来。这种开发代理以将小而丰富的数据集与大而粗糙的数据集联系起来的过程可以被视为一种半监督学习，是研究的沃土。

对于长期警告，需要进行空间定位的作物产量预测。这些数据可以通过航空图像或气象数据生成（见第6.2节），如果它们可以与历史产量数据相关联。自动作物类型映射也可以是产量预测的一个有价值的工具。在实地，可以从植物照片中识别作物疾病，这可以提醒社区注意疾病爆发，并提高农业检查员的能力。对于更长期的风险评估，可以通过生物和生态模型模拟作物产量，这为将大规模模拟与ML相结合提供了另一个机会。

除了发出警报，ML还能提高食品供应链的弹性。如第5节所述，ML可以减少这些链上的废物；我们强调，对于适应，重要的是供应链也要对意外中断保持健壮。

弹性生计。

依靠一项活动谋生的个人，以及获得社区资源的机会较少的个人，是风险最大的人。弹性生计可以通过增加多样化、合作和交流来促进，所有这些都可以通过ML系统来促进。例如，他们可以通过种植者的社交网络指导农业合作社的设备和信息共享。移动货币的努力可以增加获得流动购买力的机会；它们还可用于监测经济健康状况。技能匹配计划和在线培训通常由数据驱动，有些计划专门针对难民（另见第13节）。

支持流离失所者。 长期性 不确定影响

人口因威胁和机遇而迁移，ML可用于预测大规模移民模式。这一领域的工作依赖于可访问的代理，如社交媒体，其中用户通常会自我报告位置信息或航空图像，从中可以衡量非正式定居的程度。除了量化移民模式外，还通过改进救援行动或监测负面公众情绪，直接致力于保护难民。值得注意的是，移民和难民是弱势群体，对他们进行监控的系统很容易被坏人利用。设计方法和治理机制，使弱势群体能够从此类数据中受益，而不会使他们面临额外风险，这应该是研究的优先事项。

评估健康风险。

气候变化将影响对健康危害的暴露，ML可以在衡量和减轻其对各亚群体的影响方面发挥作用。两个最相关的预期变化是：（1）热浪将变得更加频繁，（2）室外和室内空气质量将恶化。这些暴露对健康有直接或间接的影响。例如，长时间的热暴露既可直接导致中暑，也可引发心脏病或呼吸系统疾病等慢性疾病的急性发作。

认真的数据收集和分析在几代人的流行病学和公共卫生工作中发挥了主导作用。毫不奇怪，ML已成为这些学科中的一个重要工具，支持各种研究工作，从提高疾病模拟器的效率到支持暴露及其健康影响的细粒度测量。

这些学科越来越关注气候变化带来的风险。例如，新的数据源已经能够对城市热岛、水质和空气污染进行详细感知。此外，已经收集的健康指标数据可以定量描述各区域观察到的影响，并说明哪些人群最容易受到气候变化引起的健康危害。例如，众所周知，年轻人、老年人和社会孤立者在热浪中特别脆弱，更精细的风险估计可能会推动外展。

在整个社会应用中，有一些值得研究的挑战：基于纯粹观察的、可能不具代表性的数据指导干预会带来风险。在这些情况下，透明度是必要的，在理想情况下，可以估计干预措施的因果效应，以防止在政策干预中系统地忽略某些分组的反馈循环。

9.4 危机

也许与直觉相反，自然灾害和健康危机并非完全不可预测——它们可以做好准备，风险可以减少，协调可以简化。此外，虽然危机可能是气候变化的一些最令人痛苦的后果，但灾害应对和公共卫生本身就是成熟的学科，并且已经从ML方法中广泛受益。

控制流行病。

气候变化将增加病媒和水传播疾病的范围，提高这些新环境发生流行病的可能性。除了传统调查之外，还可以从网络数据和专门设计的应用程序构建疾病监测和疫情预测系统。虽然非调查代理是观察和自我报告的，但当前的研究试图解决这些问题。除了监控之外，部分由于ML，护理点诊断也得到了复兴。这些工具允许卫生工作者在无法获得专用实验室设备时进行诊断。一个例子是根据用手机拍摄的病理切片照片进行疟疾诊断。确保这些系统可靠且透明地增强扩展人员，在适当时指导数据收集和路线规划，是研究的活跃领域。

灾害应对。 高利用

在灾难准备和响应中，两种类型的ML任务被证明非常有用：从航空图像创建地图和对社交媒体数据执行信息检索。精确且注释良好的地图可以为疏散规划、改造活动和救援提供信息。此外，通过比较灾前和灾后的场景，这些图像可以帮助进行损失评估。社交媒体数据可以包含洞察的核心：没有水的地方，没有供给的诊所，这些都可以为救援工作提供信息。ML可以帮助正确地展现这些见解，将大量社交媒体数据压缩到关键的要点中，灾难管理者可以据此采取行动。

9.5 讨论

气候变化将对地球产生深远影响，ML社区可以提供支持将其对生态系统的破坏及其对人类造成的伤害降至最低。本节提出了可以帮助社会更有效地适应这些不断变化的现实的研究领域。我们已经确定了一些重复出现的主题，但也强调了理解特定领域需求的作用。在任何时候，利用ML支持社会复原力都将是一个崇高的目标，但面对气候变化的广泛影响，在这方面取得切实进展的必要性可能从来没有像今天这样紧迫。

10 太阳能地球工程

飞艇在空中漂浮，喷洒气溶胶；机器人船在海洋中纵横交错，发射垂直喷射的水雾；仔细定位在太空中的镜子阵列，通过遥控进行微调；这些图像看起来像科幻小说，但实际上它们是太阳辐射管理的真正建议，通常称为太阳地球工程。太阳能地球工程，很像导致气候变化的温室气体，改变了地球吸收和释放热量之间的平衡。不同之处在于，这是有意的，而且方向相反。最常见的保护伞策略是使地球更具反射性，将热量挡在外面，尽管也有帮助热量逸出的方法（除二氧化碳去除外，我们将在第6节和第7节中讨论）。

太阳能地球工程通常会带来许多潜在的副作用和治理挑战。此外，与二氧化碳去除不同，它不能简单地逆转气候变化的影响（平均温度可能恢复到工业化前的水平，但特定位置的气候仍在变化），还存在终止冲击的风险（如果人类进行太阳能地球工程但突然停止，则会出现快速、灾难性的变暖）。由于这些和其他问题，评估或推荐任何特定的技术都不在本文的范围之内。然而，太阳能地球工程缓和气候变化的一些最具灾难性危害的潜力是公认的，并且随着社会对缓解措施的不作为，它受到了越来越多的关注。尽管认为“太阳能地球工程提出的最困难和最重要的问题是非技术性的”，但仍有许多重要的技术问题ML可以帮助我们研究。

概述

地球工程的主要候选方法是海洋云增亮（使低洼云更具反射性）、卷云变薄（使高空飞行的云捕获更少的热量）和平流层气溶胶注入（我们将在下面讨论）。其他候选方法（效率较低或更难实施）包括“白屋顶”方法，甚至将遮阳板发射到太空。

将硫酸盐气溶胶注入平流层被认为是太阳能地球工程的主要候选方案，因为其经济和技术可行性，也因为一个应该引起ML社区共鸣的原因：我们有数据。（这些数据主要是火山爆发后的温度观测数据，火山爆发足够大时会将硫酸盐释放到平流层）。一旦注入，硫酸盐会在全球范围内循环，并在高空停留1至2年。因此，该过程是可逆的，但也必须持续保持。硫酸盐具有被充分研究过的臭氧损失风险，它们使阳光稍微扩散，从而影响农业。

10.1 了解和改进气溶胶

设计。 长期性

平流层中（或由于卷云变薄）的气溶胶的影响和副作用因其光学和化学性质而显著不同。尽管根据火山喷发数据，硫酸盐是最容易理解的，但已经研究了许多其他物质，包括二氧化锆、二氧化钛、方解石（可保护臭氧），甚至人造钻石。然而，设计空间远未得到充分开发。ML最近成功预测了特定的化学、材料和光学性质，无需昂贵的实验或蛮力模拟，包括气溶胶。尽管是推测性的，但可以想象的是，ML可以加速寻找化学上无反应但仍具有反射性、廉价且易于保持在高空的气溶胶。

建模。

硫酸盐一直是气溶胶研究的焦点之一，是因为目前的气候模型并没有完美地捕捉到大气气溶胶物理，因此获得自然数据对于验证非常重要。此外，即使当前的气溶胶模型是正确的，它们的最佳拟合参数仍然必须确定（使用历史数据），这带来了不确定性和计算困难。ML在这里可以提供工具，既可以帮助量化和约束不确定性，也可以管理计算负载。作为最近的一个例子，基于九种可能的气溶胶参数设置，使用高斯过程模拟气候模型输出，使它们能够在仅运行350次气候模型而不是>100000次的情况下建立合理的参数范围（从而更好地校准误差条）。尽管这是一项重要进展，理想情况下，我们希望以一个气候模型运行成本的一小部分进行不确定性感知气溶胶模拟，而不是350次.在这方面，ML可能也能有所帮助（更多细节请参见第8节）。

10.2 设计控制系统 高利用 长期性 不确定影响

高效的仿真和误差条对于MacMartin和Kravitz[508]所说的“气候工程学”是至关重要的，根据[508]，地球工程的任何实际部署都将构成“有史以来考虑的最关键的工程设计和控制挑战之一：对具有多个输入变量、多个测量值和大量内部自由度的高度不确定性和非线性动态系统做出实时决策，其动态跨越广泛的时间尺度。“基于贝叶斯和神经网络的方法可以促进这一挑战可能需要的快速、具有不确定性意识的非线性系统识别。此外，RL用于控制的最新进展，这可能有助于微调地球工程干预措施，如决定何时何地释放气溶胶。关于将平流层气溶胶注入分析为RL问题的初步尝试（使用神经网络气候模型模拟器），请参见[170]。

10.3 影响建模 长期性

当然，优化干预需要确定目标，这里的选择还很不明确。虽然通过地球工程可以稳定全球平均温度甚至区域温度，但很可能不可能在所有地点保持所有相关气候特征。此外，气候模型输出并不能说明全部情况；归根结底，气候工程的目标是将对人类、生态系统和社会的危害降至最低。因此，开发可靠的工具以估计这些潜在危害的程度和分布至关重要。最近有一些工作将ML应用于评估地质工程的影响。例如，使用深度神经网络来估计气溶胶对人类健康的影响，使用它们来估计太阳能地球工程对农业的影响。参考文献使用相对简单的局部和多项式回归技术，但应用于广泛的经验数据，以估计温度变化对经济生产的过去和未来影响。更一般而言，综合评估建模领域旨在将气候模型的输出映射到社会影响；有关将ML应用于综合评估模型（IAM）的潜在机会的一般性讨论，请参见第12.2节。

10.4 讨论

对太阳能地球工程的任何考虑都会引发许多道德问题。它可能以牺牲其他地区为代价帮助某些地区，引入终止冲击等风险，并充当“道德风险”：对其可能性的广泛认识可能会破坏减排的主流努力。由于这些问题，关于研究这一主题是否具有道德责任的问题一直存在重大争论。然而，尽管太阳能地球工程带来了新的风险，但它实际上可能是对抗气候变化已经带来的可怕不确定性的一种缓和力量，最终许多环境团体和政府机构都支持进一步的研究。在本节中，我们试图概述在实施和评估太阳能地球工程方面的一些技术挑战。我们希望ML社区能够帮助地球工程研究人员应对这些挑战。

11 个体行动

个人可能担心自己无力影响气候变化，或者不清楚自己的哪些行为对气候变化最重要。事实上，有些行动可以有意义地减少每个人的碳足迹，如果广泛采用，可能会对减少全球排放产生重大影响。人工智能可以帮助识别这些行为，通知个人，并通过模拟个人行为提供建设性的机会。

11.1 了解个人碳足迹

作为个人我们经常面临影响我们碳足迹的决策，但我们可能缺乏数据和知识，无法知道哪些决策最具影响力。幸运的是，ML可以帮助从个人和家庭数据中确定个人的碳足迹。例如，自然语言处理可以用于从电子邮件中提取一个人乘坐的航班，或从账单中确定购买的特定食品，从而可以预测相关的排放量。将这些信息与从用户智能手机（例如，从共享出行应用程序）获得的数据相结合的系统可以帮助希望识别哪些行为导致最高排放的消费者。鉴于这种ML模型，反事实推理有可能被用来向消费者证明，他们改变的每一行为都会减少多少排放量。作为一种隐私意识的替代方案，排放量估算可以直接纳入食品杂货标签或购买航班的界面。这些信息可以帮助人们了解如何通过行为改变来最好地帮助缓解气候变化。

住宅是温室气体排放的主要来源（另见第4节）。一项大型元分析发现，通过针对正确的家庭采取正确的干预措施，可以实现显着的住宅节能。ML可以根据其特征预测家庭在交通、能源、水、废物、食品、商品和服务方面的排放量。这些预测可用于为高排放家庭定制干预措施。改变行为既有助于缓解气候变化，也有利于个人；研究表明，许多碳减排战略也为消费者节约了成本。

家庭能源分解将总体电力消耗分解为单个电器的能源使用（另见第4.1节），这有助于促进行为改变。例如，它可以用来告知消费者之前不知道的高能电器。仅此一点就可能产生重大影响，因为许多设备即使不使用也会消耗大量电力；待机电力消耗约占住宅电力需求的8%。各种ML技术已被用于有效分解家庭能源，如谱聚类、隐马尔可夫模型和神经网络。

ML还可用于实时预测能源消耗的边际排放量，以小时为标度，潜在地允许消费者在排放量（和价格）最低时有效地安排活动，如电动汽车充电。将这些预测与分类的能源数据相结合，可以实现家庭能源消费的高效自动化，理想情况下，可以通过向消费者提供可解释的见解的产品。像RL这样的方法可以用来学习如何优化家用电器，以更有效和可持续地消耗能源。多智能体学习也被应用于该问题，以确保家庭群体能够协调平衡能源消耗，以保持低峰值需求。

11.2 促进行为变化 高利用

ML在模拟人类偏好方面非常有效，可以用来帮助缓解气候变化。使用ML，我们可以根据个人的气候知识、偏好、人口统计和消费特征对其进行建模和聚类，从而预测谁最容易接受新技术和可持续行为变化。这些技术将节能计划中的客户注册率提高了2-3倍。其他研究使用ML来预测消费者愿意支付多少钱来避免能源消耗对环境的潜在危害，发现一些群体对成本完全不敏感，会支付最大金额来减轻危害，而其他群体则不愿意支付任何费用。考虑到这些不同类型的消费者，针对特定家庭的干预可能特别值得；因为数据显示，家庭碳足迹的大小和组成在不同的地理区域和人口统计学中存在巨大差异，所以情况更是如此。

希望参与政策决策或探索不同方案以减少个人碳足迹的公民，由于其复杂性，可能难以理解现有法律和政策。他们可能受益于使政策信息更易于管理和与个人相关的工具（例如，基于个人生活的地方）。自然语言处理有可能从这些应用程序的策略文本中获得可理解的见解，类似于自动合规性检查。

了解个体行为有助于发出信号，说明如何推动个体行为。例如，路径分析表明，个人对气候变化的心理距离（在地理、时间、社会和不确定性维度上）完全调节了他们对气候变化关注的程度。这表明，尽可能减少对气候变化影响的心理距离的干预可能是最有效的。类似地，ML揭示了对国际气候项目的跨文化支持并没有减少，即使个人接触到其他国家气候行为的信息。为了让消费者更真实地了解气候变化的影响，从而帮助激励那些希望采取行动的人，使用了CycleGANs等图像生成技术来可视化极端天气事件对房屋和城市的潜在后果。已经提出通过深度学习进行游戏化，以进一步允许个人探索其个人能量使用。所有这些计划都可能是降低能源消耗的一种成本效益极高的方式；行为改变项目的成本只有3美分，可以节省1千瓦时的电力，而燃煤或风力发电厂发电1千瓦时需要5-6美分，太阳能发电需要10美分。

11.3 讨论

虽然个人有时会觉得他们对气候变化的贡献与其他因素相比相形见绌，但实际上，个人行动可以对缓解气候变化产生重大影响。ML可以帮助消费者了解他们的哪些行为导致最高排放，自动安排能源消耗，并提供如何促进行为改变的见解，从而帮助这一过程。

12 集体决定

应对气候变化需要社区、工会、非政府组织、企业、政府、政府间组织等多个层面的团体做出快速有效的决策。这种集体决策包括多种行动，例如，谈判减少温室气体排放的国际条约，设计碳市场，建设弹性基础设施，以及建立社区所有的太阳能发电厂。这些决策通常涉及目标和优先事项不同的多个利益相关者，需要进行艰难的权衡。所涉及的经济和社会系统往往极其复杂，气候相关决策的影响可能在全球范围内长期存在。为了应对其中一些挑战，研究人员正在使用来自政策分析、运筹学、经济学、博弈论和计算社会科学等领域的经验和数学方法；ML有很多机会支持和补充这些方法。

12.1 社会互动建模

在设计气候变化战略时，了解组织和个人如何应对不同的激励和约束，这一点至关重要。基于代理的模型（ABM）代表了一种用于模拟代理（人员、公司等）在其环境中的行为和交互的方法。ABMs已经应用于与气候变化相关的许多问题，特别是研究低碳技术的采用。例如，当模拟太阳能光伏应用时，代理可以代表基于金融利益和同行行为等因素采取行动的个人；然后，我们的目标是研究这些代理如何响应不同的条件，如电价、补贴计划和地理因素。在这里，ML可以帮助直接从数据中识别这些条件的作用。ABM的其他应用包括模拟社会规范下的行为如何随外部压力而变化，在政治和经济信仰多样性的情况下经济和气候如何演变，以及个人如何响应环境变化而迁移。虽然ABMs中的代理和环境模型通常由专家手工设计，但ML可以帮助将数据驱动的见解集成到这些模型中，例如，通过基于观测数据学习代理的规则或模型，或者通过使用无监督方法，例如变分自动编码器或生成对抗网络，来发现在复杂环境建模中有用的显著特征。虽然从数据中学习或调整行为的希望有望推广，但许多数据驱动方法失去了ABM所重视的可解释性；在可解释的ML方法中工作可能有助于实现这一点。

除了ABM，博弈论的技术在建模行为方面也很有价值，例如，在资源耗尽的情况下探索合作。多代理RL还可以用于了解需要合作的代理组的行为；有关概述，请参见[607]，最近的示例请参见[385，475]。结合机制设计，此类方法可用于设计合作方法，从而产生互利的结果，例如，当围绕国际气候协定正式制定程序时。

12.2 告知政策

为政策提供缓解和适应气候变化所需的行动，需要在地方、国家和国际各级制定政策。各种机构充当决策者：例如，政府、国际组织、非政府组织、标准委员会和专业机构。政策分析工具——评估过去政策结果和评估未来政策选择的过程——可以帮助这些机构做出选择。政策分析使用统计学、经济学和运筹学的定量工具，如成本效益分析、不确定性分析和多准则决策，为决策过程提供信息；有关介绍，请参见[555，618]。ML可以为政策分析提供数据，帮助改进评估政策选项的现有工具，并提供评估政策效果的新工具。

收集数据。 高利用

在制定政策时，决策者必须经常协商基础数据中的根本不确定性。ML可以通过提供数据帮助缓解一些这种不确定性。例如，如本文其他部分所述，ML可以帮助确定排放源（第2.2节和第6.1节）、近似交通模式（第3.1节），识别有风险的基础设施（第9.2节），并从公司的财务披露中挖掘信息（第14节）。自然语言处理、网络分析和聚类技术也可用于分析社交媒体数据，以了解围绕气候变化的公众意见和话语。然后，这些数据可用于确定干预领域，计算项目的收益和成本，或评估政策实施后的有效性。

评估政策选择。

决策者通常构建数学模型，以帮助他们评估或权衡不同的政策选择。ML特别适用于模拟大型复杂社会经济系统以评估特定战略结果的方法，以及有助于指导决策的基于优化的工具。

决策者通常希望分析不同的政策选择如何有助于实现特定目标。模拟和（部分）均衡模型等计算方法可用于比较不同的政策选择，评估基本假设的影响，或提出与决策者目标一致的策略。与缓解气候变化特别相关的是IAM，它包含了经济模型、气候模型和政策信息。IAM用于探索与气候目标一致的未来社会途径（例如1.5℃意味着全球温度升高），并在IPCC评估中发挥重要作用。虽然这些模型可以非常详细地模拟许多变量之间的相互作用，但这是以计算复杂性为代价的，并为ML提供了机会。与地球系统模型（第8节）一样，ML可以应用于构成IAM的任何子模型中。一组应用涉及以适当的空间分辨率得出结果，因为IAM的不同组件在不同的尺度下运行。高分辨率的输出可以通过聚类方法进行聚合以提供见解，而在较粗分辨率下，统计降尺度可以帮助将数据分解为适当的空间分辨率，如作物产量、风速[或地表温度等应用中所见。ML还有可能帮助进行灵敏度和不确定性分析，为计算昂贵的子模型找到数值解，并评估模型的有效性。

除了评估各种政策的结果外，决策者还可以使用基于优化的工具来确定要做出什么决策。例如，组合优化是运筹学中广泛用于决策的强大工具。有关如何使用ML帮助解决组合优化问题的综述，请参见[70]。

多标准决策领域的工具还可以通过协调相互竞争的目标和尽量减少负面影响，帮助决策者管理不同政策之间的权衡；特别是，在政策目标和约束可以数学形式化的情况下，多目标优化可以提供一种务实的决策方法。这里，决策者将其决策过程表述为一个优化问题，通过组合受物理或其他类型约束的多个优化目标；目标是找到一个（或一组）对所有目标函数都是帕累托最优的解。然而，找到这些解通常在计算上是昂贵的。实践者已经应用了仿生算法，如粒子群算法、遗传算法或进化算法来搜索或计算满足约束的帕累托最优解。这种方法已经应用于许多与气候变化相关的领域，包括能源和基础设施规划、工业、土地利用等等。先前的工作还采用了并行代理搜索，并辅以ML，以有效解决多目标优化问题。在超参数优化（例如贝叶斯优化）或引导搜索算法（例如树搜索算法）的背景下成功的优化算法也可以潜在地应用于该问题。

评估政策效果。 高利用

在制定新政策时，决策者可能希望了解以前的政策（例如来自其他司法管辖区的政策）以及这些政策的执行情况。ML可以通过改进计算文本分析来帮助自动和大规模地分析以前的策略操作。特别是，自然语言处理方法已经在政治学领域用于分析政治文本和立法；这些方法可能有助于系统地研究气候变化政策。因果推断技术也有助于根据观察结果评估特定政策或气候相关事件的影响。ML可以在因果推断中发挥作用，包括在政策问题和气候相关情景中，如估计温度对人类死亡率的影响，以及世界银行项目对植被的影响。

12.3 设计市场

在经济学中，温室气体排放可被视为一种负外部性：虽然气候变化会给社会带来成本，但这种成本往往没有反映在导致温室气体排放的商品或服务的市场价格中。这是有问题的，因为仅仅根据市场价格做出决策的组织和个人将倾向于更便宜的商品，即使这些商品排放大量温室气体。基于市场的工具，如总量管制和排放交易，旨在强制执行反映温室气体社会成本的价格，从而通过市场力量鼓励有益于社会的行为。ML有助于理解市场工具的影响；评估其在减少排放方面的有效性；以及支持迅速、有效和公平的执行。

预测碳价格。

有几种方法可以为温室气体排放定价。碳税和配额旨在通过影响现有市场的供需来影响组织的行为。相比之下，欧盟内部的总量管制和排放交易方法涉及一个全新的市场，一个排放交易计划，在该计划中，公司可以买卖数量有限的温室气体排放许可证。此类总量管制与交易市场内的价格对控制因素（如在给定时间发放的许可证数量）高度敏感。ML可用于分析这些市场内的价格，例如通过监督学习预测价格，或通过分层聚类分析价格的主要驱动因素。

非碳市场。

市场设计可以影响温室气体排放，即使在此类排放不受直接处罚的环境中也是如此。例如，电力市场中的动态定价会根据风力发电量等因素改变消费者的电价，从而影响对低碳能源的需求（见第2.1.1节）。在将市场定价建模为老虎机问题的开创性研究之后，许多工作已经应用老虎机和其他RL算法来确定价格或其他市场价值。例如，RL已被应用于预测电力市场中的出价和市场力量，并在更一般的设置中设定动态价格。ML还可以帮助解决供应链中的拍卖问题。

评估市场效应。

在设计基于市场的战略时，有必要了解每项战略将如何有效地减少排放，以及潜在的社会技术系统可能受到何种影响。研究考虑了碳定价对经济增长和能源强度的影响，或对电价的影响。定价机制的影响也可能是间接的，如公司的战略决策可能产生长期影响。ML可用于分析这些影响。例如，自组织图被用于分析绿色技术的研发投资如何随燃料价格变化，而使用神经网络的博弈论框架被用于研究碳配额下公司的最优生产策略。

为了确保基于市场的战略有效和公平，重要的是了解其分配效应，因为某些社会群体或利益相关者阶层可能比其他群体或阶层受到更大的影响。例如，对汽油征收统一的碳税将对低收入人群产生更大的影响，因为燃料支出在他们的总预算中所占比例更大。在这里，聚类可以帮助确定使社会福利最大化的许可分配方案，并且监督学习已被用于预测电价方案变化的赢家和输家。享乐定价还可以帮助确定消费者愿意为环境商品或服务支付多少费用，这是衡量该商品或服务货币价值的一个嘈杂指标；这些值通常使用回归或ML技术对历史市场数据进行推断。分析哪些组织或个人可以实际参与特定市场也很重要。例如，如果存在可行的补偿，包括通过森林保护和管理固碳的土地所有者提供的补偿，碳市场可以更加灵活；ML已用于检查影响此类项目财务可行性的因素。

12.4 讨论

气候变化问题固有的复杂性、规模和根本不确定性可能对集体决策构成挑战。ML可以帮助补充现有的数学框架，这些框架用于缓解一些挑战，包括基于代理的模型、IAMs、多目标优化和市场设计工具。在这种情况下，可解释和公平的ML技术可能特别重要，因为它们可以使决策者更有效、更公平地利用来自ML模型的见解。虽然这些定量评估工具可以为决策过程提供有用的输入，但值得注意的是，有关气候变化的决策可能最终取决于围绕定量模型中可能无法捕捉到的规范、价值或公平考虑的定性讨论。

13 教育

获得优质教育是可持续发展的一个关键部分，对气候和整个社会都有重大好处。教育有助于提高生活质量，帮助个人做出明智的决策，并培养下一代创新者。教育在帮助不同社会的人们理解和解决气候变化的原因和后果方面也至关重要，并为适应气候变化的影响提供了必要的技能和工具。例如，教育既可以提高社区的复原力，特别是在受气候变化影响不成比例的发展中国家，也可以增强个人（特别是发达国家的个人）的能力，使其能够采用更可持续的生活方式。由于气候变化本身可能会因其对农业生产力和家庭收入的负面影响而降低某些人口的教育成果，因此在全球范围内提供高质量的教育干预措施就变得更加重要。

人工智能与教育。 长期性

AI和ML可以通过多种方式为教育和教学做出贡献，例如，改善受教育机会，帮助个性化教学过程，以及在教师时间有限时介入。人工智能教育领域（AIED）已经存在了30多年，直到最近，它还依赖于基于学习心理学理论的明确建模内容、学习者和辅导策略。然而，AIED越来越多地结合了源自ML技术的数据驱动见解。

AIED研究的一个重要领域是智能辅导系统（ITSs），它可以根据个人需求实时调整他们的行为，或支持协作学习。虽然传统上ITSs是通过手工定义和构建的，但最近的方法已经应用了ML技术，如多臂老虎机技术，以自适应地个性化学习活动序列，LSTM生成问题以评估语言理解，以及RL来改进ITS中使用的策略。然而，要弥合数字导师和人工导师之间的绩效差距，仍有许多工作要做，基于ML的方法在这方面发挥着重要作用，例如，通过自然语言处理技术创建对话代理，通过学习者分析对学生档案进行分类，以及提出相关教育活动和练习的适应性学习方法。

虽然信息技术服务一般侧重于个性化或小组教学，但AIED也可以帮助提供工具，为更大的学习群体大规模改善教育成果。例如，可扩展、自适应的在线课程可以让数十万学习者获得他们在当地教育设施中通常不会拥有的学习资源。此外，向教师提供来自计算教学算法或启发式的指导可以帮助他们设计更好的教育课程，提高学生的学习成果。在这种情况下，AIED应用程序既可以作为独立学习者的独立工具，也可以作为一种教育资源，让教师有更多的时间与学生进行一对一的交流。创建可在全球应用的AIED工具的关键考虑因素包括：适应当地的技术和文化需求，解决电力和互联网接入等障碍，并考虑学生的计算技能、语言和文化。

了解气候。

研究表明，以气候变化和碳足迹为中心的教育活动可以让学习者了解个人和集体行动之间的联系及其对全球气候的影响，并使个人能够做出气候友好的生活方式选择，如减少能源使用。也有人提议建立交互式网站，解释气候科学，以及侧重于可持续发展的地方和可操作方面的教育干预。在这些情况下，ML可以帮助创建个性化的教育工具，例如，根据学习者的地址生成极端天气事件未来潜在影响的图像，或者将个人的学习经验锚定在其真实生活位置的数字副本中，并允许他们探索气候变化将如何影响特定位置。

14 金融

金融市场的兴衰与许多事件有关，既有零星事件（如2008年全球金融危机），也有周期性事件（如多年来的天然气价格），其损益可以用数十亿美元来衡量，并可能产生全球影响。气候变化对以万亿美元计的全球资产构成了巨大的金融风险，很难预测气候变化将在何处、如何或何时影响特定公司的股价，甚至影响整个国家的债务。虽然金融分析师和投资者专注于风险定价和潜在收益预测，但当前金融体系的主要依据是季度或年度表现。这无法激励对中期或长期风险的预测，其中包括大多数与气候变化相关的风险，如对资产或分销链的物理影响、对利润产生的立法影响以及间接市场后果，如供需。

气候投资。

气候投资是目前气候融资的主要方式，涉及到投资低碳资产。主要金融机构采取这种方法的主要方式是创建“绿色”金融指数，重点关注低碳能源、清洁技术和/或环境服务，或设计碳中和投资组合，消除或减轻碳足迹相对较高的公司。该投资策略正在市场的某些部门（如公用事业和能源）向可再生能源替代品转变，可再生能源替代物被视为比石油和天然气等传统能源具有更大的增长潜力。虽然这种方法目前没有直接利用ML，但我们看到了将深度学习应用于投资组合选择（基于所涉及股票的特征）和投资时机（使用历史模式预测未来需求）的潜力，以最大限度地扩大气候投资战略的影响和范围。

气候分析。 高利用

气候金融的另一个主要方法是气候分析，其目的是预测气候变化的金融影响，在主流金融界仍有增长势头。由于这是一种从金融角度解决气候变化问题的预测方法，因此ML可能会产生更大的影响。气候分析包括分析投资组合、基金和公司，以确定气候变化风险较高的地区，如可能因野火或水资源开采计划而破产的木材公司，这些公司的水源可能受到不断变化的景观的污染。该领域使用的方法包括：自然语言处理技术用于识别公司披露的气候风险和投资机会，以及分析媒体气候报道的演变，以动态对冲气候变化风险；制定利用金融市场碳风险因素的套利策略的计量经济学方法；以及预测排放交易中碳价格的ML方法。

迄今为止，在更大范围的金融研究和分析中，气候金融领域在很大程度上被忽视。这留下了许多改进方向，例如：（1）改进现有的传统投资组合优化方法；（2） 对与气候风险相关的变量进行深入建模；（3） 设计一个统计气候因子，可用于预测给定一组复合事件的股价变化；（4）在公司年度报告中确定直接和间接气候风险暴露。ML在这些战略中发挥着核心作用，可以成为利用金融部门缓解气候变化和减少气候变化对社会的金融影响的有力工具。

15 结论

与任何技术一样，ML并不总是让世界变得更美好，但它可以。在应对气候变化的斗争中，ML在各个领域都做出了重大贡献。ML可以通过遥感实现自动监测（例如，通过精确定位毁林、收集建筑物数据和评估灾后损失）。它可以加速科学发现的进程（例如，通过提出电池、建筑和碳捕获的新材料）。ML可以优化系统以提高效率（例如，通过整合货运、设计碳市场和减少食物浪费）。并且它可以通过混合建模（例如气候模型和能源调度模型）加速计算昂贵的物理模拟。这些和其他交叉主题如表2所示。我们强调，在每个应用程序中，ML只是解决方案的一部分；它是一种跨领域启用其他工具的工具。

将ML应用于应对气候变化既有可能造福社会，也有可能推进ML领域。我们在这里讨论的许多问题突出了ML的前沿领域，如可解释性、因果关系和不确定性量化。此外，在气候问题上采取有意义的行动需要与计算机科学内外的领域进行对话，并可能导致跨学科方法创新，如改进物理技术。

气候相关数据的性质带来了挑战和机遇。对于我们识别的许多应用程序，数据可以是私有的，也可以包括敏感的个人信息。在存在数据集的情况下，它们可能没有考虑到特定的任务，这与具有明确目标的典型ML基准不同。数据集可能包含来自异构源的信息，这些信息必须使用领域知识进行集成。此外，可用数据可能无法代表全球用例。例如，基于美国数据集的电力需求预测不一定适用于印度，因为印度的需求模式可能不同。在低数据环境下，迁移学习和领域自适应的工具可能是必不可少的。对于某些任务，使用仔细模拟的数据来增强学习也可能是可行的。当然，如果可能的话，最好的选择总是更真实的数据；我们强烈鼓励公共和私人实体发布数据集，并征求ML社区的参与。

对于那些希望使用ML帮助应对气候变化的人，我们通过气候变化AI倡议（www.climatechange.AI）提供了更多资源，我们提供了以下路线图：

•学习。确定您的技能如何有用。我们希望本文是一个起点。请记住，最有影响力的工作往往在于解决定义明确、特定于领域的瓶颈，而且并不总是浮夸的。

•合作。寻找合作者，他们可能是研究人员、企业家、老牌公司或决策者。这里讨论的每个领域都有了解其机会和陷阱的专家，即使他们不是ML方面的专家。

•倾听。倾听您的合作者和其他利益相关者的意见，以有效解决问题。请记住，并不总是需要复杂的方法。

•部署。与部署合作伙伴合作，确保为您的工作提供影响途径，并在开发过程中纳入与部署相关的考虑因素。

我们呼吁ML社区将其技能作为全球应对气候变化努力的一部分。

​