本研究利用人工智能技术，提高先前繁琐的 CO2 排放估算方法，进行算法和模型比较，并利用机器学习、深度学习和集成学习方法预测全球温度上升，以此为基础制定政策，如采用电动汽车减少汽车排放。

Nov, 2022

二十个高人类发展指数国家的 CO2 排放的决定因素，经济、环境、能源利用和可再生资源等因素的纵向研究，应用统计技术和机器学习方法，预测排放趋势和相似排放模式，为制定更加集中和有效的碳减排政策提供实用洞察。

May, 2024

本文选用六种模型（灰色预测模型、ARIMA 模型、SARIMAX 模型、人工神经网络模型、随机森林模型和长短时记忆模型）对中国所有部门（电力、工业、地面交通、住宅、国内航空、国际航空）在 2020 年 1 月 1 日至 2022 年 9 月 30 日的日期间序列数据进行预测，结果表明长短时记忆模型具有最佳的预测性能。

Feb, 2023

本研究提供了对 2019 年 1 月至 2023 年 2 月的欧洲国家（EU27＆英国，意大利，德国，西班牙）和印度的电力，工业，陆上交通，国内航空和国际航空等行业每日的二氧化碳排放的全面时间序列分析。研究聚焦于确定主要的贡献者，并利用 LSTM 模型进行准确的预测，为政策决策，缓解策略和应对气候变化提供洞察。

Jul, 2023

通过训练机器学习模型进行温室气体排放的估算可以帮助投资者符合环保法规措施和实现净零排放的目标。

Sep, 2021

本文提出了一个机器学习排放计算器工具，并阐述了影响神经网络训练中所产生的碳排放量的重要因素有哪些，以及个人从业者和组织可以采取的具体行动来减少排放。

Oct, 2019

通过矩阵归一化，对四川 46 个关键行业 2000-2019 年的能源消耗数据进行预处理，使用 DBSCAN 聚类识别了 16 个特征类别，应用惩罚回归模型进行了能源数据复杂性的过拟合控制、高维数据处理和特征选择，并找出了二氧化碳排放量最高的第二类煤炭产业集群，也发现了与汽油和焦炭相关的排放显著。基于这一研究结果，提出了减排建议包括清洁煤技术、交通管理、钢铁中的煤电替代和行业标准化。总结来说，该研究通过 DBSCAN 和惩罚回归模型等算法确定了行业集群，评估了排放驱动因素，并提出了科学减排策略，以更好地为决策提供支持。

Sep, 2023

该论文介绍了一个名为 eco2AI 的开源工具，可以帮助科学家跟踪深度神经网络模型训练和推理的能量消耗和等效二氧化碳排放，并鼓励研究社区寻找具有较低计算成本的新型人工智能（AI）架构，并建立可持续 AI 和绿色 AI 的路径。

Jul, 2022

通过 Kaya 恒等式，我们使用神经 ODE 模型预测与碳排放有关的多个指标在国家层面上的演变，包括人口、人均 GDP、GDP 能源强度和能源的碳强度，并将该模型与基准统计模型 - VAR - 进行了比较，并获得了良好的表现。我们得出结论，这种机器学习方法可用于产生广泛的结果，并为决策者提供有意义的见解。

Jan, 2022

本文评估了采用机器学习模型预测燃气轮机排放的性能，在 Siemens Energy 的测试数据集上比较了现有预测排放模型，基于 SAINT 和 XGBoost 开发的两个机器学习模型，以展示采用机器学习技术可获得氮氧化物（NOx）和一氧化碳（CO）的改进预测性能，并探索了包含更多特征以增强模型复杂性与数据集中缺失值增加之间的平衡。

Jul, 2023