オマーンの脱炭素戦略計画支援：ツリーベース機械学習アプローチによる二酸化炭素排出量予測

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a comparative evaluation of tree-based algorithms for CO2 forecasting, useful for ML applications in environmental science.

🏢実務担当者:The developed GUI allows practical simulation of emission scenarios, helping energy managers identify priority control measures.

🏛政策担当者:Shows how predictive models can underpin evidence-based decarbonization strategies, especially for oil-dependent economies.

抄録 人口増加の進行とエネルギー需要の上昇は、主に温室効果ガス（GHG）排出を左右しており、これは地球環境に対する深刻な脅威となっている。二酸化炭素（CO2）は、その熱を閉じ込める性質により、GHGの主要な要因となっている。COP28会合において、各国は環境問題に関する協力的な行動を強調し、オマーンは2050年までにネットゼロ排出を達成することを誓約した。したがって、オマーンにおけるCO2排出の主要な発生源を批判的に分析し、証拠に基づいた合理的な脱炭素化計画を支援することが不可欠である。歴史的データ（1965年〜2022年）は、BP Statistical Review of World Energyから取得した。我々は二段階のモデリングアプローチを採用した。最初に、歴史的データを用いて、リカレントニューラルネットワーク（RNNs）モデルを適用し、一次エネルギー消費量、石油生産量、石油消費量、天然ガス消費量、石炭消費量、発電量を含む特徴量と、目標変数（CO2排出量）を2027年まで予測した。その後、ツリーベースのアルゴリズム—決定木回帰（DTR）、ランダムフォレスト回帰（RFR）、AdaBoost回帰（ABR）、XGBoost回帰（XGBR）、LightGBM（LGBMR）、および極度にランダム化されたツリー（ETR）—を用いて、6つの特徴量を使用した予測CO2排出モデルを開発した。結果は、2023年から2027年にかけて予測されたすべての入力が一貫して上昇することを示しており、これはオマーンの経済発展と急速な人口増加に起因するものと考えられる。予測に関して、一次エネルギー消費量と石油生産量はそれぞれ約4%と約2.49%上昇した。同様に、石油消費量、天然ガス消費量、石炭消費量、発電量はそれぞれ約4.63%、約3.87%、約5.46%、約2.27%増加した。目標変数は77.6301百万トンから80.2573百万トン（約3.38%）へと急増した。モデル評価では、R2値とMAE値は以下の通りであった：ETR（0.9989、0.8545）、RFR（0.9986、0.9248）、XGBR（0.9958、1.4888）、LGBMR（0.9933、1.9989）、ABR（0.9889、2.5087）、DTR（0.4592、19.3184）。最も性能が良かったツリーベースのアルゴリズムはETRであり、次いでRFR、XGBR、LGBMR、ABR、DTRの順であった。DTRを除くすべてのアルゴリズムは驚異的な性能を示したが、DTRはデータセット内の基礎となる傾向を捉えることができなかった。特徴量の重要度は降順に並べると以下の通りである：天然ガス消費量（0.2191）、一次エネルギー消費量（0.1981）、発電量（0.1921）、石油消費量（0.1811）、石炭消費量（0.1601）、石油生産量（0.0494）。最も性能の良いモデル（ETR）に基づいてグラフィカルユーザーインターフェース（GUI）が開発され、政策立案者がCO2排出の主要な貢献要因を評価するのを支援する。結果として、本研究はオマーン当局が主要な排出要因の効果的な管理策を通じて、戦略的かつ的を絞ったCO2削減計画を策定する力を与えるものである。機械学習（ML）は環境ベースのパラメータ予測に広く応用されているが、オマーンにおけるCO2排出予測におけるツリーベースのアルゴリズムの性能を評価した研究はない。本研究は、歴史的および予測された特徴量と目標変数に基づいて、ツリーベースのアルゴリズムの性能を初めて評価するものである。最も性能の良いモデルに基づいて構築されたGUIは、オマーン当局がCO2排出の主要な要因を検討し、持続可能な開発を伴うCO2削減戦略の計画を支援するための決定的なツールとなり得る。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Abstract The escalating population growth and rising energy demand mainly govern greenhouse gases (GHGs) emissions, which pose a serious threat to the global environment. Carbon dioxide (CO2) majorly contributes to GHGs due to its heat-trapping capacity. At COP28 meeting, countries emphasized collaborative actions on environmental issues, and Oman vowed to attain net-zero emissions by 2050. Therefore, it is indispensable to critically analyse vital sources of CO2 emissions in Oman to assist evidence-based and rational decarbonization planning. Historical data (1965-2022) were sourced from the BP Statistical Review of World Energy. We employed a two-stage modelling approach. Initially, using historical data, a Recurrent Neural Networks (RNNs) model was applied to forecast features, including primary energy consumption, oil production, oil consumption, natural gas consumption, coal consumption and electricity generation and a target variable (CO2 emissions) through 2027. Afterwards, tree-based algorithms- Decision Tree Regressor (DTR), Random Forest Regressor (RFR), AdaBoost Regressor (ABR), XGBoost Regressor (XGBR), LightGBM (LGBMR), and Extremely Randomized Trees (ETR)- were used to develop a predictive CO2 emissions model using six features. Results showed a consistent rise in all forecasted inputs during 2023-2027, which can be attributed to Oman's economic development and rapid population growth. Consider forecasting, primary energy consumption and oil production escalated by ~4% and ~2.49%, respectively. Correspondingly, oil consumption, natural gas consumption, coal consumption, and electricity generation increased by ~4.63%, ~3.87%, ~5.46%, and ~2.27%, respectively. Target variable soared from 77.6301 to 80.2573 million tonnes (~3.38%). Model evaluation illustrated R2 and MAE values: ETR (0.9989, 0.8545), RFR (0.9986, 0.9248), XGBR (0.9958, 1.4888), LGBMR (0.9933, 1.9989), ABR (0.9889, 2.5087), and DTR (0.4592, 19.3184). Best-performing tree-based algorithm was ETR followed by RFR, XGBR, LGBMR, ABR, and DTR. All algorithms showed phenomenal performance except DTR, which failed to capture the underlying trend in the dataset. The features’ importance is arranged in descending order: natural gas consumption (0.2191), primary energy consumption (0.1981), electricity generation (0.1921), oil consumption (0.1811), coal consumption (0.1601) and oil production (0.0494). A Graphical User Interface (GUI) was developed based on the best-performing model (ETR) to assist policymakers in evaluating the key contributors to CO2 emissions. Consequently, this study empowers Oman's authorities to make a strategic, targeted CO2 mitigation plan through effective control measures of the dominant emission drivers. Although Machine Learning (ML) has widespread applications in predicting environmental-based parameters, no study has assessed the performance of tree-based algorithms in predicting CO2 emissions in Oman. This work, for the first time, evaluates tree-based algorithms’ performance based on historical and forecasted features and the target variable. A GUI built on the best-performing model can be a decisive tool for Oman's authorities to examine the primary drivers of CO2 emissions and assist in planning CO2 mitigation strategies with sustainable development.

• crossref https://doi.org/10.2118/232651-msfirst seen 2026-05-18 05:28:42 · last seen 2026-05-31 04:57:53