В последнее время я много пишу о том, как мы можем использовать машинное обучение для борьбы с изменением климата. Много идей из газеты climate.ai. Который пытается преодолеть разрыв между сообществом машинного обучения и отраслями, занимающимися изменением климата. Одна из областей, которые мне показались интересными, о которых многие люди мало говорят, — это климатическая аналитика. Где собираются данные о климате, которые затем используются для принятия финансовых решений. Из-за больших масштабов изменения климата будут затронуты почти все страны и большинство отраслей. Таким образом, имеет смысл позаботиться о том, чтобы люди не потеряли свои инвестиции из-за изменения климата.
Использование сбора климатических данных
Для всего этого потребуется много данных, для которых подходит машинное обучение. Они могут быть некоторые недостатки. Но я думаю, что они будут полезны. Есть много областей, в которых данные могут помочь финансовым инвестициям. Одним из примеров является риск наводнения, когда страховым компаниям будет полезно сосредоточить внимание на долгосрочном риске. Таким образом, они могут избежать крупных выплат. Риск лесных пожаров очень схож, они могут охватывать сельские и пригородные районы с большим количеством лесов. Обходится землевладельцам в большие деньги. Особенно, если вы активно используете землю для получения дохода. Например, использование земли для выращивания скота.
Как можно собирать данные
Данные можно собирать разными способами. Одной из все более популярных областей является дистанционное зондирование. Где мы используем спутниковые снимки для сбора данных о местности. Это сделано, поскольку спутник может собирать данные на других длинах волн, которые не видны человеческому глазу. Итак, мы можем просматривать газы. Просматривайте растительность и отслеживайте другие элементы. Дистанционное зондирование может в будущем использоваться для обеспечения соблюдения правил. Прямо сейчас многие спутниковые данные покрывают большие участки области каждого изображения. Что-то сотни метров на изображение. Таким образом, вы не можете быть слишком точным в отслеживании определенной области. Но по мере совершенствования технологий мы сможем точно определить области с высоким уровнем выбросов. И посмотрите, соблюдает ли компания правила. Но это приводит к некоторым соображениям конфиденциальности.
Для городских территорий. Отслеживание количества движений с помощью смартфонов оказалось очень полезным. Так как люди могут отслеживать использование общественного транспорта и других услуг. Используя подобную информацию, мы можем создавать стимулы, чтобы люди могли использовать транспорт с меньшим выбросом углерода, а не автомобили. Это может помочь компаниям инвестировать в новые методы транспортировки, анализируя спрос и предложение.
Энергия — самый очевидный пример. Сейчас многие энергетические компании разоряются из-за нерентабельных источников энергии, в основном угля. Из-за COVID-19 другим компаниям, занимающимся ископаемым, пришлось сократить свои расходы. Из-за карантина снизился спрос на многие энергоносители, в основном на нефть. Это вынудило многие энергетические компании наметить будущее с нулевым выбросом углерода. Таким образом, они переживают переход.
