Klimaendringer og reduksjon i biologisk mangfold skaper store, globale utfordringer. Og et betydelig bidrag til disse problemene er klimagassutslipp som følge av samfunnets etterspørsel etter transport og logistikk. Nå haster det med å få redusert klimagassutslippene i denne sektoren.
I andre bransjer brukes såkalt analytisk modellering, hvor forskere effektiviserer, automatiserer og identifiserer utslippskutt ved hjelp av matematiske modeller. Men på grunn av at logistikk- og mobilitetssektoren er avhengig av mange og komplekse relasjoner, har det vært vanskelig å finne mer miljøvennlige løsninger ved å modellere på denne måten. I et nytt whitepaper viser imidlertid forskere fra SINTEF hvordan datadrevne metoder innen maskinlæring, som er en gren av kunstig intelligens (AI), kan brukes og bli helt avgjørende for å skape mer miljøvennlige alternativer innen mobilitet og logistikk.
Stort potensial for CO2-kutt
Bruk av maskinlæring i klimaforskning innebærer sofistikerte datadrevne klimamodeller, analyse av store datasett, bildeanalyse og analyse av data fra fjernmålingsenheter. Dette er ekstremt verdifullt for å kunne forutsi og beregne effekten av våre handlinger i dag og gi politikere vitenskapelig og solid informasjon for å lage strategier for fremtiden. Og logistikk- og mobilitetssektoren er en sektor som har stort potensial for mer effektive løsninger og store kutt i Co2-utslippene ved hjelp av slike metoder.
Det er ikke alltid mulig å erstatte råvarer eller ressurser med miljøvennlige alternativer. Da er en annen løsning å forbedre den generelle effektiviteten slik at mindre ressurser går til spille eller utslipp reduseres. Ofte følger det med en økonomisk fordel også.
Mer miljøvennlige løsninger med AI
I whitepaperet kan du lese om hvordan SINTEF og partnerne våre bruker AI og maskinlæring for å skape mer miljøvennlige løsninger innen transport, mobilitet og logistikk.
For eksempel jobber forskere fra SINTEF sammen med Skanska med å redusere utslipp fra veibygging gjennom å koordinere gravemaskiner og dumpere på en bedre måte. I et annet prosjekt med Distribution Innovation er målet å kunne gi så presis data at pakkeleveringstjenesten enkelt kan planlegge de korteste og mest effektive rutene, som igjen fører til store utslippskutt.
Les mer om datadrevne maskinlæringsmetoder og miljøvennlige prosjekter i whitepaperet utarbeidet av forskerne Signe Riemer-Sørensen, Alexander Johannes Stasik, Anne Marthine Rustad, Dag Kjenstad, Petter Arnesen og Milan De Cauwer.
