Previsão do preço do carbono por modelos de aprendizado de máquina

Autores

DOI:

https://doi.org/10.17648/aos.v12i2.2916

Palavras-chave:

Crédito de Carbono, Inteligência Artificial, Modelos de Regressão, Sustentabilidade

Resumo

Controlar e reduzir as emissões de gases de efeito estufa são ações necessárias para evitar as possíveis consequências provenientes das mudanças climáticas. Neste contexto, o mercado de carbono tem grande relevância, principalmente, para países em desenvolvimento como o Brasil que possui uma imensa riqueza ambiental com a sua Floresta Amazônica. O propósito deste estudo é identificar conjuntos de dados de sustentabilidade a serem usados por modelos preditivos de aprendizado de máquina (AM) capazes de estimar com a maior precisão possível o preço do carbono praticado no mercado mundial. Em nossos experimentos computacionais, algoritmos foram implementados a partir de diferentes algoritmos de AM, sendo usados como parâmetros de entrada diversos conjuntos de dados. Os resultados obtidos mostram que dados amazônicos parecem ter uma relação direta com o preço do carbono praticado no mercado mundial. Um procedimento de seleção de atributos foi aplicado na união dos conjuntos dos dados amazônicos que também foi submetido aos mesmos modelos de AM para verificar se há melhorias no desempenho preditivo. Portanto, havendo uma estimativa precisa do preço do carbono e o Brasil regulamentando as regras para o comércio do carbono, a Região Amazônica tende a ser beneficiada com ganhos significativos nos aspectos ambientais, econômicos e sociais.

Biografia do Autor

Jorge Yoshio Kanda, Universidade Federal do Amazonas - Faculdade de Estudos Sociais; Universidade de São Paulo - Instituto de Ciências Matemáticas e de Computação.

Departamento de Administração

Área: Computação

André Carlos Ponce de Leon Ferreira de Carvalho, Universidade de São Paulo - Instituto de Ciências Matemáticas e de Computação.

Departamento de Matemática Aplicada e Estatística.

Área: Computação.

Downloads

Publicado

2023-06-07

Edição

Seção

Gestão da Informação, Inovação e Tecnologia