Evaluation and refinement of a novel data-driven inverse integrated assessment model focusing on primary energies

This study introduces a novel approach to integrated assessment models (IAMs) known as the 'Inverse IAM' with a data-based methodology. IAMs typically focus on predicting temperature outcomes; however, both scientific and public interest lies in the reversed question: given a desired temperature rise (as an input), what are the corresponding energy characteristics? Using the AR6 scenario database directly from the IPCC's Sixth Assessment Report (AR6) poses challenges due to the inclusion of various models, scenarios, and discrete values. The presence of gaps, incomplete data, and missing values in this dataset adds complexity. Furthermore, policymakers and scientists must actively engage in formulating hypothetical policies and addressing unforeseen scenarios. This proactive approach is crucial for evaluating variables and advancing their research endeavors. To overcome these challenges, modeling techniques and machine learning, specifically Random Forest and Deep Neural Network (DNN), were employed for creating an emulator and predicting various primary energies (total primary energy, fossil, oil, coal, gas, renewable, biomass, solar, wind). The focus was on fossil, oil, and renewable energies in the year 2050, considering temperature projections for the end of the century in 2100. Two distinct methods were employed in the master thesis to select input features: a systematic and a manual input feature selection approach. The uncertainties in the study, including input, parameter, and implementation uncertainties, were addressed using the Monte Carlo method. The performance of models was then compared across these different approaches. Subsequently, an Emulation Analysis was conducted to explore a hypothetical scenario. This analysis aimed to establish relationships between temperature, primary energy sources, and other variables. The results emphasized that the emulator produces satisfactory outcomes, underscoring its significance as a valuable tool for policymakers and scientific researchers. This tool facilitates a comprehensive understanding of policies and the decision-making processes involved

Questo studio introduce un nuovo approccio ai modelli di valutazione integrati (IAM) noti come "Inverse IAM" con una metodologia basata sui dati. Gli IAM si concentrano tipicamente sulla previsione dei risultati della temperatura; tuttavia, l’interesse sia scientifico che pubblico risiede nella domanda inversa: dato un aumento di temperatura desiderato (come input), quali sono le caratteristiche energetiche corrispondenti? L'utilizzo del database degli scenari AR6 direttamente dal Sesto Rapporto di Valutazione (AR6) dell'IPCC pone sfide a causa dell'inclusione di vari modelli, scenari e valori discreti. La presenza di lacune, dati incompleti e valori mancanti in questo set di dati aggiunge complessità. Inoltre, i politici e gli scienziati devono impegnarsi attivamente nella formulazione di politiche ipotetiche e nell’affrontare scenari imprevisti. Questo approccio proattivo è fondamentale per valutare le variabili e portare avanti i loro sforzi di ricerca. Per superare queste sfide, sono state impiegate tecniche di modellazione e apprendimento automatico, in particolare Random Forest e Deep Neural Network (DNN), per creare un emulatore e prevedere varie energie primarie (energia primaria totale, fossile, petrolio, carbone, gas, fonti rinnovabili, biomassa, vento solare). L’attenzione si è concentrata sulle energie fossili, petrolifere e rinnovabili nel 2050, considerando le proiezioni della temperatura per la fine del secolo nel 2100. Nella tesi di master sono stati utilizzati due metodi distinti per selezionare le caratteristiche di input: un approccio sistematico e uno manuale per la selezione delle caratteristiche di input. Le incertezze nello studio, comprese le incertezze su input, parametri e implementazione, sono state affrontate utilizzando il metodo Monte Carlo. Le prestazioni dei modelli sono state quindi confrontate tra questi diversi approcci. Successivamente è stata condotta un'analisi di emulazione per esplorare uno scenario ipotetico. Questa analisi mirava a stabilire le relazioni tra temperatura, fonti di energia primaria e altre variabili. I risultati hanno sottolineato che l'emulatore produce risultati soddisfacenti, sottolineandone l'importanza come strumento prezioso per i politici e i ricercatori scientifici. Questo strumento facilita una comprensione completa delle politiche e dei processi decisionali coinvolti