Improving estimates of greenhouse gas emission from large dams using machine learning

Hydropower currently represents the main source of renewable energy worldwide and, driven by the growing energy demand and the need to accelerate the transition towards clean energy sources, is expected to expand further, with more than 3,700 new projects currently under development. For years it has been considered a near zero-emission technology, but it is now evident that hydropower reservoirs can constitute a significant source of biogenic greenhouse gases. The primary cause of these emissions is the high load of organic matter that, following impoundment, accumulates in the reservoir waters and, through decomposition, is transformed into carbon dioxide and methane. Due to the complexity of the mechanisms regulating the emission processes and the multitude of climatic, biochemical, and environmental factors involved—combined with the limited availability of flux measurements—it is still not possible to provide reliable global estimates or sufficiently accurate predictive models. Our study proposes a Machine Learning approach to the modeling of emissions, with the aim of developing a flexible and globally applicable tool. The reference model is G-res, which is currently considered the most advanced standard but, without simplifications, is hardly applicable in large-scale analyses. To achieve our goal, we developed two models: the first employs the G-res predictors, in order to compare the performance of an ML algorithm against a linear model, while the second relies on a new set of variables, consisting exclusively of information directly or indirectly related to emission processes and available in global datasets. If the ML approach proves comparable to the G-res model in terms of accuracy, the results highlight that the use of easily accessible variables significantly improves the inclusiveness of the model, providing it with greater robustness in large-scale applications. We subsequently applied our model to the analysis of emissions from European reservoirs, with particular focus on hydropower facilities. The study first demonstrates the ability of our models to include almost the entirety of artificial reservoirs in the analysis, substantially expanding the scope of application compared to existing approaches and providing a more comprehensive assessment of emissions. The results show that biogenic emissions contribute significantly to the carbon intensity of hydropower: when added to those generated throughout the entire dam life cycle, our model estimates an intensity of 46 gCO2eq/kWh, about twice the expected value. This study represents a first step towards the development of an innovative tool for energy planning, aimed at ensuring that the transition to new energy sources takes place along a truly sustainable pathway.

L’idroelettrico costituisce oggi la principale fonte di energia rinnovabile a livello globale e, spinto dalla crescente domanda energetica e dalla necessità di accelerare la transizione verso fonti pulite, è destinato a una ulteriore espansione, con oltre 3.700 nuovi progetti attualmente in fase di sviluppo. Se per anni è stato considerato una tecnologia a emissioni quasi nulle, è ormai evidente che i bacini idroelettrici possono costituire una fonte significativa di gas serra di origine biogenica. La principale causa di tali emissioni è l’elevato carico di sostanza organica che, a seguito dell’invaso, si accumula nelle acque del serbatoio e, degradandosi, viene trasformata in anidride carbonica e metano. A causa della complessità dei meccanismi che regolano i processi emissivi e della molteplicità dei fattori climatici, biochimici e ambientali coinvolti, complice anche la limitata disponibilità di misurazioni dei flussi, non è ancora possibile disporre di stime globali affidabili, né di modelli predittivi sufficientemente accurati. Il nostro studio propone un approccio di tipo Machine Learning alla modellizzazione delle emissioni, con l’obiettivo di sviluppare uno strumento flessibile e globalmente applicabile. Il modello di riferimento è G-res, che ad oggi è considerato lo standard più avanzato, ma che, senza approssimazioni, è poco applicabile in analisi ad ampia scala. Per raggiungere il nostro obiettivo abbiamo sviluppato due modelli: il primo utilizza i predittori di G-res, in modo da confrontare le prestazioni di un algoritmo ML rispetto ad un modello lineare, mentre il secondo si basa su un nuovo insieme di variabili, costituito esclusivamente da informazioni direttamente o indirettamente legate ai processi emissivi contenute in dataset globali. Se l'approccio ML si dimostra comparabile al modello G-res a livello di accuratezza, i risultati evidenziano che l’uso di variabili facilmente accessibili migliora sensibilmente l’inclusività del modello, conferendogli maggiore robustezza nelle applicazioni ad ampia scala. Abbiamo successivamente applicato il nostro modello all’analisi delle emissioni dei serbatoi europei, con particolare attenzione a quelli idroelettrici. Lo studio evidenzia innanzitutto la capacità dei nostri modelli di includere nell’analisi la quasi totalità dei bacini artificiali, ampliando in modo sostanziale il campo di applicazione rispetto agli approcci esistenti e fornendo una valutazione più completa delle emissioni. I risultati mostrano che le emissioni biogeniche contribuiscono in misura significativa all’intensità carbonica dell’idroelettrico: sommate a quelle generate lungo l’intero ciclo di vita della diga, il nostro modello stima un’intensità pari a 46 gCO2eq/kWh, circa il doppio rispetto a quanto atteso. Questo studio rappresenta un primo passo nella realizzazione di uno strumento innovativo per la pianificazione energetica, volto ad assicurare che la transizione verso nuove fonti di energia si realizzi lungo un percorso autenticamente sostenibile.