Modeling CO2 emissions in the peruvian transport sector through fuel substitution: A predictive approach with arima and neural networks
Article Sidebar
Main Article Content
Abstract
The transportation sector in Peru is the main generator of CO?, with high use of fossil fuels such as diesel and gasoline, which poses a challenge to the country's climate commitments. In this regard, the research aimed to model the carbon dioxide emissions that would result from replacing these fuels with less polluting alternatives, such as compressed natural gas (CNG) and liquefied petroleum gas (LPG). The methodology employed a quantitative approach using time series analysis, with autoregressive integrated moving average (ARIMA) models, linear programming, and artificial neural networks applied to consumption data collected between 2007 and 2021. The results showed that the ARIMA (2,1,1) (1,1,1) model [12] provided the best fit for predicting emissions related to diesel, gasoline, and LPG, while the CNG series showed linear growth. Projections for 2030 indicated that, under business as usual, diesel would still be responsible for 64% of total emissions in the sector. Therefore, a complete replacement of diesel with CNG could lead to a 99.21% decrease in emissions, and a switch to LPG could reduce them by 85.85%. It is concluded that moving towards cleaner fuels, especially CNG, has great potential for mitigation, and this analysis, based on predictive models, can support transportation decarbonization policies in Peru
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
El contenido de los artículos es responsabilidad exclusiva de los autores.
Debe cumplir con los siguientes aspectos de la licencia CC BY NC ND :
- Atribución: debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizó algún cambio. Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
- No comercial: el material no se puede utilizar con fines comerciales.
- Sin derivados: si remezcla, transforma o construye sobre el material, no puede distribuir el material modificado.
- Sin restricciones adicionales: No se pueden aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros de hacer cualquier cosa que permita la licencia.
References
Altikat, S. (2021). Predicción de la emisión de CO2 de los gases de efecto invernadero la atmósfera con redes neuronales artificiales y redes neuronales de aprendizaje profundo. Int. J. Environ. Sci. Technol. , 18, 3169–3178. Documento en línea. Disponible https://doi.org/10.1007/s13762-020-03079-z
Cemrek, F., & Demir, O. (2021). Estimación de series temporales de emisiones de CO2 con máquinas de vectores de soporte Regresión, redes neuronales artificiales y análisis de series temporales clásicas. 5(2), 36 - 44. Documento en línea. Disponible https://doi.org/10.34110/forecasting.1035912
CMNUCC. (1992). Convención Marco de las Naciones Unidas sobre el Cambio Climático,FCCC/INFORMAL/84: Nuevo tiraje por razones técnicas, GE.05-62301 (S) 220705-ONU, N.Y, EE.UU. Documento en línea. Disponible https://unfccc.int/resource/docs/convkp/convsp.pdf
García, A., Cendales, E., & Eslava, A. (2016). Motores de Combustión Interna (MCI) Operando con Mezclas del Etanol y la Gasolina: Revisión. Ciencia e Ingeniería Neogranadina, 26(1), 75-96. Documento en línea. Disponible https://doi.org/10.18359/rcin.1626
Hagos, D. A., & Ahlgren, E. O. (2020). Explorando transiciones rentables hacia un transporte independiente de combustibles fósiles en el futuro sistema energético. Dinamarca, 261(1). Documento en línea. Disponible https://doi.org/10.1016/j.apenergy.2019.114389
Iftikhar, H., Han, M., Zywiotek, J., Khan, M., & Lopez, J. (2024). Modelado y pronóstico de emisiones de dióxido de carbono en Pakistán utilizando una combinación hibrida de modelos de regresión y series temporales. Documento en línea. Disponible https://doi.org/10.1016/j.heliyon.2024.e33148.
IPCC. (2013). Cambio Climático 2013. Bases físicas. Contribución del Grupo de Trabajo al Quinto Informe de Evaluación del Grupo Intergubernamental de Expertos sobre el Cambio Climático. Cambridge, Reino Unido. Documento en línea. Disponible https://www.ipcc.ch/site/assets/uploads/2018/03/WG1AR5_SummaryVolume_FINAL_SPANISH.pdf
Jena, P., Managi, S., & Majhi, B. (2021). Pronóstico de las emisiones de CO2 a nivel global: un modelo de red neuronal artificial multicapa. Energies, 14(19), 6311-633. Documento en línea. Disponible https://doi.org/10.3390/en14196336
Li, X., & Zhang, X. (2023). Un estudio comparativo de modelos estadísticos y de aprendizaje automático sobre la predicción de las emisiones de dióxido de carbono de China. Environ Sci Pollut Res Int, 30(55), 117485–117502. Documento en línea. Disponible https://doi.org/10.1007/s11356-023-30428-5
Mantilla, L., Camargo, Y., Bolaño, S., & Tovar, F. (2023). Estimation of Road Transportation Emissions in Colombia from 2010 to 2021. Atmosphere, 14(7), 1167. Documento en línea. Disponible https://doi.org/10.3390/atmos14071167
MINAM – COP21. (2015). Ministerio del Ambiente – Conferencia de las Partes 21a. (Primera ed.). Perú. Documento en línea. Disponible https://repositoriodigital.minam.gob.pe/bitstream/handle/123456789/437/BIV01726.pdf?sequence=1&isAllowed=y
MINAM – COP25. (2019). Ministerio del Ambiente – Conferencia de las Partes 25 a Foro Anual de Miembros del NDC Partnership, Convención Marco de las Naciones Unidas sobre el Cambio Climático. Madrid. Documento en línea. Disponible https://www.gob.pe/institucion/minam/noticias/70650-cop25-peru-apuesta-por-una-mayor-ambicion-para-enfrentar-el-cambio-climatico-al-2030
MINAM – INGEI. (2019). Ministerio del Ambiente – Inventario Nacional de Gases de efecto Invernadero. Sector Energía, PIUP, Desechos, Agricultura y USCUSS, Infocarbono. Documento en línea. Disponible https://infocarbono.minam.gob.pe/annios-inventarios-nacionales-gei/ingei-2019/.
MINEM – BNE. (2022). Ministerio de Energía y Minas-Balance Nacional de Energía. Consumo Final Nacional. Documento en línea. Disponible https://www.gob.pe/institucion/minem/informes-publicaciones/5575775-balance-nacional-de-energia-2022
OCDE / ITF. (2009). Challenges & Opportunities in the Downturn / International Transport Forum. Transport for a Global Economy. Documento en línea. Disponible https://www.itf-oecd.org/sites/default/files/docs/09highlights.pdf
OSINERGMIN. (2014). La industria del gas natural en el Perú. A diez años del Proyecto Camisea. Documento en línea. Disponible https://issuu.com/osinergmin/docs/industria_del_gas_natural_en_peru/43
Rafael, M., & Hernández, A. (2014). Caracterización de un motor de combustión interna con dos tipos de combustible. Instituto Mexicano del Transporte. Documento en línea. Disponible https://www.imt.mx/archivos/Publicaciones/PublicacionTecnica/pt417.pdf
Salaet, S., & Roca, J. (2010). Agotamiento de los Combustibles Fósiles y Emisiones de CO2: Algunos Posibles Escenarios Futuros de Emisiones. Revista Galega de Economía, 19(1), 1-19. Documento en línea. Disponible http://redalyc.uaemex.mx/src/inicio/ArtPdf.jsp?iCve=39113124001
Santa, E., & Regalado, M. (2022). El transporte frente al desafío de la Transición Energética en el Perú hacia el 2050. Natura@economía, 7(2), 131-148. Documento en línea. Disponible https://doi.org/10.21704/ne.v7i2.2115
Sharma, S., Mittal, A., Bansal, M., Joshi, B., & Rayal, A. (2024). Pronóstico de las emisiones de carbono en la India utilizando el enfoque de predicción de series temporales (ARIMA). Apuntes de Ingeniería Eléctrica, 1086. Documento en línea. Disponible https://doi.org/10.1007/978-981-99-6749-0_53
World Air Quality. (2018). Estadística y Reporte de la Calidad del Aire Mundial. Documento en línea. Disponible https://www.iqair.com/dl/pdf-reports/world-air-quality-report-2018-en.pdf