Estimating Turkey's CO2 Emissions with Anfis

Öz

CO2 emissions refer to the release of carbon dioxide gas into the atmosphere, primarily resulting from human activities such as the burning of fossil fuels (coal, oil, natural gas), industrial processes, deforestation, and agriculture. Increasing CO2 levels create a greenhouse effect, leading to global climate change. Turkey is committed to environmental sustainability and combating climate change on both national and international levels. In this context, Turkey has set a Nationally Determined Contribution (NDC) for the 2020-2030 period, aiming to reduce greenhouse gas emissions by 21% compared to 2005 levels by 2030. Turkey’s strategies to reduce CO2 emissions include promoting the transition to renewable energy sources, enhancing energy efficiency, adopting clean technologies in the industrial sector, expanding the use of electric vehicles and public transportation, and supporting sustainable agricultural practices. Under the Paris Agreement, Turkey has committed to limiting global temperature rise to well below 2 degrees Celsius above pre-industrial levels, and to pursue efforts to limit the increase to 1.5 degrees Celsius. This study aims to fill a significant gap by forecasting Turkey's CO2 emissions using the ANFIS (Adaptive Neuro-Fuzzy Inference System) method. By analyzing Turkey’s historical CO2 emission data, this research seeks to predict future emission trends. The results can provide crucial guidance for forming sustainable development strategies, shaping energy policies, and conducting environmental impact assessments. Additionally, the success of the ANFIS model in CO2 emission forecasting can inspire similar studies and contribute significantly to future research in this field. This study emphasizes Turkey’s efforts to reduce CO2 emissions and the importance of forecasting studies using the ANFIS method, while detailing strategies to comply with the commitments of the Paris Agreement.

Anahtar Kelimeler

• CO2 emissions
• ANFIS
• Economic Growth
• Energy Consumption
• Prediction
• Energy Efficiency
• Renewable Energy

Türkiye’nin CO2 Emisyonunun Anfis ile Tahmin Edilmesi

Öz

CO2 emisyonu, karbon dioksit gazının atmosfere salınması anlamına gelmekte ve fosil yakıtların yanması, endüstriyel süreçler, ormansızlaşma ve tarım gibi insan faaliyetlerinden kaynaklanmaktadır. Artan CO2 seviyeleri, sera etkisi yaratarak dünya genelinde iklim değişikliğine neden olmaktadır. Türkiye hem ulusal hem de uluslararası düzeyde çevresel sürdürülebilirlik ve iklim değişikliğiyle mücadele konusunda kararlı bir tutum sergilemektedir. Bu bağlamda, Türkiye 2020-2030 dönemi için belirlediği Ulusal Belirlenmiş Katkı (NDC) ile 2030 yılına kadar sera gazı emisyonlarını 2005 seviyelerine göre %21 oranında azaltmayı hedeflemiştir. Türkiye’nin CO2 emisyonlarını azaltma stratejileri arasında yenilenebilir enerji kaynaklarına geçişin teşvik edilmesi, enerji verimliliğinin artırılması, sanayi sektöründe temiz teknolojilere geçiş, ulaşımda elektrikli araçların ve toplu taşıma sistemlerinin yaygınlaştırılması ve tarımda sürdürülebilir uygulamaların desteklenmesi bulunmaktadır. Paris Anlaşması çerçevesinde Türkiye, küresel sıcaklık artışını 2 derece altında tutmayı ve mümkünse 1.5 dereceyle sınırlamayı hedefleyen taahhütlerde bulunmuştur. Bu çalışma, Türkiye'nin CO2 emisyonlarını tahmin etmeyi amaçlamakta ve bu konuda önemli bir boşluğu doldurmaktadır. ANFIS (Adaptive Neuro-Fuzzy Inference System) yöntemi kullanılarak yapılan bu araştırma, Türkiye'nin geçmiş CO2 emisyon verilerini analiz ederek gelecekteki emisyon trendlerini tahmin etmeyi hedeflemektedir. Elde edilen sonuçlar, sürdürülebilir kalkınma stratejilerinin oluşturulmasında, enerji politikalarının şekillendirilmesinde ve çevresel etki değerlendirmelerinde önemli bir rehberlik sağlayabilir. Ayrıca, ANFIS modelinin CO2 emisyon tahminindeki başarısı, benzer çalışmalara ilham kaynağı olabilir ve bu alandaki gelecekteki araştırmalara önemli katkılar sunabilir. Bu çalışma, Türkiye'nin CO2 emisyonlarını azaltma çabalarının ve ANFIS yöntemiyle yapılan tahmin çalışmalarının önemini vurgulamakta, aynı zamanda Paris Anlaşması’nın taahhütlerine uyum sağlamaya yönelik stratejilerini detaylandırmaktadır.

Anahtar Kelimeler

• CO2 emisyonu
• ANFIS
• Regresyon Analizi
• Ekonomik Büyüme
• Enerji Tüketimi
• Tahmin
• Enerji Verimliliği
• Yenilenebilir Enerji

Kaynakça

1. [1] Arı, A., Zeren, F., 2011. CO2 emisyonu ve ekonomik büyüme: panel veri analizi. Yönetim ve Ekonomi Dergisi, 18 (2), s.37-47
2. [2] Sel, A., Tekgün, B., 2022. ANFIS yöntemi ile türkiye karbondioksit salınım tahmini. Süleyman Demirel Üniversitesi Vizyoner Dergisi, 13 (34):486-504.
3. [3] Mardani, A., Streimikiene, D., Nilashi, M., Arias Aranda, D., Loganathan, N., Jusoh, A., 2018. Energy consumption, economic growth, and CO2 emissions in G20 countries: application of adaptive neuro-fuzzy inference system. Energies, 11(10):2771.
4. [4] Karaboga, D., Kaya, E., 2020. Estimation of number of foreign visitors with ANFIS by using ABC algorithm. Soft Computing, 24(10):7579-7591.
5. [5] Bayramoğlu, T., Pabuçcu, H., Boz, F.Ç., 2017. Türkiye için ANFIS modeli ile birincil enerji talep tahmini. Ege Akademik Bakış, 17(3):431-445.
6. [6] Koçak, S., The effect of internet use on CO2 emissions: The case of Turkey, pp 451-503 February 24-25, 2022 Ankara, Turkey Baskent International Conference On Multidisciplinary Studies.
7. [7] Sarıtaş, T., Akar, G., 2022. Turizmin CO2 emisyonuna etkisi: Panel veri analizi. Ekonomi Maliye İşletme Dergisi, 5(1): 104-117.
8. [8] Güler, E., Kandemir, S. Y., 2022. Lineer ve kübik regresyon analizleri kullanılarak OECD ülkelerinin CO2 emisyonlarının tahminlemesi. Avrupa Bilim ve Teknoloji Dergisi, 34, 175-180.

9. [9] Pabuçcu, H., Bayramoğlu, T., 2016. Yapay sinir ağları ile CO2 emisyonu tahmini: Türkiye örneği. Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 18(3): 762-778.
10. [10] Bozkurt, C., Okumuş, İ., 2015. Türkiye’de ekonomik büyüme, enerji tüketimi, ticari serbestleşme ve nüfus yoğunluğunun CO2 emisyonu üzerindeki etkileri: Yapısal kırılmalı eşbütünleşme analizi. Mustafa Kemal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 12(32): 23-35.
11. [11] Jeong, Y. S., Lee, S. E., Huh, J. H., 2012. Estimation of CO2 emission of apartment buildings due to major construction materials in the Republic of Korea. Energy and Buildings, 49: 437-442.
12. [12] Sun, J., Peng, H., Chen, J., Wang, X., Wei, M., Li, W., Mellouki, A., 2016. An estimation of CO2 emission via agricultural crop residue open field burning in China from 1996 to 2013. Journal of Cleaner Production, 112: 2625-2631.
13. [13] Bengochea-Morancho, A., Higón-Tamarit, F., Martínez-Zarzoso, I., 2001. Economic growth and CO2 emissions in the European Union. Environmental and Resource Economics, 19: 165-172.
14. [14] George, A., & Ioana, U. C., 2007. Forecasting tourism demand using ANFIS for assuaring successful strategies in the view of sustainable development in the tourism sector. In Proceedings of the 2nd IASME/WSEAS International Conference on Energy & Environment (EE’07), Portoroz, Slovenia. pp. 212-217.
15. [15] Harandizadeh, H., Toufigh, M. M., Toufigh, V., 2019. Application of improved ANFIS approaches to estimate bearing capacity of piles. Soft Computing, 23: 9537-9549.
16. [16] Ho, W. H., Chen, J. X., Lee, I. N., Su, H. C., 2011. An ANFIS-based model for predicting adequacy of vancomycin regimen using improved genetic algorithm. Expert Systems with Applications, 38(10): 13050-13056.
17. [17] Roy, S., Das, A. K., Bhadouria, V. S., Mallik, S. R., Banerjee, R., Bose, P. K., 2015. Adaptive-neuro fuzzy inference system (ANFIS) based prediction of performance and emission parameters of a CRDI assisted diesel engine under CNG dual-fuel operation. Journal of Natural Gas Science and Engineering, 27: 274-283.
18. [18] Yazar, I., Şöhret, Y., Karakoç, T. H., 2017. ANFIS-based comparative exhaust gases emissions prediction model of a military aircraft engine. International Journal of Global Warming, 12(1): 116-128.
19. [19] Suleymani, M., Bemani, A., 2018. Application of ANFIS-PSO algorithm as a novel method for estimation of higher heating value of biomass. Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 40(3): 288-293.
20. [20] Pusat, S., Akkoyunlu, M. T., Pekel, E., Akkoyunlu, M. C., Özkan, C., & Kara, S. S., Estimation of coal moisture content in convective drying process using ANFIS. Fuel processing technology, 147, 12-17, 2016.
21. [21] Hieu, N. T., Le Thanh, H., Anh, B. T. M., 2023. Scrutinizing time-varying interlinkages between digitalization, green technologies, CO2 emission, and energy productivity in Vietnam. Journal of Cleaner Production, 137581.
22. [22] Nassef, A. M., Olabi, A. G., Rezk, H., Abdelkareem, M. A. 2023. Application of Artificial Intelligence to Predict CO2 Emissions: Critical Step towards Sustainable Environment. Sustainability, 15(9): 7648.
23. [23] Acheampong, A. O., Boateng, E. B., 2019. Modelling carbon emission intensity: Application of artificial neural network. Journal of Cleaner Production, 225: 833-856.
24. [24] Yeasmin, S., Syed, S. N. J., Shmais, L. A., & Al Dubayyan, R., 2020, November. Artificial Intelligence-based CO2 Emission Predictive Analysis System. In 2020 International Conference on Artificial Intelligence & Modern Assistive Technology (ICAIMAT): 1-6.
25. [25] Delanoë, P., Tchuente, D., Colin, G. 2023. Method and evaluations of the effective gain of artificial intelligence models for reducing CO2 emissions. Journal of Environmental Management, 331, 117261.
26. [26] Xu, G., Schwarz, P., Yang, H. 2019. Determining China's CO2 emissions peak with a dynamic nonlinear artificial neural network approach and scenario analysis. Energy Policy, 128: 752-762.
27. [27] Meng, Y., Noman, H. 2022. Predicting CO2 Emission Footprint Using AI through Machine Learning. Atmosphere, 13(11): 1871
28. [28] Alam, T., AlArjani, A. 2021. A comparative study of CO2 emission forecasting in the gulf countries using autoregressive integrated moving average, artificial neural network, and holt-winters exponential smoothing models. Advances in Meteorology, 2021: 1-9.
29. [29] Palconit, M. G. B., Conception II, R. S., Alejandrino, J. D., Nuñez, W. A., Bandala, A. A., Dadios, E. P., 2021, September. Comparative ANFIS Models for Stochastic On-road Vehicle CO 2 Emission using Grid Partitioning, Subtractive, and Fuzzy C-means Clustering. In 2021 IEEE 9th Region 10 Humanitarian Technology Conference (R10-HTC) (pp. 1-6). IEEE.
30. [30] Soroush, E., Mesbah, M., Hajilary, N., Rezakazemi, M., 2019. ANFIS modeling for prediction of CO2 solubility in potassium and sodium based amino acid Salt solutions. Journal of Environmental Chemical Engineering, 7(1), 102925.
31. [31] Agha, S. A., Balik, H. H., 2023, June. The application of ANFIS to prediction of the amount of emissions from an emitter activity to reduce climate change. In 2023 International Conference on Engineering, Science and Advanced Technology (ICESAT) (pp. 187-192). IEEE.
32. [32] Arévalo, P., Cano, A., Jurado, F. 2024. Large-scale integration of renewable energies by 2050 through demand prediction with ANFIS, Ecuador case study. Energy, 286, 129446.
33. [33] Enerji Atlası. (2023). Türkiye Elektrik Tüketimi. https://www.enerjiatlasi.com/. (Erişim tarihi: 2024-02-13).
34. [34] Türkiye İstatistik Kurumu (TÜİK). (2023). Aralık 2023 Dış Ticaret İstatistikleri. https://www.tuik.gov.tr/. https://ticaret.gov.tr/istatistikler/dis-ticaret-istatistikleri. (Erişim tarihi: 2024-02-13).
35. [35] Petrol İhracatçıları Birliği (PETDER). (2023). Aralık 2023 Akaryakıt Satış İstatistikleri. Petrolleri İhracatçıları Birliği. https://www.petder.org.tr/. (Erişim tarihi: 2024-02-13).
36. [36] Dünya Bankası. (2023). Türkiye Nüfus Sayıları. Dünya Bankası Veri Bankası. https://data.worldbank.org/. (Erişim tarihi: 2024-02-13).
37. [37] Türkiye İstatistik Kurumu (TÜİK). (2023). Ocak 2023 Motorlu Kara Taşıtları İstatistikleri.TürkiyeİstatistikKurumu.https://data.tuik.gov.tr/Bulten/Index?p=Motorlu-Kara-Ta%C5%9F%C4%B1tlar%C4%B1-Ocak-2023-49433&dil=1. (Erişim tarihi: 2024-02-13).
38. [38] T.C. Türkiye İstatistik Kurumu. (2023). Sera Gazı Emisyon İstatistikleri 1990-2021. [Web sitesi]. https://data.tuik.gov.tr/Bulten/Index?p=Sera-Gazi-Emisyon-Istatistikleri-1990-2021-49672. (Erişim tarihi: 2024-02-13).