Maschinelles Lernen zur Vorhersage von Kohlenstoffemissionen und der Verbindung von Wirtschaft und Land in IORA-Ländern: Ein neues Werkzeug für nachhaltige Entwicklung.

Wenn Entwicklung und Umwelt im Indischen Ozean aufeinandertreffen

Die Anrainerstaaten des Indischen Ozeans stehen vor einem klassischen Dilemma: Wie kann Wirtschaftswachstum gefördert werden, ohne die Umwelt zu opfern? Für die Mitgliedsstaaten der Indischen Ozean Anrainerverband (IORA), insbesondere Insel- oder Küstenwirtschaften wie Malaysia, Mauritius, Sri Lanka und Madagaskar, zwingt die Klimaverwundbarkeit politische Entscheidungsträger dazu, die Beziehung zwischen wirtschaftlicher Entwicklung und ökologischem Fußabdruck zu quantifizieren.

Eine in *Scientific Reports* veröffentlichte Studie versucht, mit maschinellem Lernen einen neuen Analyserahmen für dieses Dilemma zu bieten. Die Studie entwickelte ein Vorhersagemodell namens XOS-ELM-GA (Xavier Online Sequential Extreme Learning Machine with Genetic Algorithm), das historische CO₂-Emissionsdaten als Schlüsseleingabe nutzt, um die jährliche Veränderung des BIP und der landwirtschaftlichen Nutzfläche dieser Länder vorherzusagen.

Nichtlineare Erfassung jenseits traditioneller Regressionen

Traditionelle ökonomische Modelle nehmen oft lineare Beziehungen an, aber die Wechselwirkungen zwischen CO₂-Emissionen, Wirtschaftsoutput und Landnutzung sind von Natur aus nichtlinear und dynamisch. Die Forscher führten zunächst eine statistische Analyse historischer Daten von 1960–2020 durch und bestätigten signifikante Korrelationen zwischen CO₂-Emissionen und BIP sowie landwirtschaftlicher Nutzfläche. Einfache Regressionen sind jedoch nicht in der Lage, hochdimensionale, nichtstationäre Zeitreihen effizient zu verarbeiten.

Der Kern der Innovation von XOS-ELM-GA liegt darin: Durch Xavier-Gewichtsinitialisierung werden zufällige Schwankungen reduziert, kombiniert mit einem genetischen Algorithmus zur Parameteroptimierung, wodurch die hohe Vorhersageunsicherheit, Parameterempfindlichkeit und geringe Recheneffizienz herkömmlicher Extreme Learning Machines (ELM) überwunden werden. Tests in vier Ländern zeigten, dass das Modell bei der BIP-Vorhersage durchschnittliche SMAPE-Werte zwischen 10,13 % und 12,13 % erzielt, bei der Vorhersage landwirtschaftlicher Nutzfläche sogar nur 2,99 %–3,77 %, und damit deutlich besser abschneidet als Basislinienmodelle wie ELM und OS-ELM.

Vier Fallbeispiele, eine strukturelle Logik

Malaysia, Mauritius, Sri Lanka und Madagaskar repräsentieren verschiedene Entwicklungsstadien und Industriestrukturen innerhalb der IORA. Malaysia als Industrieland mit mittlerem Einkommen ist stark von CO₂-Emissionen und Produktionswachstum abhängig; Mauritius hat einen Wandel von der Landwirtschaft zur Dienstleistungswirtschaft vollzogen, dessen CO₂-Intensitätsänderung mit dem Strukturwandel einhergeht; Sri Lanka pendelt zwischen Tourismus und Landwirtschaft; Madagaskar ist auf Landwirtschaft angewiesen, aber durch geringe Industrialisierung eingeschränkt. Trotz erheblicher Unterschiede erfasste das maschinelle Lernmodell eine Gemeinsamkeit: CO₂-Emissionen können als zuverlässiger Proxy für die Vorhersage von Wirtschaftsaktivität und Landnutzungsänderungen dienen.

Diese Erkenntnis deutet darauf hin, dass bei hoher Verfügbarkeit von Umweltdaten Emissionsverläufe politischen Entscheidungsträgern Jahre im Voraus Signale über Veränderungen des BIP und der Ackerfläche liefern können. Für Entwicklungsländer mit unzureichenden detaillierten Wirtschaftsstatistiken könnte dies ein pragmatischer Weg zur schnellen Bewertung politischer Auswirkungen sein.

Von der Vorhersage zur Politik: Die Brücke zu den SDGsDie Studie stellt klar, dass sie keine Kausalzusammenhänge herstellen, sondern „prognostische Erkenntnisse auf Korrelationsbasis“ liefern will. Dieser prognostische Wert ist jedoch nicht zu unterschätzen. Die Umsetzung der UN-Nachhaltigkeitsziele (SDG) 8 (Menschenwürdige Arbeit und Wirtschaftswachstum), 13 (Maßnahmen zum Klimaschutz) und 15 (Leben an Land) in den IORA-Staaten wird oft durch Datenverzögerungen und Modellkomplexität eingeschränkt. Die Einfachheit von XOS-ELM-GA und seine Fähigkeit zum Online-Lernen ermöglichen es, kontinuierlich neue Daten aufzunehmen und nahezu Echtzeit-Prognosen zu liefern, was eine dynamische Anpassung der Reduktions- und Landnutzungspläne unterstützt.

Beispielsweise sind die Prognosefehler des Modells für die landwirtschaftliche Nutzfläche von Sri Lanka und Madagaskar äußerst gering, was bedeutet, dass Klimapolitiker die langfristigen Auswirkungen von Aufforstung oder landwirtschaftlicher Intensivierung auf das Kohlenstoffbudget mit größerer Zuversicht bewerten können.

Neue geostrategische Paradigmen durch KI

Diese Studie ist ein Mikrokosmos eines globalen Trends: Künstliche Intelligenz definiert die Analysegrenzen der Umweltökonomie neu. Mit der Entwicklung von Extremwert-Lernmaschinen und genetischen Algorithmen werden die Rechenengpässe traditioneller quantitativer Methoden zunehmend überwunden. Noch wichtiger ist, dass solche „datengetriebenen“ Modelle die Einstiegshürden für interdisziplinäre Forschung senken – Wirtschaftswissenschaftler müssen keine Klimawissenschaftler sein, Ökologen keine Algorithmenexperten, um mithilfe von Prognosewerkzeugen über gemeinsame Herausforderungen zu diskutieren.

Die IORA umfasst fast 3 Milliarden Menschen und ein Drittel des globalen Handelsvolumens. Wenn ähnliche Modelle auf andere Mitgliedsstaaten ausgeweitet werden könnten, würden sie nicht nur die nachhaltige Planung einzelner Länder unterstützen, sondern möglicherweise sogar regionale Koordinationsmechanismen hervorbringen. So könnten etwa grüne Investitionen zur Bekämpfung der Meeresverschmutzung durch Plastik oder zum Schutz von Mangroven zunächst durch die Modellierung wirtschaftlicher Erträge und Landnutzungskonflikte unter verschiedenen CO₂-Emissionsszenarien simuliert werden, bevor ein Konsens erzielt wird.

Grenzen und zukünftige Richtungen

Die Studie räumt auch ihre Einschränkungen ein: Die aktuellen Prognosen basieren auf historischen Korrelationen und können disruptive Technologien oder politische Umbrüche (z. B. die weit verbreitete Nutzung der Kohlenstoffabscheidung) nicht extrapolieren. Außerdem wird nur CO₂ als einzelne Umweltvariable verwendet, was andere Nachhaltigkeitsdimensionen wie Biodiversität und Wasserressourcen vernachlässigt. Zukünftige Arbeiten könnten mehr Satellitendaten (z. B. nächtliches Licht, Vegetationsindizes) integrieren und Multi-Task-Learning-Frameworks einführen, um mehrere SDG-Indikatoren gleichzeitig vorherzusagen.

Langfristig gesehen wird maschinelles Lernen die Strukturanalyse nicht ersetzen, aber es verschafft Entscheidungsträgern ein zusätzliches „operatives Zeitfenster“. Wenn IORA-Staaten bei Klimafinanzierungsverhandlungen um Mittel kämpfen, könnte ein auf lokalen Daten basierendes, peer-reviewtes Prognosemodell überzeugender wirken als abstrakte Versprechungen.

> Referenz: Xu, X., et al. (2026). Machine learning-based forecasting of CO₂-related economic growth and agricultural land change in IORA countries. *Scientific Reports*, 16, 21411. https://www.nature.com/articles/s41598-026-51807-1