Pembelajaran mesin meramalkan pelepasan karbon negara IORA dan hubungan ekonomi-tanah: Alat baru untuk pembangunan mampan

Apabila Pembangunan dan Alam Sekitar Bersilang di Sepanjang Pantai Lautan Hindi

Negara-negara di sepanjang pantai Lautan Hindi menghadapi dilema klasik: bagaimana untuk memacu pertumbuhan ekonomi tanpa mengorbankan alam sekitar? Bagi negara anggota Persatuan Pantai Lautan Hindi (IORA), terutamanya ekonomi pulau atau pesisir seperti Malaysia, Mauritius, Sri Lanka dan Madagascar, kerentanan iklim memaksa penggubal dasar untuk mengukur hubungan antara pembangunan ekonomi dan jejak ekologi.

Satu kajian yang diterbitkan dalam *Scientific Reports* cuba menyediakan rangka kerja analisis baharu untuk masalah ini menggunakan pembelajaran mesin. Kajian ini membina model ramalan bernama XOS-ELM-GA (Xavier Online Sequential Extreme Learning Machine with Genetic Algorithm), yang menggunakan data sejarah pelepasan CO₂ sebagai input utama untuk meramalkan perubahan dalam KDNK tahunan dan keluasan tanah pertanian negara-negara ini.

Tangkapan Tidak Linear Melangkaui Regresi Tradisional

Model ekonomi tradisional sering menganggap hubungan linear, tetapi interaksi antara pelepasan karbon, output ekonomi dan guna tanah adalah semula jadi tidak linear dan dinamik. Para penyelidik mula-mula menjalankan analisis statistik ke atas data sejarah dari 1960–2020, mengesahkan korelasi signifikan antara pelepasan CO₂ dengan KDNK dan tanah pertanian. Walau bagaimanapun, regresi mudah tidak cekap mengendalikan siri masa berdimensi tinggi dan tidak pegun.

Inovasi teras XOS-ELM-GA terletak pada: melalui inisialisasi pemberat Xavier untuk mengurangkan turun naik rawak, digabungkan dengan algoritma genetik untuk mengoptimumkan parameter, ia mengatasi kelemahan seperti ketidakpastian ramalan tinggi, kepekaan parameter dan kecekapan pengiraan rendah dalam Mesin Pembelajaran Melampau (ELM) tradisional. Ujian ke atas empat negara menunjukkan bahawa model ini mencapai nilai SMAPE purata antara 10.13% hingga 12.13% dalam ramalan KDNK, dan serendah 2.99% hingga 3.77% dalam ramalan tanah pertanian, jauh lebih baik daripada model asas seperti ELM dan OS-ELM.

Empat Kajian Kes, Satu Logik Struktural

Malaysia, Mauritius, Sri Lanka dan Madagascar masing-masing mewakili peringkat pembangunan dan struktur industri yang berbeza dalam IORA. Malaysia sebagai negara perindustrian berpendapatan sederhana, pelepasan karbon berkait rapat dengan pertumbuhan pembuatan; Mauritius pula telah melalui peralihan daripada pertanian kepada perkhidmatan, dengan perubahan intensiti karbon selari dengan peningkatan struktur ekonomi; Sri Lanka goyah antara pelancongan dan pertanian; manakala Madagascar bergantung kepada pertanian tetapi terhad oleh perindustrian yang rendah. Walaupun perbezaannya ketara, model pembelajaran mesin menangkap satu persamaan: pelepasan CO₂ boleh berfungsi sebagai pemboleh ubah proksi yang boleh dipercayai untuk meramalkan aktiviti ekonomi dan perubahan tanah.

Penemuan ini membayangkan bahawa, dalam keadaan data alam sekitar yang mudah didapati, trajektori pelepasan boleh memberikan isyarat kepada penggubal dasar tentang arah perubahan KDNK dan tanah pertanian beberapa tahun lebih awal. Bagi negara membangun yang kekurangan statistik ekonomi terperinci, ini mungkin cara pragmatik untuk menilai kesan dasar dengan cepat.

Daripada Ramalan kepada Dasar: Jambatan SDG## Dari Ramalan ke Dasar: Jambatan SDG

Kajian ini jelas tidak bertujuan untuk mewujudkan hubungan sebab akibat, tetapi menyediakan "ramalan berdasarkan korelasi." Namun, nilai ramalan ini tidak boleh dipandang remeh. Pelaksanaan Matlamat Pembangunan Mampan (SDG) Pertubuhan Bangsa-Bangsa Bersatu 8 (Pekerjaan Layak dan Pertumbuhan Ekonomi), 13 (Tindakan Iklim) dan 15 (Kehidupan Daratan) di negara-negara IORA sering terhad oleh kelewatan data dan kerumitan model. Kesederhanaan XOS-ELM-GA dan keupayaan pembelajaran dalam talian membolehkannya menyerap data baharu secara berterusan, menghasilkan ramalan hampir masa nyata, seterusnya menyokong pelarasan dinamik dalam pengurangan pelepasan dan perancangan guna tanah.

Sebagai contoh, model ini menunjukkan ralat ramalan yang sangat kecil bagi keluasan tanah pertanian di Sri Lanka dan Madagascar, bermakna penggubal dasar iklim boleh menilai dengan lebih yakin kesan jangka panjang penghutanan semula atau intensifikasi pertanian terhadap bajet karbon.

Paradigma Geoekonomi Baharu Pacuan AI

Kajian ini adalah sebahagian daripada trend global: kecerdasan buatan sedang mentakrifkan semula sempadan analisis ekonomi alam sekitar. Dengan perkembangan teknologi seperti mesin pembelajaran ekstrem dan algoritma genetik, kesesakan pengiraan kaedah kuantitatif tradisional sedang dipecahkan. Lebih penting lagi, model "pacu data" sebegini menurunkan ambang penyelidikan rentas disiplin – ahli ekonomi tidak perlu mahir dalam sains iklim, ahli ekologi tidak perlu menjadi pakar algoritma, malah boleh menggunakan alat ramalan untuk berdialog mengenai cabaran bersama.

IORA meliputi hampir 3 bilion penduduk, merangkumi satu pertiga daripada perdagangan global. Jika model serupa boleh diperluaskan ke negara anggota lain, ia bukan sahaja membantu perancangan mampan sesebuah negara, malah mungkin mencetuskan mekanisme penyelarasan di peringkat serantau. Sebagai contoh, bagi pelaburan hijau untuk pencemaran plastik lautan atau perlindungan hutan bakau, model boleh mensimulasikan pulangan ekonomi dan pertukaran guna tanah di bawah senario pelepasan karbon berbeza sebelum mencapai konsensus.

Batasan dan Hala Tuju Masa Depan

Kajian ini juga mengakui batasannya: ramalan semasa adalah berdasarkan korelasi sejarah, tidak boleh mengekstrapolasi teknologi disruptif atau perubahan dasar mendadak (contohnya penggunaan penangkapan karbon secara besar-besaran). Selain itu, hanya menggunakan CO₂ sebagai pembolehubah alam sekitar tunggal mengabaikan dimensi kemampanan lain seperti biodiversiti dan sumber air. Kerja masa depan boleh mengintegrasikan lebih banyak data penderiaan jauh satelit (seperti lampu malam, indeks tumbuh-tumbuhan), memperkenalkan rangka kerja pembelajaran pelbagai tugas, sambil meramal beberapa penunjuk SDG secara serentak.

Dalam jangka panjang, pembelajaran mesin tidak akan menggantikan analisis struktur, tetapi ia memberi pembuat dasar satu "tetingkap masa yang boleh dikendalikan." Apabila negara-negara IORA mendapatkan pembiayaan dalam rundingan pembiayaan iklim, model ramalan berdasarkan data tempatan dan disemak rakan sebaya mungkin lebih meyakinkan daripada janji abstrak.

> Sumber rujukan: 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