کک متالورژی، مس، سنگ‌آهن، طلا و نیکل به ترتیب با ۲۳۰، ۷۵، ۷۰، ۴۵ و ۲۰‌میلیون تن بیشترین میزان انتشار CO۲ را در جهان در بخش مربوط به استخراج به خود اختصاص داده‌‌‌‌‌‌اند، در صورتی‌که فرض بر این باشد که به ازای هر تن انتشار گاز CO۲، ۵۰ دلار مالیات (Carbon Tax) کربن اعمال شود، در این صورت سهم مالیات کربن از قیمت بازاری کک‌متالورژی از همه مواد معدنی بیشتر خواهد بود. به‌عبارت بهتر سهم مالیات کربن از قیمت بازاری کک متالورژی در حدود ۵/ ۶‌درصد خواهد بود. این نسبت برای سنگ‌آهن کمتر از ۲‌درصد و برای نیکل، پتاس و مس بیش از ۳‌درصد برآورد شده است.

در زمان استخراج زغال‌سنگ گاز متان در جو آزادشده و مقدار متان آزاد‌شده زغال‌سنگ با افزایش عمق استخراج بیشتر می‌شود. به‌عنوان مثال، یک معدن زیرزمینی با عمق ۲۰۰ تا ۴۰۰ متر، تقریبا ۱۵برابر بیشتر از یک معدن روباز معمولی متان منتشر می‌کند، در حالی‌که معادن زیرزمینی سوخت بسیار کمتری استفاده می‌کنند، گرد و غبار کمتری تولید می‌کنند و به‌طور کلی آسیب کمتری به محیط‌زیست محلی می‌زنند، اما همچنان میزان انتشار گازهای گلخانه‌ای بسیار بالاتری دارند.

همان‌طور که اشاره شد افزایش خلوص سنگ‌آهن می‌تواند منجر به افزایش انتشار گازهای گلخانه‌‌‌‌‌‌ای در فرآیند استخراج شود، اما در فرآیند تولید فولاد به روش کوره‌بلند با افزایش خلوص سنگ‌آهن میزان مصرف انرژی و انتشار گاز گلخانه‌‌‌‌‌‌ای به‌طور محسوسی کاهش پیدا می‌کند. به‌طور کلی، با لحاظ‌کردن اثر قیمت کک متالورژی و سنگ‌آهن، صنعت فولاد یکی از صنایع اصلی تاثیرپذیر از مالیات کربن به‌‌‌‌‌‌خصوص در بخش بالادستی خواهد بود. همچنین برخلاف کالاهای فله زغال‌سنگ و سنگ‌آهن، نیکل دارای یک زنجیره ارزش بسیار پیچیده و با مسیرهای فرآوری و محصولات متعدد بوده که تفاوت در هر زنجیره نوع مختلفی انتشار گاز گلخانه‌‌‌‌‌‌ای را در پی خواهد داشت، اما به‌طور کلی زنجیره ارزش نیکل انتشار قابل‌توجه کربن را به‌همراه دارد.

تجربه شرکت‌های بزرگ نشان می‌دهد استفاده از یادگیری ماشینی (Machine learning) و تغییرات استراتژی مدیریتی می‌تواند در کوتاه‌مدت و با کمترین هزینه، کارآیی استخراج (با کاهش هزینه تولید) را افزایش دهد. استفاده از روش‌های مبتنی بر یادگیری ماشینی و داده‌‌‌‌‌‌های موجود می‌تواند به‌صورت قابل‌توجهی انتشار کربن را کاهش دهد، در حالی‌که استفاده از سایر فناوری‌های جایگزین منجر به افزایش هزینه‌‌‌‌‌‌های سرمایه‌‌‌‌‌‌گذاری خواهد شد و همچنین زمان اثرگذاری را نیز طولانی‌تر می‌کند. یک پلتفرم یادگیری ماشینی با اتصال مدیریت ناوگان، مدیریت دارایی‌ها، اینترنت اشیاء ماشین و سایر داده‌‌‌‌‌‌های عملیاتی (به‌عنوان مثال، فشار باد لاستیک، طرح‌‌‌‌‌‌بندی جاده و کیفیت راه‌‌‌‌‌‌ها و سنسورها و کیفیت سوخت و...) می‌تواند نوعی ساختار بهره‌‌‌‌‌‌ور برای بهبود راندمان مصرف سوخت در معادن را ایجاد کند.

مطالعات انجام‌شده توسط مکنزی (McKinney) نشان می‌دهد اثرات بهره‌‌‌‌‌‌گیری از روش یادگیری ماشینی بر پایه اطلاعات موجود اثر قابل‌ملاحظه‌‌‌‌‌‌ای بر کاهش هزینه تولید و انتشار آلاینده‌‌‌‌‌‌ها دارد. در این مطالعه یک معدن روباز با ۵۵ کامیون ۲۲۰ تن، مصرف سالانه ۵۰‌میلیون لیتر سوخت (۳۰ الی ۴۰‌درصد هزینه تولید) و انتشار بیش از ۱۳۰‌هزارتن CO۲ فرض‌شده است. در این معدن با استفاده از روش یادگیری ماشینی سالانه بین ۴ الی ۷‌میلیون دلار هزینه تولید کاهش خواهد یافت. به‌عبارت دیگر، سالانه ۵ الی ۱۰‌درصد در مصرف سوخت صرفه‌جویی شده که این میزان معادل کاهش هزینه تولید سالانه ۳ الی ۶‌میلیون دلار خواهد بود. همچنین در شرایط ذکر‌شده شاهد کاهش سالانه ۱۵‌هزارتن انتشار CO۲ هستیم که کاهش هزینه تولید ۵/ ۰ الی ۱/ ۱‌میلیون دلاری را به ارمغان می‌آورد.

همچنین برآوردها نشان می‌دهد که ارتقای هدفمند ۲۰‌درصدی اپراتورهای تولید در معادن می‌تواند منجر به کاهش ۸۰‌درصدی مصرف سوخت شود. این ارتقای هدفمند به‌جزئیات بیشتری از ابرازهای حمل‌ونقل تولید (مانند جزئیات مسیرهای حمل‌ونقل، دمای احتراق موتورها، تمرکز بر عملکرد سیستم انتقال قدرت و سایر موارد) نیاز دارد.

فشار بر شرکت‌های معدنی به‌منظور کربن‌زدایی در فعالیت‌های تولیدی خود، با توجه به روند برنامه‌های جهانی در آینده با افزایش همراه خواهد بود؛ زیرا سهامداران دولتی و خصوصی خواستار شفافیت و اقدام بیشتر در مورد این موضوع به‌عنوان بخشی از نگرانی‌های زیست‌‌‌‌‌‌محیطی، اجتماعی و حاکمیتی هستند. افزایش هزینه‌‌‌‌‌‌های تولید به‌خصوص در بخش انرژی اهمیت بهره‌‌‌‌‌‌وری سوخت و کاهش انتشار کربن را برای معادن بیش از گذشته بااهمیت ساخته است. برخی از تغییرات کم‌هزینه مانند جمع‌آوری داده‌‌‌‌‌‌ها و تجزیه و تحلیل پیشرفته، امکانات بسیار متمایزی را در اختیار معادن قرار می‌دهد. جهت دستیابی به یک معدن کربن صفر استخراج‌‌‌‌‌‌کنندگان ابتدا باید ردپای واقعی کربن را در فرآیندهای خود درک کنند و سپس اهرم‌‌‌‌‌‌هایی را شناسایی و به‌کار گیرند که می‌توانند بیشترین کاهش انتشار کربن را در سرتاسر سبد محصولات آنها ایجاد کنند. علاوه‌بر یادگیری ماشینی چندین ابتکار بالقوه برای حرکت به سمت دستیابی به یک معدن کربن‌صفر وجود دارد، مانند استفاده از فناوری تولید برق تجدیدپذیر، بهره‌‌‌‌‌‌گیری از نوآوری‌‌‌‌‌‌هایی برای جذب متان و برق‌‌‌‌‌‌رسانی ناوگان حمل‌ونقل.