都市脱炭素化を支援する都市暖房ベクター推定のための機械学習
Machine Learning for Urban Heating Vector Estimation to Support City Decarbonization (原題)
Elena Usobiaga Ferrer
🤖 gxceed AI 要約
日本語
スペインの住宅暖房エネルギーベクターを、公開地籍・国勢調査・エネルギー性能証明書データを用いたXGBoost分類器で予測した研究。空間特徴量を考慮したモデルは最大73.6%の精度を達成し、隣接建物のエネルギー確率が最も貢献した。ただし実測値のない都市への転移では精度が54.6%に低下し、都市規模予測には近隣レベルの実測データ収集が不可欠と示した。
English
XGBoost classifiers predicted residential heating energy vectors in Spain using open cadastral, census, and EPC data. Spatially aware models reached 73.6% accuracy, with neighbour energy probabilities providing the largest gain. Transfer to cities without ground truth dropped to 54.6% agreement, highlighting the need for neighbourhood-level ground-truth collection for reliable city-scale predictions.
Unofficial AI-generated summary based on the public title and abstract. Not an official translation.
📝 gxceed 編集解説 — Why this matters
日本のGX文脈において
日本では都市部の脱炭素化計画や建築物の省エネ性能評価が進む中、公開データとMLを組み合わせた暖房ベクター推定は、自治体の効果的な政策立案や補助金設計に資する可能性がある。ただし日本での適用にはデータ整備と地域特性の考慮が課題となる。
In the global GX context
This study demonstrates a scalable ML approach for estimating heating energy vectors, relevant to global urban decarbonization and building stock modelling. It underscores data availability challenges that also affect EU and other regions pursuing city-level climate action plans.
👥 読者別の含意
🔬研究者:MLと都市データを組み合わせたエネルギー推定手法の可能性と限界を示す。
🏢実務担当者:自社の都市レベル省エネ計画や顧客の脱炭素支援に活用できる可能性がある。
🏛政策担当者:都市脱炭素政策の立案に際し、データ収集の重要性とML活用の有効性を示唆。
📄 Abstract（原文）
To support urban decarbonization, XGBoost classifiers were developed to predict residential heating energy vectors in Spain using open cadastral, census, and Energy Performance Certificate data. Training across climate zones C1, D1, and D3 evaluated the impact of non-spatial, coordinate-derived, and neighbour-corpus features. Spatially aware models achieved up to 73.6% accuracy, with neighbour energy probabilities providing the most significant gain and reducing misclassification clustering. However, transfer to cities without ground truth revealed instability (54.6% building-level agreement), underscoring the necessity of neighbourhood-level ground-truth collection to ensure reliable city-scale predictions.
🔗 Provenance — このレコードを発見したソース
- crossref https://doi.org/10.62161/sauc.v12.6400first seen 2026-09-13 05:37:23 · last seen 2026-09-19 06:23:11
🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。
gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。