XGBoostモデルとGeoShapley法の統合による炭素収支の空間連関が都市レジリエンスに与える影響の解明
Integrating the XGBoost Model and GeoShapley Method to Reveal the Impacts of Carbon Balance Spatial Linkages on Urban Resilience (原題)
(著者不明)
🤖 gxceed AI 要約
日本語
本研究は、炭素収支（CB）の空間的連関と都市レジリエンス（UR）の関係を、空間機械学習アプローチで分析する。XGBoostとGeoShapleyを統合し、長江デルタ地域を対象に、炭素収支ネットワークの構造的特徴がURに与える非線形効果と閾値パターンを明らかにした。都市化レベルと産業構造高度化がその効果を調整することを示し、低炭素・高レジリエンスの協調的発展への示唆を提供する。
English
This study examines how spatial linkages of carbon balance (CB) influence urban resilience (UR) using a spatial machine learning approach. Integrating XGBoost and GeoShapley, it analyzes the Yangtze River Delta to reveal nonlinear and threshold effects of CB network features on UR, moderated by urbanization and industrial upgrading. Findings offer implications for coordinated low-carbon and high-resilience urban development.
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
日本では都市レジリエンスと脱炭素の統合は国土交通省や自治体の政策課題であり、空間的炭素収支分析は地域脱炭素計画やSSBJの地域スコープ3管理に示唆を与える。ただし日本事例ではないため直接的な政策連動は限定的。
In the global GX context
Globally, this contributes to the growing use of interpretable machine learning in climate-risk and urban resilience research, complementing TCFD/ISSB physical risk assessments. It offers a methodological template for spatial carbon-balance analysis that could inform city-level transition planning, though its empirical focus is China.
👥 読者別の含意
🔬研究者:空間機械学習と炭素収支ネットワーク分析を組み合わせた手法は、都市レジリエンス研究に新たな視点を提供する。
🏢実務担当者:地域の炭素収支ネットワークを考慮したレジリエンス評価は、自治体や企業の立地戦略・サプライチェーン強靭化に活用可能。
🏛政策担当者:都市間連携を促す炭素収支ネットワークの強化が、低炭素かつ高レジリエンスな地域計画に有効であることを示唆。
📄 Abstract（原文）
Although many studies have examined the relationship between carbon emissions and Urban Resilience (UR), regional Carbon Balance (CB) network interactions remain underexplored. Existing studies mainly apply interpretable machine learning methods, especially the SHAP framework. However, they often ignore the spatial dependence of regional data. To address this gap, this study adopts a spatial network perspective and a spatial machine learning approach to examine the relationship between CB spatial linkages and UR. By integrating carbon emission data, Net Primary Productivity data, and multi‐source urban indicators, an XGBoost GeoShapley framework is constructed to analyze the Yangtze River Delta (YRD) and assess how CB spatial connections influence UR. The main results are as follows. (1) The Carbon Balance Network (CBN) exhibits progressively strengthening connectivity over time, with intercity linkages increasing across the region. Shanghai, Suzhou, Wuxi, and Nanjing remain core nodes, while Hefei and Yangzhou gain influence, indicating a more diversified network structure. (2) Among CBN structural features, betweenness shows the strongest marginal contribution and jointly influences UR with socioeconomic factors. (3) CBN variables exert significant nonlinear effects on UR, and clear threshold patterns are observed. (4) Interaction results indicate that urbanization level and industrial structure upgrading significantly moderate CBN effects on UR. These findings provide implications for promoting coordinated high resilience and low carbon development in the YRD urban agglomeration.
🔗 Provenance — このレコードを発見したソース
- semanticscholar https://doi.org/10.1111/tgis.70385first seen 2026-09-12 05:56:57 · last seen 2026-09-21 05:23:03
🔔 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。