GeoAI対応デジタルツインにおける都市炭素フラックスの時空間グラフマルチエージェントモデリング

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:This paper introduces a novel integration of multi-agent reinforcement learning and graph neural networks for urban carbon modeling, offering a new paradigm for researchers in AI for sustainability.

🏢実務担当者:Corporate sustainability teams can leverage this model for more accurate carbon accounting at urban or district scale, improving net-zero planning and reporting.

🏛政策担当者:Urban policymakers can use this model to simulate the impact of carbon pricing and district heating policies before implementation, supporting evidence-based climate action.

都市炭素フラックス推定は、ネットゼロ計画にとって依然として重要な課題であり、従来のプロセスベースモデルは、人間の意思決定と物理システム間の動的かつ多規模な相互作用を捉えることができない。我々は、時空間グラフマルチエージェント炭素フラックスモデル（STG-MACFM）を提案する。この学習駆動型フレームワークは、GeoAI対応デジタルツイン内に埋め込まれた階層的エージェントアーキテクチャにより、静的な排出インベントリを置き換える。本モデルは、都市領域を多数の局所エージェントに分解し、各エージェントは建物または近隣ユニットを表す。これらのエージェントは、リアルタイムのエネルギー消費、気象データ、建物形状から導出された局所状態を維持し、近接方策最適化を通じて最適な介入方策を学習する。各エージェント内の時間的注意機構は、建材の熱慣性や政策変更に対する居住者の遅延応答などの遅延フィードバックループを捕捉する。次に、グローバルコーディネーターは、グラフ注意ネットワークを用いて動的な都市トポロジーグラフを構築し、エッジ重みは風によるCO₂拡散や共有グリッド制約などの時空間依存性を符号化する。このコーディネーターは、グラフ畳み込みネットワークを通じて局所状態を集約し、炭素価格設定率や地域暖房設定値などの都市全体の戦略を生成する。グローバル方策は、総排出量と空間的不平等の両方を罰する報酬関数を備えたマルチエージェント深層決定性方策勾配の変種により最適化される。提案モデルは、既存のデータ層およびシミュレーションモジュールとシームレスに統合され、静的な排出係数を文脈認識型のリアルタイム値に置き換える。さらに、局所エージェントの行動とグローバルな戦略的介入との間の閉ループ結合により、デジタルツインは複雑なクロススケールの社会環境相互作用を高忠実度でシミュレートできる。本研究は、適応的でグラフベースの調整が rigid なトップダウン推定を置き換える都市炭素モデリングの新しいパラダイムを導入し、ネットゼロシナリオ最適化のためのより現実的な基盤を提供する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Urban carbon flux estimation remains a critical challenge for net-zero planning, as conventional process-based models fail to capture the dynamic, multi-scale interactions between human decisions and physical systems. We propose the Spatio-Temporal Graph Multi-Agent Carbon Flux Model (STG-MACFM). This learning-driven framework replaces static emission inventories with a hierarchical agent architecture embedded within a GeoAI-enabled digital twin. The model decomposes the urban domain into numerous localised agents, each representing a building or neighbourhood unit. These agents maintain local states derived from real-time energy consumption, meteorological data, and building geometry, and they learn optimal intervention policies through proximal policy optimisation. A temporal attention mechanism within each agent captures delayed feedback loops, such as the thermal inertia of building materials or lagged occupant responses to policy changes. A global coordinator then constructs a dynamic urban topology graph using a graph attention network, where edge weights encode spatiotemporal dependencies like wind-driven CO₂ dispersion or shared grid constraints. This coordinator aggregates local states through a graph convolutional network to produce city-wide strategies, including carbon pricing rates or district heating setpoints. The global policy is optimised via a multi-agent deep deterministic policy gradient variant, with a reward function that penalises both total emissions and spatial inequity. The proposed model integrates seamlessly with existing data layers and simulation modules, replacing static emission factors with context-aware, real-time values. Furthermore, the closed-loop coupling between local agent behaviours and global strategic interventions enables the digital twin to simulate complex cross-scale socio-environmental interactions with high fidelity. This work introduces a novel paradigm for urban carbon modelling, where adaptive, graph-based coordination replaces rigid, top-down estimation, thereby offering a more realistic foundation for net-zero scenario optimisation.

• Zenodo https://zenodo.org/records/21531393first seen 2026-07-25 04:11:34 · last seen 2026-08-07 04:17:09