建築環境由来炭素排出のファインスケールマッピング：高密度都市域向け多源データ融合と説明可能機械学習フレームワーク

Fine-scale mapping of built-environment carbon emissions: A multi-source data fusion and explainable machine learning framework for high-density urban regions (原題)

Ge Shi, Haoran Tang, Wei Wang, Chuang Chen, Jiantao Shi, Bo Wang, Lin Sun

Building and Environment📚 査読済 / ジャーナル2026-09-01#AI×ESGOrigin: CN対象セクター: real_estate

DOI: 10.1016/j.buildenv.2026.115199

原典: https://doi.org/10.1016/j.buildenv.2026.115199

🤖 gxceed AI 要約

日本語

高密度都市域を対象に、複数データ源を融合し説明可能な機械学習で建築環境由来の炭素排出を細粒度で推計するフレームワークを提示する研究。都市スケールの排出マッピング精度向上と、推計根拠の可視化による政策・計画への応用が期待される。

English

This work proposes a multi-source data fusion and explainable machine learning framework to map built-environment carbon emissions at fine spatial scales in high-density urban regions. It aims to improve urban emissions estimation accuracy while making model outputs interpretable for planning and policy use.

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

日本は都市部の建物ストックが大きく、自治体・企業のScope 3や不動産 decarbonization 把握に細粒度推計が有用。SSBJ対応や都市政策の基礎データとして読める。

In the global GX context

Fine-scale urban emissions mapping supports city-level climate accounting and feeds corporate Scope 3 / real-estate decarbonization under TCFD and ISSB. Explainable ML improves credibility of disclosed estimates for regulators and investors.

👥 読者別の含意

🔬研究者:都市炭素推計における多源データ融合と説明可能MLの手法設計の参考になる。

🏢実務担当者:自社不動産・拠点の排出把握やScope 3推計の精緻化に応用可能。

🏛政策担当者:自治体の排出インベントリや都市計画の根拠データとして活用しうる。

🔗 Provenance — このレコードを発見したソース

openalex https://doi.org/10.1016/j.buildenv.2026.115199first seen 2026-09-23 05:03:48

🔔 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。