都市暖房エネルギー源推定のための機械学習：都市脱炭素化支援に向けて
MACHINE LEARNING FOR URBAN HEATING VECTOR ESTIMATION TO SUPPORT CITY DECARBONIZATION (原題)
Elena Usobiaga Ferrer, Manuel Benito, Aitor Goitia, Ana Mera
🤖 gxceed AI 要約
日本語
スペインの公開台帳・国勢調査・エネルギー性能証明データを用い、住宅暖房のエネルギー源をXGBoostで推定した研究。空間特徴量を加えると精度は最大73.6%に達し、近隣のエネルギー確率が最も寄与した。一方、実測データのない都市への転移では建物単位一致率が54.6%にとどまり、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
Using open cadastral, census, and EPC data from Spain, XGBoost classifiers predicted residential heating energy vectors. Spatially aware models reached up to 73.6% accuracy, with neighbour energy probabilities providing the largest gain. Transfer to cities without ground truth proved unstable (54.6% agreement), highlighting the need for neighbourhood-level ground-truth data for reliable city-scale decarbonization planning.
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改修支援において、既存建物のエネルギー源を推定する手法は、自治体の温暖化対策実行計画や住宅・建築物の脱炭素化施策に応用可能。特に台帳データと機械学習を組み合わせたアプローチは、日本版の住宅・建築物カルテ整備や地域エネルギー計画の高度化に示唆を与える。
In the global GX context
This study contributes to the global push for city-level decarbonization by demonstrating how machine learning can estimate building energy vectors from open data, supporting urban energy planning and building stock decarbonization. It aligns with the EU's building renovation wave and EPC frameworks, offering a transferable methodology for cities worldwide, while cautioning about data gaps in scaling.
👥 読者別の含意
🔬研究者:機械学習による建物エネルギー源推定の精度と転移可能性に関する実証的知見を提供。
🏢実務担当者:自治体やエネルギー事業者が、既存建物の暖房エネルギー源を推定し、脱炭素化計画に活用する際の手法と限界を理解できる。
🏛政策担当者:都市脱炭素化政策において、建物ストックのエネルギー源データ整備の重要性と、機械学習活用時のデータ収集要件を示唆。
📄 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/10.66838/sauc.6407first seen 2026-10-02 05:58:19
🔔 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。