機械学習を使用してヨーロッパの都市の気候緩和パフォーマンスを予測する

Nature Communications volume 13、記事番号: 7487 (2022) この記事を引用

4466 アクセス

31 オルトメトリック

メトリクスの詳細

都市は気候変動の主体として著名になっているが、排出量データの不足がそのパフォーマンスを評価する上での主な課題となっている。 ここでは、2001 年から 2018 年までのヨーロッパのほぼすべての地方行政区域の緩和パフォーマンスを評価するための、スケーラブルで複製可能な機械学習アプローチを開発します。 公開されている空間的に明示的な環境および社会経済データと、ヨーロッパの都市からの自己申告排出量データを組み合わせることにより、年間の二酸化炭素排出量を予測し、都市規模の緩和パフォーマンスの傾向を調査します。 国境を越えた気候変動への取り組みに参加しているヨーロッパの都市は、2001 年以降排出量が減少している可能性が高く、半数をわずかに上回る都市が 2020 年の排出量削減目標を達成している可能性が高いことがわかりました。 排出量データを報告している都市は、データを報告していない都市よりも大きな削減を達成している可能性が高くなります。 限界はあるものの、私たちのモデルは、都市レベルの気候排出削減パフォーマンスを理解するための、再現可能でスケーラブルな出発点を提供します。

研究者や政策立案者が都市自体が強力な政策主体としてますます注目するようになったため、近年、世界的な持続可能性政策の議題において都市の重要性が高まっています。 世界の 10,000 以上の都市が、さまざまな形での気候緩和、適応、資金調達活動を約束しており、多くの場合、これらの自治体は複数の自発的な国境を越えた気候変動への取り組みに参加しています1。 これらの取り組みの要件の一部として、都市は、国の政府の指令2に従って、または自らの意志で、気候変動の緩和と、頻度は低いものの適応に取り組むための戦略と政策を明確にします。 主に都市は、温室効果ガス排出削減目標を中心とした緩和戦略を打ち出しており、多くの場合、持続可能な交通機関の利用の増加、公共および自治体の建物の照明効率の向上、エネルギー効率基準の採用、市民の行動を促すための気候意識の促進に重点を置いた政策を通じて達成されます。 、その他の領域3、4。

都市緩和の取り組みを詳述する現在の戦略や政策は何千もあるが、Milojevic-Dupont と Croutzig5 が指摘しているように、これらの措置の効果についてはほとんど理解されていません。 こうした知識のギャップにより、政策立案者は都市部で「どの対策が適切で影響力があるのか​​見当がつかなくなり」、緩和目標を達成するために計画やインフラ投資に関してどのような「日常の決定」を下すべきかが分からなくなる。 一般的な都市気候政策や戦略による排出削減についてはほとんど知られておらず、気候変動に関する政府間パネル（IPCC）の第 5 次評価報告書（AR5）の人間居住に関する第 12 章で認められている重要な情報の欠落部分である5,6。

学者らは、国境を越えた気候ガバナンスへの都市の関与は「特定の条件下では温室効果ガス排出を抑制するための行動を加速させる可能性がある」と主張している7。 この主張を裏付ける証拠は乏しいため、どのような条件がこの影響を与えるかを正確に予測することは困難です。 国境を越えた気候変動への取り組みでは、通常、気候行動計画の報告と、緩和目標が達成されているかどうかを評価するための排出量目録の形での定期的なモニタリングが必要ですが、実際には、これらの要件を満たしているのは地方主体のほんの一部だけです8,9。 Hsu ら 10 は、EU 気候とエネルギーに関する市長規約 (EUCoM) イニシアチブに署名した 9,000 を超える都市のうち、排出量データを報告した都市はわずか約 15% であり、排出量データを報告した都市はさらに少ない (約 11%) ことを発見しました。は、基準となる排出量インベントリと、自主的な削減目標に向けた進捗状況を追跡するために必要な追加の 1 年間の排出量インベントリデータの両方を報告しました。 排出量データが入手可能であっても、入手可能なデータポイントが限られていること、基礎となる方法論に関する透明性が全般的に欠如していること、標準化された会計アプローチが欠如していることなどにより、比較できないことがよくあります。 Ibrahim et al.11 は、7 つの異なる都市規模の温室効果ガス排出量インベントリのプロトコルと方法論を評価し、都市には共通の報告基準またはアプローチが必要であると結論付けました。 参加者の排出データを適切に比較できるように、排出範囲、特にスコープ 3 のサプライチェーン排出など、さまざまな規格の定義の違いに対処する必要があります。

機械学習 (ML) は、一般的な種類のノンパラメトリック、非線形統計モデリング アプローチと、人間の学習をシミュレートするために通常大規模なデータセットに適用される計算アルゴリズムの最近の進歩により、これらの難しい排出量データの課題を克服するのに役立つ可能性があります 12。 この研究では、ML 主導のアプローチを採用して、2001 年から 2018 年までの欧州連合と英国のほぼすべての地方自治体の関係者の緩和パフォーマンスを推定および評価しました。私たちの手法は、空間境界と地理空間予測子を特定するプロセスを開発します。最大規模の自主的な国境を越えた気候ガバナンスイニシアチブの 1 つである EUCoM に参加している各地方自治体および地方自治体が、約 6,000 の EUCoM 都市からの自己報告された炭素排出量インベントリ データを、極端な勾配ブースティング モデルのトレーニング データとして利用します。 私たちの知る限り、結果として得られるデータセットは、都市レベルの炭素排出量と緩和パフォーマンスを評価するために使用される最も包括的な時系列データセットです。 これらのデータを適用して、ヨーロッパの都市の 3 つのグループのパフォーマンスを評価します。少なくとも 1 年間の排出量データを報告した「報告」都市。 自発的な気候変動対策を約束しているものの、排出量データを報告していない「参加」都市。 最後に、参加者ではない地方行政単位 (LAU) を代表する「外部」都市です。

図 1a は、都市レベルの依存変数 (自己申告の「排出量」) と独立変数 (暖房日数、化石燃料 CO2、1 人当たり GDP など) との相関関係を示しています。 私たちは、報告された排出量インベントリデータと人為起源二酸化炭素オープンデータインベントリ（ODIAC）13からの固定化石燃料によるCO2排出量との間（r2 = 0.81）、および排出量と人口の間（r2 = 0.89）との間に強い正の相関関係があることを発見しました。 。 人口と固定化石燃料による CO2 排出量にも高い相関関係があり (r2 = 0.79)、夜間照明の強度の使用を通じてこれらのデータとエネルギー消費、経済活動、および化石燃料排出量との関係を実証した先行研究が裏付けられました 14。 私たちの分析では、自己申告による排出量データと一人当たり GDP (r2 = 0.03) または微粒子による大気汚染 (PM2.5; r2 = 0) との間に強い関連性があることは示されませんでした。 私たちは、固定化石燃料による CO2 排出量と人口が、都市の自己申告排出量データの主な予測因子であり、排出量モデルへの寄与または重要性が最も高いと判断しました (図 1b)。 図 1b は、検討した上位 6 つの機能それぞれの重要性のゲイン値を示しています。 ゲイン値は、各属性の分割によってモデルのパフォーマンスが向上する量によって決定され、ノードの観測値の数によって重み付けされます。 最終モデルを決定するためのグリッド検索プロセスとパラメーター調整の詳細については、「メソッド」を参照してください。

a 都市気候排出量のさまざまな予測因子間の関係を示す相関行列。 b 排出量の予測モデルに対するさまざまな予測変数の重要性。 XGBoost モデルでの意思決定に属性が利用されるほど、その特徴の重要性が高く決定されます。

私たちは、基礎となる空間データがある約 92,636 の都市または地方行政単位 (LAU) の排出量を予測しました (補足表 2)。 図 2 は、都市の自己申告による排出量データの散布図を、モデルの予測排出量データと比較して示しています。 結果として得られる r2 = 0.91 は、私たちのモデルが都市の自己申告による排出量インベントリ全体を強力に予測していることを示しています。 さらに、ヨーロッパの都市の排出量データを報告する他の研究で、予測排出量を検証しました。その中には、ヨーロッパの 10 万以上の都市の 2018 年の直接（スコープ 1）排出量を推定する Moran ら 15 や、自己排出量を組み合わせた Nangini ら 16 などがあります。世界 343 都市の在庫を他のデータとともに報告しました。 私たちの予測データとこれらの他の研究の間には、公正な相関関係（Moran et al.15でr2 = 0.57、Nangini et al.16でr2 = 0.62）が見つかりました（補足図7）。 図 2b には、国ごとの自己申告排出量データと予測排出量データも示されており、これにより、モデルまたは予測データにおける潜在的な偏心について詳しく調べることができます。 ウクライナなどの一部の国では、モデルのパフォーマンスが低く (r2 = 0.02)、一部の特定の都市では、予測排出量が都市自体の報告よりも高くなります。 たとえば、私たちのモデルでは、年間排出量がリヨンの自己申告排出量のほぼ 3 倍になると予測しています。 これらの異常値の 1 つをさらに調査すると、フランスの人口 445,000 人の都市リヨンでは、排出量インベントリが約 22,000 トンであると報告されており、これは一人当たりの排出量に換算すると 0.05 トン未満であり、全国平均の 1 人当たり 5.4 トンをはるかに下回っています17。

対数スケールでモデルからの各アクターの予測排出量中央値と比較した自己申告排出量（モデルのトレーニングで使用された EUCoM に報告する都市からの n = 6961 の自己申告排出量データポイント）の散布図。 a すべての主体のすべての自己申告排出量インベントリ（ログトン CO2 単位）と予測排出量データ（ログトン CO2 単位）の比較。 b 複数のデータポイントがあった場合の自己報告排出量と予測排出量の国別の側面。 補足表 3 には排出量データを報告している都市と報告していない都市の両方が含まれているため、国別パネルにリストされている都市の数は補足表 3 とは若干異なります。

基礎となる予測変数の利用可能な時系列データを利用して、2001 年から 2018 年までデータが利用可能なすべての都市と地方行政単位について、推定される年間排出量の範囲を生成しました。モデルの出力を示す図 3 は、さまざまな条件から選択された 3 つの都市の時系列を示しています。人口規模: ベルギーのワイメス (人口: 8932)、スペインのトロサ (人口: 17,575)、イギリスのロンドン (人口: 890 万)。 次に、これらのデータは、排出量データを報告する EUCoM 参加都市 (報告都市)、報告しない都市 (参加都市)、およびすべての LAU について、2001 年から 2018 年までの期間にわたる一人当たりの年間排出量削減の傾向について分析されました。ヨーロッパ（郊外の都市）。

さまざまな人口規模の都市を代表する都市として、ベルギーのワイムス、スペインのトロサ、イギリスのロンドンが選ばれました。

全体として、EUCoM 都市は、平均して排出量に大きな変化はなかった可能性が高い（2001 年から 2018 年までは 0.18 ± 2.5%、2005 年から 2018 年までは 0.18 ± 3.2; 表 1）。 EUCoM 都市の 74% は排出量が削減されていると考えられますが、外部都市の 53% のみが排出量削減のマイナス傾向を経験していると考えられます。 私たちは、EUCoM 都市と外部 LAU の間の排出傾向の違いを慎重に解釈しますが、最も顕著なのは EUCoM (報告都市の住民 32,720 ± 181,348 人、参加都市の住民 35,318 ± 171 人) と外部 LAU の間の人口の違いに注目します。平均するとはるかに小さい（住民4433±16,870人）（補足表2、補足図6）。 私たちの分析における 3 つの都市グループを説明する記述統計 (補足表 2) と分布 (補足図 6) は、EUCoM 都市が外地に比べて化石燃料による二酸化炭素の固定排出量が多く、人口と人口密度が大きい傾向があることを示しています。一人当たりの GDP レベルが高い大都市は、より野心的な気候変動計画を持っていることが示されているため、都市間の排出傾向の違いを説明できる可能性があります 2,18。

EUCoM 都市内では、排出量インベントリデータを自己報告している都市（EUCoM 都市の 75%）は、ベースラインやモニタリング排出量インベントリを報告していない参加都市と比較して、より大きな平均排出量削減を達成している可能性が高いことがわかりました（-1.3 ± 1.7）。 vs. 2001 年から 2018 年までの一人当たりの年間排出量削減量は 0.2 ± 1.9; 表 1)。 これらの結果は、EUCoM 参加都市が外部都市と同等の緩和パフォーマンスを達成した可能性が高いことを示唆しています。 EUの2020年の緩和目標である1990年比20％削減を上回る、比較的野心的な緩和目標を掲げたEUCoM都市は、比較的野心的でない緩和目標を掲げた都市と比較して、より大きな年間一人当たり排出量削減を達成している可能性が高い（-1.4± 2001 年から 2018 年までは 1.7 対 -0.6 ± .20; 表 1)。 最後に、2020 年の排出削減目標を達成するための軌道に乗っている可能性が高い EUCoM 都市 (例: 宣言された 2020 年の排出削減目標を達成するために必要な排出量に沿って排出量を十分に削減する、詳細については方法を参照) は、2020 年の排出削減目標を達成するための軌道に乗っていると考えられます (EUCoM 都市の 52%)。最大の排出削減（2001 年から 2018 年までの -1.8 ± 2.5 対 0.5 ± 1.6; 表 1）。 軌道に乗っていない EUCoM 都市 (EUCoM 都市の 48%) では、一人当たりの年間排出量がわずかに増加している可能性があります。

EUCoM への参加がこれらの排出削減傾向につながったかどうかを因果的に分離するための十分な管理とデータが不足していますが、政策介入またはプログラムが結果変数に測定可能な変化をもたらしたかどうかをモデル化する中断時系列 (ITS) 分析は、実施後19,20は、EUCoM都市の排出削減が主にイニシアチブに参加した後に発生したのか、人口密度や1人当たりGDPなどの違いを考慮して行われたのかを明らかにすることができます（詳細については「方法」を参照）。 都市が EUCoM イニシアチブに従うと、毎年、一人当たり排出量の年間パーセンテージがわずかに -0.164 (標準誤差、または se: 0.039) 変化することがわかりました (図 4)。 都市グループ間の比較 (表 1) を確認すると、ITS 回帰は排出量インベントリの重要性 (p < 0.01) をさらに示しており、報告都市は 1 人当たり排出量の年間パーセンテージ変化が -1.24 (se: 0.396) に達している可能性が高い (表2)。 2020 年の排出削減目標のレベルは、わずかに有意 (p < 0.05) ではありますが、1 人当たり排出量の年間変化率に大きな影響を与えていないようです (表 2)。

EUCoM 都市の一人当たりの排出量の年間変化率 (プロット点) と、中断時系列分析によって決定された予測一人当たりの排出量の年間変化率 (青線)。 パネルには、赤い縦線で示される、特定の年にのみ EUCoM に参加した都市のデータが含まれています。

国ごとのパフォーマンスの違いが観察されます。 図 5 と 6 は、EUCoM 参加都市と他のすべての LAU の国別のパフォーマンスを比較しています。 一部の国では、スウェーデンやデンマークなどの EUCoM 都市は、平均して外部の都市に比べて年間 1 人当たりの削減傾向が高い。 オランダや英国などの他の地域では、両都市グループの一人当たりの年間排出削減量の分布を比較することで明らかなように、EUCoM 都市は他の都市に比べてパフォーマンスが劣っているようです (図 4)。 この結果は、デンマークと英国の中央政府が地方自治体に地域の気候行動計画を要求しているという事実を反映している可能性があり2、これらの国の外部都市が国の規制や要件を満たすために排出量を削減している可能性があることを示唆しています。 EUCoM 都市のほとんどが位置するイタリアとスペインは、両グループで比較的同等のパフォーマンスを示しているようです (イタリア = 64%、スペイン = 50%、補足表 3)。 軌道に乗っている都市の割合が最も高い国という点では、スカンジナビア諸国がリードしています (デンマークでは 80%、フィンランドでは 53%、ノルウェーでは 70%)。 スペインもまた、軌道に乗っている都市の割合が高く、その割合は 68% です。 都市のパフォーマンスが同様である国は、補足図 8 の対角線に近く、EUCoM と外部都市の間で 1 人当たりの平均年間排出量削減傾向が類似していることを示唆しています。 対角線上にある国は、EUCoM 都市が非 EUCoM 都市よりも 1 人当たりの年間排出量削減を達成している国であり、フィンランド、スロバキア、フランス、ドイツ、イタリアなどが含まれます。

EUCoM に参加している都市 (左) とその他すべての外部都市 (右) の 2001 年から 2018 年までの 1 人当たりの年間排出量削減傾向。

EUCoM 内の都市と外部の都市間の一人当たりの年間排出量削減量の分布。 負の数値は排出削減量を示し、各グループの一人当たりの年間平均排出量傾向が各パネルに縦線で示されています。

過去 10 年間で都市気候ガバナンスに関する研究が目に見えて増加したにもかかわらず、国境を越えた気候変動への取り組みの成果への理解には、特に小規模都市や体系的ベースでの理解のギャップが依然として残っています21。 このギャップの一部は、データの入手可能性と比較可能性に起因しており、国境を越えた都市気候ガバナンスの取り組みのプロセスと機関と結果との間の因果関係や関連性を追跡する研究者の能力が制限されている21,22。 この欠点に対処するために、この研究では機械学習 (ML) ベースのフレームワークを開発し、2001 年から 2018 年まで欧州の 90,000 以上の都市の排出量を年間ベースで予測し、起こり得る緩和パフォーマンスの傾向を調査しました。 一貫して定期的に測定されるグローバルにグリッド化された空間的に明示的な予測変数と、利用可能な自己申告排出量インベントリを利用することで、当社の ML ベースのモデルは、自己申告排出量インベントリ データ間の変動 (r2 = 0.90) の 90% を説明できます。 EUCoM 都市と予測排出量を記録し、単年の都市レベルの炭素排出量推定を行った他の研究との比較を通じて検証。 制限がないわけではありません (「制限」を参照)。私たちのモデルは、都市レベルの気候排出削減パフォーマンスを理解するための、再現可能でスケーラブルな出発点を提供します。 また、都市の自己申告による排出量を評価および検証する方法も提供します。 一部の都市では在庫を誤って報告したり、排出源を選択して報告したりする可能性があるため、私たちのアプローチは外れ値や潜在的な報告の問題を特定するのに役立ちます。

私たちのモデルの予測排出量データから、一人当たりの年間排出量傾向を調べ、さらなる調査に値する洞察を明らかにしました。 まず、最大規模の自主的な国境を越えた気候変動イニシアチブの 1 つである EU 気候とエネルギー市長規約 (EUCoM) に参加している約 8,000 のヨーロッパの都市のうち、ほとんど (74%) が 2001 年から 2018 年にかけて排出量を削減した可能性が高く、半数をわずかに上回る割合で、2020 年の排出削減目標を達成している可能性があります。 排出量データを自己報告している都市は、排出量データを報告していない都市よりも削減している可能性が高く、これは Rivas ら 23 が発見したように、排出量を監視している EUCoM 自治体も排出量を削減する傾向があるという事実による可能性がある。彼らはより早期に計画の実施を開始しており、通常は気候変動対策の経験が豊富な「フロントランナー」です23。 より野心的な緩和目標を掲げている都市や、2020 年の緩和目標の達成に向けて順調に進んでいる都市は、他の都市と比較して、一人当たりの年間排出量削減を最も大きく達成している可能性があります。 ここでの我々の発見は、EUCoM 都市に関する以前の研究の結果を反映しています10、23、24。 例えば、Kona et al.24 は 315 の報告都市を分析し、排出量が平均 23% 削減されたことを発見しましたが、私たちの結果は同等です (2001 年から 2018 年までの一人当たりの排出量は年率約 1%)。 少なくとも 2 つの排出量インベントリを報告している 1,066 の EUCoM 都市を対象とした 2020 年の調査では、60％ が排出削減目標の達成に向けて順調に進んでいることがわかりましたが、この調査では同様の結果が得られ、EUCoM 都市の 52％ が 2020 年の緩和目標を達成している可能性が高いことがわかりました。 Rivas ら 23 は、野心とモニタリングが関連している可能性があることを示唆しています。目標に対してより野心的な傾向にある自治体は、モニタリング在庫を報告していない傾向があり、野心と実績の間に断絶があることを発見した Hsu ら 10 の意見と同じです。

私たちの研究は、予測される排出傾向の因果メカニズムや、EUCoM都市が外部の非EUCoM都市に比べて平均して1人当たりの年間一人当たり削減量がわずかに大きい理由を説明する内因的条件があるかどうかについては述べていないが、いくつかの洞察を示唆している。都市気候ガバナンスと国境を越えた気候変動への取り組みに関連します。 第一に、排出量目録と監視プロトコルは効果的な地方自治体の気候緩和計画の特徴と考えられているため25、排出量を監視し報告する能力は能力と達成度の指標となる可能性が高い。 私たちは、報告都市と、排出量データを報告していない参加都市との間で、一人当たりの年間排出削減量の大きな差を測定しました。参加都市は、報告都市と比較して、排出量の軌跡が EU 域外の都市により類似している可能性が高くなります。 第二に、排出傾向を結果変数として評価することは、「努力の尺度」26を提供するものではなく、特定の結果につながった無数のインプットや要因を説明するものでもありませんが、排出量インベントリのモニタリングと報告は、評価のための「実施手段」26を示します。気候緩和などの政策成果に向けた企業の進捗状況。 モニタリングとパフォーマンスの関連性に関するこれらの調査結果は、地方の気候緩和の改善促進に影響を及ぼし、モニタリングへの投資が成功を予測する可能性が高いことを示唆しています。 Rivas et al.23 は、地方自治体が気候変動計画の実施に財政的支援を提供した場合、排出量モニタリングの確率が 2.24 倍高くなるということを発見しました。

緩和の成果を説明するデータにより、「成功した実施の一般条件」の特定と、排出量削減につながった原因経路のリバースエンジニアリングが可能になります。 私たちのデータセットと複製可能でスケーラブルな ML フレームワークは、観測された排出量削減につながった具体的な対策、またはまったく対策がなかったのかを解明するための最初のステップを提供できます。 我々は都市の人口、GDP、大気汚染、化石燃料によるCO2排出量に関するデータに限定されていたため、我々の分析では、排出量の違いをさらに解明する可能性のある他の根底にある構造的な違い（例えば、統治機関の違いなど）を説明することができませんでした。なぜなら、気候変動への取り組みと政策は「他の政策課題と深く絡み合っている」からである27,28。さらに、私たちのモデルは、私たちが使用した限られた利用可能な予測変数に基づいて、都市が経験した可能性のある多くの排出経路のうちの 1 つを生成します。

地方レベルでの自己報告排出量インベントリデータの入手可能性は主にヨーロッパに限定されているため、今後の研究では、特にグローバル・サウスの生産能力と資源に制約のある事業体に対して、このギャップを埋めることができる関連データセットと代替データの探索を拡大する必要がある29。 、30、31。 これらの国の関係者は、限界（例：専門知識、関連政府機関で目録を作成するための明確に指定された役割の欠如、不十分な文書およびアーカイブシステム）および技術的問題（例：不完全または存在しない活動データ、または開発のための実験データの欠如）に直面している。国または技術固有の排出係数）を使用して排出インベントリを作成します10,32。 私たちの次のステップは、Hsu et al.1 の 10,000 を超える都市および地方自治体のデータセットに記録されているように、ヨーロッパ以外の一連の準国家管轄区域にアプローチを拡張して、国境を越えた気候変動への取り組みに参加している都市のグローバル データセットを作成することです。 私たちは、EUCoM の参加者の大多数を占める小規模都市の関係者であっても、大規模な地理空間データセットを都市レベルの二酸化炭素排出量の推定に適用できるという説得力のある証拠を発見しました。ただし、より多くのデータと範囲の拡大により、ストレス テストをより効果的に行うことができます。このモデルはヨーロッパを超えて適用可能です。 私たちの手法は、これらの世界的に利用可能なリモートセンシング由来の地理空間データセットと都市規模のアクターとの間のギャップを埋めるものであり、主に国の化石燃料による CO2 排出量を分布する ODIAC インベントリのような化石燃料による CO2 データセットの欠点である Pan et al.33 の指摘である。光出力強度の衛星測定に空間的に基づいており、発光が地方主体によるものであるとは正確に帰属しない可能性があります。 最後に、さまざまな都市グループが排出削減を達成するために採用している緩和政策を深く評価するさらなる研究と、都市計画と将来の気候政策開発に情報を提供する緩和成果が必要です。

この研究には確かに限界がないわけではありません。 私たちの予測と結果の妥当性に影響を与える可能性のある不確実な領域がいくつかあります。 まず、EUCoM 主体からの自己申告排出量インベントリが、モデルをトレーニングして他者の排出量を予測するための有効なデータ源であると仮定します。 私たちは、欧州委員会の共同研究センターによって評価された排出量インベントリデータを報告した6,200都市の自己申告排出量データの「検証済み」データセットを使用しました34。 Kona et al.34 は、これらの報告された排出量インベントリを検証するために一連の統計的チェックを適用しましたが、いくつかの制限があることに注意しています。 EUCoM は、地方自治体が部門別および政策措置を通じて影響力を持つ部門に関連する温室効果ガス排出量に焦点を当てているため、参加都市は選択された発生源からの排出量のみを報告します（例：建物、交通、地域のエネルギー生成、 EU排出権取引制度でまだカバーされていない産業排出源、および廃棄物/廃水35。Konaら34は、EUCoMインベントリは「地域内のすべての排出源の網羅的なインベントリを作成したり、排出源に対処したりする方法を意図したものでは決してない」と認めている。 「排出量は、EU 排出量取引システム (ETS) メカニズムなど、国家規模の制御イニシアチブにすでに含まれています。」 したがって、2 番目の制限は、特に都市が EU 排出量取引システム (ETS) メカニズムを導入していない場合、EUCoM 都市のインベントリから欠落している可能性がある排出源と部門が存在することです。それらの排出量を測定する能力がないか、特定の排出源が管理目的にとって重要ではないとみなしている。 第三に、報告都市がさまざまな排出係数、推定方法、および報告境界を使用しているため、インベントリをトレーニング データとして使用する際に不確実性が増しており、一部の予測の「外れ値」は、最初の自己報告の排出量が異なるという事実に起因する可能性があることがわかりました。排出量データは、都市自体による計算または報告の誤りの結果である可能性があります23。 Rivas ら 23 は、特に、排出係数が欠落している状態で報告されるデータに関して、この制限があり、国または地域の係数を埋め込む必要があり、最終的な推定の精度に影響を与える可能性があると指摘しています 23。 第 4 に、EUCoM と外部都市の空間境界は、時間の経過とともに変化する可能性があるものの、一定の期間にわたって変化しないと仮定します。 境界が変更されている場合、または都市と誤って識別または一致している場合、その予測は不正確になる可能性があります。 第 5 に、さまざまな都市の排出量間に大きな違いが観察されましたが、これらの都市グループ間には、モデルでは明らかにできない緩和パフォーマンスを説明するいくつかの根本的な違いがある可能性があります（たとえば、報告する EUCoM 都市が非加盟都市と根本的に異なるかどうか）。 -排出傾向を推進する地理、文化、政府の観点から報告を行っている都市、または参加していない都市）。

最後に、機械学習ベースの予測アプローチには限界があり、これは Kapoor と Narayanan によって特定され、分類されています 36。 機械学習アプローチは本質的に確率的であるため 37、モデルの一般化性を高めるためにランダム性を導入すると、従来のガウス回帰法と比較した ML アプローチの利点とみなされており、モデルの潜在的な再現性が危険にさらされます 36。 したがって、私たちの推定値は、トレーニング サブサンプルで調整され、コンピューティング環境による特定のシードまたは初期化で設定された特定のパラメーターを使用して、ブートストラップされた排出量の中央値レベルの可能性を表すだけです。 特に、排出量データを報告していない LAU の予測は、排出量データを報告している都市について私たちのモデルが発見した基礎的な予測間の関係が、これらの他の都市にも当てはまると仮定しているという主な注意点とともに解釈される必要があります。 ただし、これが結果に対する大きな注意点であることは認めますが、私たちの研究の主な目的は、適用可能な都市レベルの排出量の一般化可能な予測モデルを開発するための ML アプローチの潜在的な長所と限界を調査することです。欧州以外の都市の追加排出量データを考慮すると、欧州以外の場合。

こうした制限にもかかわらず、この研究は「パリ協定に対する都市の世界的な貢献に関する体系的な知識の欠如」25に対処するための第一歩であり、「あらゆるレベルの政府」の役割を認め38、その影響に関する具体的な情報を求めている39。 国境を越えた気候変動イニシアチブに参加している都市関係者はモニタリングやインベントリデータを報告しているところはほとんどなく、世界的な気候変動のリーダーシップを主張している主要都市でさえ報告を行っていない9、10、25、40。 私たちの研究は、都市規模の緩和傾向と実績を調査するための一貫したアプローチと時系列データを提供しており、ヨーロッパ以外の地域にも範囲を広げる可能性があります。

比較可能な広範な排出量データは、パリ協定の「促進的および触媒的」モード41と、国および地方主体の進歩と世界規模の緩和努力への貢献を継続的に評価するために設計された「約束とレビューとラチェット」メカニズムをサポートするために不可欠である42。 このプロセスをサポートする好循環が起こるためには、どの行動が緩和を促進するのに効果的で、どの主体が削減を達成しているかを評価するために排出データが必要です。

EUCoM に参加している都市のデータは 2 つのソースから収集されました。Kona et al.34 は、2019 年末時点で 6,200 の加盟都市の EUCoM データの「検証され調和されたバージョン」を提供しています。もう 1 つは EUCoM ウェブサイト自体です。 EUCoM 都市に関する Kona et al.34 データセットには、自己申告排出量データ (ベースラインまたはモニタリング排出量インベントリなど) に加え、欧州統計庁からの都市のその他の特徴データが含まれています。 このデータセットに、2021 年 2 月に Beautiful Soup Python パッケージ 43 を使用してスクレイピングされた EUCoM Web サイトの都市のより最近のデータを追加しました。私たちは主に、各都市の EUCoM イニシアチブへの加盟日、ベースライン排出年、ベースライン排出量 (二酸化炭素排出量のトンまたは tCO2）、排出量削減目標、目標年、および報告されたインベントリ排出量（つまり、各都市の進捗ページから、定義された基準年より後の年に報告された排出量データ）。 また、可能であれば EUCoM Web サイトから都市の人口と地理座標 (緯度/経度) に関する情報も取得しました。 Kona et al.34 は一連の統計手法を適用してデータセットを検証しているため、Kona et al.34 と EUCoM Web サイトの両方にある都市で利用可能なデータがある場合は、このソースからの自己報告排出量データを優先しました。 補足図 1 は、EUCoM ウェブサイトと Kona et al.34 の両方から記録された排出量データの散布図を示しており、強い相関関係 (r2 = 0.986) を示しています。 合計すると、私たちのデータセットには EUCoM イニシアチブに参加している 7,805 都市の名前が含まれており、そのうち 6,114 都市が排出情報を報告しています。 また、我々は、前回の研究で説明した進捗状況の追跡分析を目的として、Kona et al.34 または EUCoM ウェブサイトで特定の排出削減目標が報告されなかった場合、2020 年までに 20% の排出削減目標を推定しました 10。

予測排出量モデルを構築するための重要な最初のステップは、ヨーロッパのすべての EUCoM 都市および LAU に普遍的に利用できる、都市レベルの炭素排出量の基礎となる一連の予測変数を決定することでした。 私たちは、主要な発生源と都市の排出プロファイルの推進要因に関する既存の文献に基づいて、都市の温室効果ガス排出に関するいくつかの予測変数をモデルに予測変数として含めるよう評価しました6、44、45、46。 排出源に関しては、エネルギー部門、特にエネルギーから電気への変換が都市部の温室効果ガスの最大の排出源であり、都市部の総排出量の約半分から65％を占め、次いで運輸部門（15～20％）となっている。 44. 固定発生源は都市の温室効果ガス排出量全体を説明できないため、冷暖房需要などの主要な排出源の他の推定値や、都市では主に交通機関に起因する微粒子大気汚染などの大気汚染変数も調査しました。 25%47)、粉塵、硫黄酸化物 (SO2、SO4)。 また、都市気候排出に関連する社会経済的要因として人口と国内総生産（GDP）を含め6、国家レベルの排出削減が都市レベルの気候変動パフォーマンスの予測因子であることが判明した以前の研究10に基づいて、いくつかの国レベルの予測因子を評価しました。これには、国レベルの CO2 排出量傾向 (2000 年から 2018 年)17 と欧州連合の発電の炭素強度 48 が含まれます。

電力の生産と消費の結果としての高解像度の排出量データは、分析対象となった大多数の都市では利用できないため、世界的にグリッド化された人為起源二酸化炭素のオープンデータ インベントリ (ODIAC) データベースに依存しました。 、2000 年から 2019 年までの化石燃料の燃焼、セメント生産、およびガスフレアによる二酸化炭素排出量の年間 1 km × 1 km の空間解像度データ49。都市レベルの炭素排出量分析との関連性に関する事前の評価に基づいて、ODIAC データセットを選択しました。 Hsu et al.10 に記載されているとおり。

冷暖房による建物のエネルギー消費量の代用として、月平均 (0.5 × 0.625 度または 55.5 × 69.375 km) の空間解像度の地表温度データを NASA MERRA-2 温度プロダクト 50 からダウンロードし、冷暖房度日を計算しました。 (それぞれ HDD と CDD) ベースライン温度 \({T}_{{base}}\) から逸脱した月平均測定値の数に基づき、各月の日数に応じて乗算されます。 (つまり、月の各日に同じ HDD または CDD を想定)、式 1 に従って年間合計します。 以下の (1 ～ 2):

ここで、HDD の場合は \({T}_{{base}}=\)15.5 ℃、CDD41 の場合は \({T}_{{base}}\)= 22 ℃、\({m}\) は月。 EU モデルの場合、ヨーロッパの都市の 99% が cdd 0 であるため、冷房度日を除外しました。

衛星リモートセンシングリソースから抽出された大気汚染データを含めました。 PM2.5汚染は都市部の炭素排出と同様の発生源、主に電力による化石燃料の燃焼から発生するため、2001年から2020年までの微粒子状物質汚染（PM2.5）への毎年の格子状（約1km）の曝露を含めました51。生成と輸送52。 また、MERRA-2 センサーから、粉塵表面質量濃度 (DUSMASS)、黒色炭素表面質量濃度 (BCSMASS)、二酸化硫黄表面質量濃度 (SO2SMASS)、硫酸塩表面質量濃度 (SO4SMASS) など、いくつかの関連する大気汚染変数を抽出しました。 。

私たちは、国レベルの排出削減量が、国レベルの CO2 排出傾向 (2000 ～ 2018 年)17 や電力の炭素強度など、都市レベルの気候変動パフォーマンスの予測因子であることが判明した以前の研究 10 に基づいて、いくつかの国レベルの予測因子を評価しました。ただし、これらの変数はモデルの特徴の重要性に大きく寄与しなかったため、最終モデルにはこれらの変数は含まれていませんでした (図 1b)。

さらに、都市気候排出に関連する社会経済的要因として、人口と国内総生産（GDP）を考慮しました6。 人口については、2000 年から 2020 年までの 5 年間の増分で 1 km の空間解像度で人口推定値を提供する世界グリッド人口 (GPW) データセット 54 を使用しました。これらの 5 年間の間で線形補間することにより、年間人口推定値を計算しました。増加します。 GDP については、1990 年から 2015 年までのデータを提供する Kummu et al.55 による、1 km の空間解像度で世界規模で毎年グリッド化された一人当たり GDP データを使用しました。各 LAU を、対応する統計用地域単位の命名法に空間的に結合しました。または欧州連合の国際領土単位である NUTS (レベル 3) は、欧州統計庁から地域総生産 (GRP) を導き出します56。 NUTS3 GRP 値は LAU よりも面積がわずかに広いため、各 LAU の Kummu GDP データに適用された 2016 年から 2018 年の年間変化率を使用して、他の空間予測子の時系列と一致させました。

これらの予測変数 (化石燃料による CO2 排出量など) の元の形式はすべてグリッド空間データであるため、空間結合を通じてこれらのデータセットを各 EUCoM 都市にマージしました。 まず、さまざまなデータ ソースから提供される各都市の重心の緯度と経度を収集しました。 Kona et al.34 (EU 市長規約の Web サイト) から都市の重心を入手できなかった場合、またはこれらのソースのいずれかから地理座標に誤りがあると判断した場合、Wikipedia の GeoHack Web サイトを通じて都市の重心を抽出しました。

各都市の空間的境界を決定するために、以下に説明する異なるアプローチを使用しました。 ほとんどの都市について、欧州連合 28 か国すべての地方行政単位 (LAU) のデータを収集しました。LAU は、欧州連合 28 か国すべてを対象として、「州、地域、または州より下の国の低レベルの行政区画」として定義されます。連合統計局57． LAU データは、追加の予測変数を照合する目的で、geopandas58 パッケージを使用して Python で EUCoM 都市データ フレームに空間的に結合され、各都市を LAU 境界に関連付けました。 空間結合が正しく行われたことを確認し、EU 規約 Web サイトで誤って指定された可能性のある地理座標の問題を特定するために、一連の品質チェックを実施しました。 これらの品質チェックには、(1) 都市が同じ地理座標を持ち、異なる名前で識別されているかどうかを評価することが含まれます。 (2) Kona et al.34 または EUCoM Web サイトで報告されている個々のアクターの集団と、空間結合後の補間された集団を比較する。 (3) 自己申告による一人当たり排出量が一人当たり 0.2 トン未満、または一人当たり 40 トンを超える都市を調査する。 (4) 排出量の年間複合成長率は、-50% 以上、50% 未満です。 これらのチェックにより、Kona et al.34 または EUCoM Web サイトから EUCoM 都市に関して収集された空間結合または基礎となるデータにエラーがあったかどうかを判断することができました。

LAU を手動で修正しても正しい空間結合が得られなかった場合、特に複数の LAU を取り囲む可能性のある大都市の場合、OpenStreet Map (OSM)59 を利用して正しい境界を取得しました。 補足図 2 は、誤った空間結合結果と OSM による固定境界の例をいくつか示しています。 都市の境界を確認した後、Python パッケージ rasterstats バージョン 0.15.060 を使用してゾーン統計を適用しました。ここでは、空間境界を使用して都市ごとに各予測変数が要約されました。 予測変数の定義に基づいて、人口を除く平均値を計算し、各都市または LAU 境界と交差するすべてのピクセルの合計を計算しました。

EUCoM に参加している都市は、ベースライン排出量インベントリとその後 2 年ごとのモニタリングインベントリを含む「持続可能なエネルギー (および気候) 行動計画」(SE(C)AP) を提出する必要があります。 2021 年 2 月の収集では、ウェブサイトにリストされている約 10,000 の署名者のうち、排出量データを報告したのは 6,114 人だけで、1 年以上の排出量監視データを報告したのは 1,400 人だけでした。人口がより多く補間された都市のデータのみを含めました。都市の人口分布の 5 パーセンタイル (住民 374 人) よりも高かった。合計 329 の都市の人口はこのしきい値を下回っており、トレーニングまたは予測データセットには含まれていなかった。Hsu et al. (2020) と同様に、我々もフィルタリングした1 人あたり CO2 トン 0.2 トン未満、または 1 人あたり CO2 トン 40 トンを超えるデータポイントを抽出しました。自己申告排出量データの期間は 1990 年から 2020 年まででしたが、2000 年を超えるデータ (6961 排出量データポイントを持つ 5880 のユニーク アクター) のみを使用しました。これは予測変数に使用できる期間であるため、モデルのトレーニングに使用されます。

データをさらに 3 つのサブセットに分割しました。トレーニング データとして使用される最初のサブセットには、ベースライン排出量か、それ以降の目録年データが報告されたかに関係なく、少なくとも 1 年間の排出量データが報告されているすべての EUCoM 都市が含まれます (EUCoM、2021)。 2 番目のサブセットは EUCoM に参加しているが排出量データを報告していない都市です。 3 番目のサブセットは EUCoM に参加していない都市です。 EUCoM に報告された排出量データの最初のサブセットは、データの後の 2 つのサブセットの排出量を予測するためのトレーニング データとして使用されます。 私たちは最初のデータセットで構築されたモデルをこれらの都市に適用し、特定の年の都市からの排出量の可能性を予測しました。 補足の図3は、上記の処理ステップのフロー図を示しています。 私たちのトレーニング データセットとテスト データセットは、基礎となる国の表現を維持しながら、データの標準的な 80/20 分割に基づいて生成されました (つまり、利用可能なトレーニング データの半分をわずかに上回るイタリア (52%) の都市からのもので、次にスペイン (26%) %)。

多重線形回帰、ランダム フォレスト、SVM、極度勾配ブースティング (XGBoost) などのいくつかの回帰モデルを評価しました。 多重線形モデルは R 基本ライブラリからのものです。 ランダム フォレストと SVM は R パッケージ キャレット バージョン 6.0-8661 からのものです。 および XGBoost R パッケージ バージョン 1.3.2.162 の XGBoost。 各モデルがトレーニング データセットとテスト データセットの両方でどのように実行されるかを調べるため、モデル比較行列として二乗平均平方根誤差 (RMSE) と r2 を選択しました。 一連のハイパーパラメータによって制御されるランダム フォレスト、SVM、および XGBoost モデルの場合、5 回の相互検証を行うグリッド検索をモデルに適用して、最低の RMSE をもたらす最適なパラメータを取得しました。 補足の表 6 は、これら 3 つのモデルで使用したハイパーパラメーターを示しています。 独立変数の欠損値は ML ベースのモデルでよくある問題であり、私たちが評価したモデルはさまざまな方法で欠損値を処理します。 XGBoost モデルは、補完を行わずに欠損値を処理できます。 したがって、すべての独立変数の完全なデータを使用して XGboost モデルをトレーニングした後 (XGBoost-w/o NA と呼ばれる)、独立変数に NA 値を持つ可能性のあるデータ (XGBoost-w と呼ばれる) を使用して XGBoost モデルもトレーニングしました。次のセクションの /-NA. データをトレーニング セットとテスト セットに分割した後、すべての NA 値が削除されるため、XGBoost-w/NA 以外のモデルではすべてのトレーニング データセットとテスト データセットがまったく同じになることに注意してください。補足の表 6 は、最適に調整されたモデルの RMSE と r2 をトレーニングしてテストします。ランダム フォレストと XGBoost モデルはどちらもツリーベースの回帰モデルであり、結果は、ツリーベースのモデルがデータセットの他のモデルよりも優れたパフォーマンスを発揮することを示唆しています (補足表 6)。さらに、XGBoost-w/NA モデルは、独立変数に NA 値を含むさらに 357 個のデータ ポイントを使用してトレーニングされ、RMSE = 155865.63 および r2 = 0.90 を達成しました。

モデルのトレーニング結果と欠損値の処理能力に基づいて、XGBoost を続行することにしました。 XGBoost は「extreme gradient boosting」の略で、Kaggle63 などの機械学習コンペティションでの高いパフォーマンスにより人気を集めています。 XGBoost のような勾配ブースティング モデルは、反復アプローチを通じて教師あり回帰タスクを実行してターゲット変数 (つまり、排出量) を予測し、複数の「弱い」ツリーを組み合わせて応答変数のより正確な予測子である新しいモデルに適合させることで予測パフォーマンスを最適化します64,65。 XGBoost などの勾配ブースティング機械学習モデルの利点の 1 つは、多重共線性の問題など、典型的な回帰ベースの手法で懸念される問題に対して堅牢であることです 66,67。 デシジョン ツリーは、データを 2 つのグループに分割し、スコアに基づいて特徴の最適な「分割」を決定する特徴の反復選択である分割で構成されます。 2 つの特徴または変数が相関している場合、1 つだけが選択され、アルゴリズムは相関する特徴からの情報を利用しません。これは、相関する特徴がすでに最初のものによって取得されているためです。 XGBoost 勾配ブースティング モデルは、その効率性、柔軟性、移植性の高さから、大気質モニタリング 65、68、69 や温室効果ガス (GHG) 排出量推定 70 で広く使用されています。 Si と Du65 はさらに、XGBoost には、データの前処理が少なく、ハイパーパラメータ (ML モデルが調整の学習プロセスを制御するために使用するパラメータ) が少ないというさらなる利点があると指摘しています71。

私たちは、データセット内の「最も弱い」特徴を排除することで、予測または分類問題に最適な特徴を特定するための特徴選択を支援する機械学習技術である再帰的特徴除去 (RFE) 72 を利用しました 73。 RFE アプローチは、数十または数百の変数を含むデータセットにより適切である可能性がありますが、R の FeatureTerminatoR74 パッケージを使用して RFE を実装しました。これは、暖房度日、化石燃料による CO2 排出量 (オディアック)、微粒子汚染 ( pm25）、一人当たりgdp、人口、人口密度、緯度、経度、粉塵質量濃度、排出年。 収集した追加の変数（二酸化硫黄排出濃度など）を含む代替モデル仕様を評価しましたが、それらを含めてもモデルの予測精度は大幅に改善されず、最終的なモデル仕様ではモデルの節約という誤りを犯しました75（補足図5および補足）。表7）。

XGBoost の実装は、機械学習モデルが学習プロセスを制御するために使用するパラメーターである一連のハイパーパラメーターによって決定されます71。 これらには、ツリーの最大深さ、学習率、ノード内の重みの最小合計、最小損失削減、および R76 の XGBoost 実装に含まれる標準ハイパーパラメータである各ツリーで使用する行のパーセントが含まれます。 モデルに最適なハイパーパラメーター セットを取得し、モデルのパフォーマンスを評価するために、まずデータセットを国全体で 80/20 の分割サンプリングで分割しました。これは、データの 80% をトレーニング データとして使用し、残りの 20% を予測することを意味します。データセット65。 次に、5 重交差検証を使用してハイパーパラメーターに対してグリッド検索 (補足表 4) を実行し、平均二乗平均平方根誤差が最も低いモデルを決定しました。 補足の表 4 は、ハイパーパラメータの範囲と最適化された値を示しています。 ハイパーパラメータ グリッド検索に続いて、ハイパーパラメータ グリッド検索から最良の結果が得られたトレーニング データセットを使用してモデルをトレーニングしました。 次に、テスト データを使用してモデルの精度をテストしました。

最終モデルは、グリッド検索からの最適なパラメーター セットを使用して構築されました。これは、考えられるすべてのパラメーターの組み合わせを使用してモデルを構築し、トレーニング サンプルでモデルが最高のパフォーマンスを発揮する最適なパラメーター セットを見つけるプロセスです。 補足表 4 に記載されているように、モデルの最適な結果は、最大深度 = 13、最小子の重み = 1、イータ (学習率) = 0.5、ガンマ = 1 の場合に達成され、平均を達成した 40 ラウンドでモデルをトレーニングします。トレーニング値と予測値の間の絶対パーセント誤差は 8%、テスト データの r2 = 0.88 モデルのパフォーマンスの散布図については補足の図 4 を参照してください。 補足表 7 は、評価されたものの最終的に他の年および他のすべての LAU の予測には選択されなかった、いくつかの選択された代替モデル仕様の結果を示しています。 補足の図4は、トレーニングデータセットとテストデータセットの自己報告排出量と予測排出量の散布図を示しています。 XGBoost R パッケージの組み込み関数 xgb.importance を使用して、最終モデルの特徴の重要性 (つまり、どの予測子が最大の予測力または説明力を持つか) を決定しました 76。

最適なパラメーターと評価を使用して最終モデルを構築した後、モデルを (1) 排出量を報告していない EUCoM 都市 (すなわち、参加都市) に適用しました。 (2) EUCoM に参加していないヨーロッパのすべての外部 LAU。 確実な中央値推定値を確保するために、各主体について毎年 1,000 の予測排出量間隔をブートストラップしました。 グリッド検索からの最適なパラメーターに加えて、モデルにランダム性を導入するために「サブサンプル」パラメーターを使用しました。 このパラメーターは、各ツリーで使用するデータセット内の行のパーセントを決定します。 この値を 0.90 に設定すると、モデルはデータセット全体の 90% を使用して構築されます。 次に、各主体および各年の予測排出量推定値の 5 パーセンタイル、95 パーセンタイル、平均値、中央値を計算しました。

各主体の予測排出量データを使用して、いくつかのパフォーマンス指標（例：2001 年から 2018 年の予測排出量の線形傾向、排出量の年間割合変化、一人当たり排出量の年間削減率）を計算し、年間削減率を利用する前にそれらを評価しました。式1で説明されているように、Hsuら10と一致する、私たちの主な評価指標としての一人当たり排出量（年間一人当たり排出傾向）。 3.

Hsu et al.10 と一致して、都市が定められた排出削減目標の達成に「順調に進んでいる」かどうかを判断し、インベントリ年度の実際の（つまり達成された）一人当たり排出削減量と目標達成量の比率を計算しました。基準年と目標年の間の排出量削減が線形に比例配分される（つまり、ある年から次の年まで一定の排出量削減）と仮定した場合の、基準年との比較におけるインベントリ年度の一人当たり排出量削減量。 より具体的には、次の式を通して \(\rho\) を定義します。 (4–7):

どこ：

\({{Predemissions}}_{\min ({year})}\) は、予測データが利用可能な最小年の都市の 1 人当たりの予測排出量です。 ほとんどの都市にとって、これは 2001 年でした。

\({{Predemissions}}_{\max ({year})}\) は、予測データが利用可能な最大年の都市の 1 人当たりの予測排出量です。 ほとんどの都市にとって、これは 2018 年でした。

どこ：

\({{年}}_{\min }\) は、予測排出量データが利用可能な最小の年です。

\({{年}}_{\max }\) は、予測排出量が利用可能な最大の年です。

\({{年}}_{{目標}}\) は約束された排出量削減が達成される年です

どこ：

\({Target}\) は都市の約束された排出削減量 (パーセンテージ) です。

EUCoM への参加が都市の排出量の変化と関連しているかどうかを調査するために、我々は中断時系列 (ITS) モデリング アプローチ 20 を採用し、EUCoM 都市の加盟年の前後の 1 人当たりの年間排出量の傾向を比較しました。 ITS 設計は、定期的な間隔で繰り返し観察を使用して、介入の前後に曝露された母集団サンプルの結果を評価します 19,77。 ITS 設計には強力な内部妥当性がありますが、ITS は測定不能または制御不能な要因が原因となる可能性を排除できないという事実により、結果が他のグループに一般化できない可能性があるという潜在的な弱い外部妥当性という点で制限があります。結果変数の変化。

国 (\(c\)) の各都市 (\(i\)) について、2001 年から 2018 年までの一人当たり排出削減量 (\({pct}.{chg}\)) の年次変化率を推定します ( \(t\)) を次の式で表します。 (8):

ここで、\({Time}\) は、都市が EUCoM イニシアチブに準拠してからの年数を示す変数です。 \({Joined}\) は、観測結果が都市が付着する前 (0) を参照しているのか、後 (1) を参照しているのかを示すダミー変数です。 \({TSJ}\) は、都市が EUCoM に参加してからの経過年数です。 また、都市の人口密度、1人当たりのGDP、機械学習モデルによって予測される1人当たりの排出量、2020年の削減率目標、および都市が緩和計画を採用しているか排出インベントリを実施しているかどうかの間の差異も管理します。 また、国内の都市に共通する観測されない時間不変要因を制御するための国ダミー (\({\gamma }_{C}\)) と、排出量に影響を与える可能性のある外因性特性を制御するための年固定効果 (δt) も含めます。ある年に。

データ スクレイピングと地理空間データ処理は、Python (バージョン 3.68)、Beautiful Soup パッケージ (バージョン 4.8.2)、geopandas (バージョン 0.9.0)、rasterio バージョン (1.0.21)、および rasterstats (バージョン 0.15.0) を使用して実行されました。 R 統計プログラミング環境 (バージョン 3.6.2)。 機械学習モデルは、XGBoost パッケージ (バージョン 1.6.0.1) を使用して R で開発および実行されました76。 図は ggplot278 データ視覚化パッケージ (バージョン 3.3.6) を使用して作成され、マップは QGIS (バージョン 3.16) で作成されました。

研究デザインの詳細については、この記事にリンクされている Nature Portfolio Reporting Summary を参照してください。

この研究で生成されたデータは、Data-Driven EnviroLab Dataverse リポジトリ (https://doi.org/10.15139/S3/NRJ5ZO) に保管されています。 この研究のために収集、処理、利用された生データには、次のものが含まれます。 NASA MERRA-2 の月次温度プロダクト (https://doi.org/10.5067/KVIMOMCUO83U)。 NASA MERRA-2 エアロゾル成分の月次平均カラム質量密度 (黒色炭素、粉塵、海塩、硫酸塩、有機炭素)、エアロゾル成分の表面質量濃度 (https://doi.org/10.5067/FH9A0MLJPC7N)。 セントルイスのワシントン大学大気組成分析グループによる表面 PM2.5 (https://doi.org/10.1021/acs.est.1c05309)。 世界のグリッド化された人口データセット 54 (https://doi.org/10.7927/H4F47M2C) Kummu らによる世界のグリッド化された国内総生産 (GDP) データ 55 (https://doi.org/10.1038/sdata.2018.4)。 ユーロスタットの NUTS 2 地域別の現在の市場価格での国内総生産 (GDP) (http://data.europa.eu/88u/dataset/egT31kJF7IArVLXu1rTkQ)。 Kona et al.34 世界市長規約、ヨーロッパおよび地中海南部諸国の 6,200 都市の温室効果ガス排出量のデータセット (https://doi.org/10.5194/essd-13-3551-2021)。 EU 市長規約都市のその他のデータは (https://www.covenantofmayors.eu/) から収集されました。 Eurostat データベースからの地方行政単位 56 (https://ec.europa.eu/eurostat/web/nuts/local-administrative-units)。 OpenStreetMap (https://planet.openstreetmap.org) からの都市の行政境界。 都市の重心は、Wikipedia の GeoHack Web サイト (https://www.mediawiki.org/wiki/GeoHack) を通じて抽出されました。

この研究に使用されたコードは、Data-Driven EnviroLab GitHub ページ (www.github.com/datadrivenenvirolab/citiesML) で、または対応する著者からの合理的な要求に応じて入手できます。

スー、A.ら。 ClimActor は、都市および地方政府による気候ネットワークへの参加に関する国境を越えたデータを調和させました。 科学。 データ 7、1 ～ 8 (2020)。

記事 Google Scholar

Reckien, D. et al. 都市は気候変動にどのように対応する予定ですか? EU-28 加盟国 885 都市の地域気候計画の評価。 J. クリーン。 製品。 191、207–219 (2018)。

Hsu, A. & Rauber, R. 多様な気候関係者は、戦略文書の大規模なテキスト分析において限定的な調整を示しています。 共通。 地球環境。 2、1–12 (2021)。

記事 Google Scholar

Hsu, A.、Cheng, Y.、Weinfurter, A.、Xu, K.、Yick, C. 都市や企業の気候変動への取り組みを追跡します。 ネイチャー 532、303–305 (2016)。

Milojevic-Dupont, N. & Croutzig, F. 都市部における地理的に差別化された気候変動緩和のための機械学習。 持続する。 都市協会 64、102526 (2021)。

記事 Google Scholar

気候変動に関する政府間パネルと気候変動に関する政府間パネル。 人間の居住、インフラストラクチャー、および空間計画。 気候変動 2014 における気候変動の緩和 (2015)。

Stehle, F.、Hickmann, T.、Lederer, M. & Höhne, C. 新興経済における都市気候政治: マルチレベルのガバナンスの視点。 （2020年）。

Boehnke, R.、Hoppe, T.、Brezet, H. & Blok, K. 中小規模の都市による地域の気候緩和活動における優れた実践。 オランダの13の自治体における炭素排出量の実際の削減の意味、実施、および関連性を調査しています。 J. クリーン。 製品。 207、630–644 (2019)。

Domorenok, E.、Acconcia, G.、Bendlin, L. & Campillo, XR EU 気候ガバナンスにおける実験: 市長規約の満たされていない可能性。 グロブ。 環境。 礼儀正しい。 20、122–142 (2020)。

記事 Google Scholar

スー、A.ら。 パフォーマンスの決定要因は、ヨーロッパの都市が気候変動の緩和に取り組んでいることを示しています。 ナット。 登る。 チャンさん。 10、1015–1022 (2020)。

Ibrahim, N.、Sugar, L.、Hoornweg, D. & Kennedy, C. 都市からの温室効果ガス排出量: 国際インベントリー枠組みの比較。 地元の環境。 17 (2012)。

ロルニック、D. et al. 機械学習で気候変動に取り組む。 ACM コンピューティング調査 (CSUR)、55、1–96 (2022)。

小田 哲 ほかグリッド化された二酸化炭素排出量インベントリの誤差と不確実性。 ミティグ。 適応する。 戦略。 グロブ。 チャンさん。 24、1007–1050 (2019)。

記事 Google Scholar

Raupach, MR、Rayner, PJ & Paget, M. 常夜灯の空間構造、人口密度、化石燃料による CO2 排出量の地域差。 エネルギー政策 38、4756–4764 (2010)。

記事 Google Scholar

モラン、D. et al. ヨーロッパ 108,000 都市の CO2 排出量を推定。 地球システム科学。 データ 14、845–864 (2022)。

記事 ADS Google Scholar

ナンギニ、C.ら。 343 都市の CO2 排出量と排出量に関連する補助データの世界的なデータセット。 科学。 データ 6、180280 (2019)。

世界資源研究所 (WRI)。 気候ウォッチ 2020。(2020)。

サルビア、M.ら。 気候変動緩和への野心はカーボンニュートラルにつながるでしょうか? EU 内の 327 都市の地方レベルの計画の分析。 更新します。 持続する。 エネルギー改訂 135、110253 (2021)。

記事 Google Scholar

Bernal, JL、Cummins, S.、Gasparrini, A. 公衆衛生介入の中断時系列研究における対照の使用。 内部。 Ｊ．Ｅｐｉｄｅｍｉｏｌ． 47、2082–2093 (2018)。

記事 Google Scholar

Shadish, WR, Cook, TD & Campbell, DT 一般化された因果推論のための実験的および準実験的デザイン。 （2002年）。

van der Heijden, J. 都市気候ガバナンスの研究: どこから始めるべきか、何を探すべきか、学問と実践に有意義な貢献をするにはどうすればよいか。 地球システム政府第 1 号、100005 (2019)。

記事 Google Scholar

ゴードン、DJ & ジョンソン、カリフォルニア州 シティネットワーク、グローバル気候ガバナンス、および 1.5 °C への道。 カー。 意見。 環境。 サステナビリティ 30、35–41 (2018)。

記事 Google Scholar

Rivas, S.、Urraca, R.、Palermo, V. & Bertoldi, P. 2020 年市長誓約: 気候行動計画監視の推進要因と障壁。 J. クリーン。 製品。 332、130029 (2022)。

記事 Google Scholar

コナ、A.ら。 市長の誓約: 温室効果ガス排出の実績と予測。 Publications.jrc.ec.europe.eu (2016)。

Boehnke, RF、Hoppe, T.、Brezet, H. & Blok, K. 中小規模の都市による地域の気候緩和活動における優れた実践。 オランダの13の自治体における炭素排出量の実際の削減の意味、実施、および関連性を調査しています。 J. クリーン。 製品。 207、630–644 (2019)。

記事 Google Scholar

アルディ、JE 国際気候政策における政策監視の重要な役割。 登る。 変更 126、279–292 (2014)。

記事 ADS Google Scholar

Bulkeley, H. 都市は気候変動の可能性を実現できるでしょうか? COP21 パリとその後についての考察。 地元の環境。 20、1405–1409 (2015)。

記事 Google Scholar

テネシー州ヘイルら。 準国家および非国家の気候変動対策: 進捗状況、実施、影響を評価するための枠組み。 登る。 ポリシー 21、406–420 (2021)。

記事 Google Scholar

Bulkeley, H. et al. 気候変動を国境を越えて管理する: 60 件の取り組みのデータベースから証拠を評価する。 環境。 プラン。 C. 政府方針 30、591–612 (2012)。

記事 Google Scholar

Chan, S.、Falkner, R.、Goldberg, M.、van Asselt、H. イースト大学。 効果的で地理的にバランスが取れていますか? 国家以外の気候変動対策の成果に基づく評価。 テイラー神父 18、24–35 (2018)。

倉持 哲 ほか国の気候変動対策を超えて: 地域、都市、企業の取り組みが世界の温室効果ガス排出に及ぼす影響。 20、275–291 (2020)。

オーグル、SMら。 発展途上国の農業における国家温室効果ガスインベントリの推進：活動データ、排出係数、ソフトウェア技術の改善。 環境。 解像度レット。 8、015030 (2013)。

Pan, G.、Xu, Y. & Ma, J. 気候ガバナンスのための CO2 衛星モニタリングの可能性: レビュー。 Ｊ．Ｅｎｖｉｒｏｎ． 管理。 277、111423 (2021)。

記事 CAS Google Scholar

コナ、A.ら。 世界市長規約。ヨーロッパおよび地中海南部諸国の 6,200 都市の温室効果ガス排出量のデータセット。 地球システム科学。 データ 13、3551–3564 (2021)。

記事 ADS Google Scholar

EU市長規約。 気候とエネルギーの報告ガイドラインに関する市長規約。 https://www.covenantofmayors.eu/IMG/pdf/Covenant_Reportingguidelines.pdf (2016)。

Kapoor, S. & ナラヤナン, A. ML ベースの科学における漏洩と再現性の危機。 プレプリントは https://arxiv.org/abs/2207.07048 (2022) にあります。

MR インテリジェンスはサイコロを振る、サブンク氏: 機械学習には確率性が不可欠です。 https://doi.org/10.48550/arxiv.2008.07496 (2020)。

UNFCCC。 パリ協定、気候変動に関する国連枠組条約。 第 21 回締約国会議 (2015) FCCC/CP/2015/L.9。

UNFCCC。 情報協議用のノンペーパーを改訂 - 最初の世界在庫調査の準備。 https://unfccc.int/topics/global-stocktake/inputs。 （2021年）。

ブルックス、S. いいえ、実際には都市が気候変動をリードしているわけではありません。 マインドレスなチアリーディングはもう十分だ。 Green Tech Media https://www.greentechmedia.com/articles/read/hard-truths-about-city-failures-with-clean-energy (2017)。

ヘイル、T. 「全力で取り組む」: パリ協定と非国家気候変動対策。 グロブ。 環境。 礼儀正しい。 16、12–22 (2016)。

記事 Google Scholar

ヘイル、T. 触媒的協力。 グロブ。 環境。 礼儀正しい。 20、73–98 (2020)。

記事 Google Scholar

リチャードソン、L. 美しいスープ。 https://pypi.org/project/Beautifulsoup4 (2019)。

Marcotullio, PJ、Sarzynski, A.、Albrecht, J. & Schulz, N. アジアの都市温室効果ガス排出の地理: 地域分析。 グロブ。 環境。 チャンさん。 22、944–958 (2012)。

記事 Google Scholar

ドッドマン、D. 気候変動を都市のせいにする？ 都市の温室効果ガス排出量インベントリの分析。 21、185–201 (2009)。

Rosa, EA & Dietz, T. 国の温室効果ガス排出の原因は人間によるもの。 ナット。 登る。 チャンさん。 2012 28 2、581–586 (2012)。

CAS Google スカラー

カラグリアン、F.ら。 都市の周囲粒子状物質 (PM) への寄与: 地球レベルでの地域発生源の寄与の体系的なレビュー。 アトモス。 環境。 120、475–483 (2015)。

記事 ADS CAS Google Scholar

政府機関、EE 集計部門別の温室効果ガス排出量。 ユーロスタット (2019)。

oda, T. & Maksyutov, S. 点源データベースと夜間照明の衛星観測を使用して導出された、非常に高解像度 (1km×1km) の世界の化石燃料 CO2 排出量インベントリ。 アトモス。 化学。 物理学。 11、543–556 (2011)。

記事 ADS CAS Google Scholar

Bosilovich、MG、Lucchesi、R. & MS MERRA-2: ファイル仕様。 （2015年）。

Van Donkelaar, A.、Martin, RV、Li, C. & Burnett, RT 衛星、モデル、モニターからの情報を使用した地球科学と統計の組み合わせ手法を使用した微粒子状物質の化学組成の地域推定。 環境。 科学。 テクノロジー。 53、2595–2611 (2019)。

記事 ADS Google Scholar

Engel-Cox, J.、Kim Oanh, NT、van Donkelaar, A.、Martin, RV & Zell, E. 次世代の大気質モニタリングに向けて: 粒子状物質。 アトモス。 環境。 80、584–590 (2013)。

記事 ADS CAS Google Scholar

欧州環境庁。 集計部門別の温室効果ガス排出量。 ユーロスタット (2019)。

チェシン。 世界のグリッド人口、バージョン 4 (2016)。

Kummu, M.、Taka, M. & Guillaume, JHA 1990 年から 2015 年の国内総生産と人間開発指数のグリッド化されたグローバル データセット。 科学。 データ5、(2018)。

ユーロスタット。 NUTS 2 地域別の現在の市場価格での国内総生産 (GDP)。 https://appsso.eurostat.ec.europa.eu/nui/show.do?dataset=nama_10r_2gdp (2022)。

ユーロスタット。 用語集:地方行政単位 (LAU) - 統計の説明。 ユーロスタット https://ec.europa.eu/eurostat/statistics-explained/index.php?title=用語集:Local_administrative_unit_(LAU) (2018)。

Jordahl, K. geopandas: 地理データ用の Python ツール。 （2014年）。

Haklay, M.、コンピューティング、PW-IP & 2008、未定義。 Openstreetmap: ユーザーが作成したストリート マップ。 ieeexplore.ieee.org (2008)。

ペリー、M. ラスター統計 0.16.0。 （2021年）。

Kuhn, M. キャレット パッケージを使用した R での予測モデルの構築。 J.Stat. ソフトウェア。 28、1–26 (2008)。

記事 Google Scholar

Chen, T. & Guestrin, C. XGBoost: スケーラブルなツリー ブースティング システム。 手順で。 ACM SIGKDD International Conference on Knowledge Discovery and Data Mining vol 13-17-Augu 785–794 (Association for Computing Machinery、2016)。

Nielsen, D. XGBoost による Tree Boosting なぜ XGBoost が「すべての」機械学習コンペティションで優勝するのか?

Seyedzadeh, S.、Pour Ra​​himian, F.、Oliver, S.、Rodriguez, S. & Glesk, I. 非住宅用建物のエネルギー性能を予測するための機械学習モデリング: ディープ エネルギー改修の意思決定をサポートするモデル。 応用エネルギー 279、115908 (2020)。

記事 Google Scholar

Si, M. & Du, K. 勾配ブースティング機械学習法を使用した予測排出モデルの開発。 環境。 テクノロジー。 イノヴ。 20、101028 (2020)。

記事 CAS Google Scholar

Alova, G. & Caldecott, B. 国際的な公益事業部門および独立系発電事業者のエネルギー移行に寄与する要因を調査するための機械学習モデル。 iScience 24、102929 (2021)。

記事 ADS Google Scholar

Hastie、TJ 一般化された加算モデル。 S の統計モデル (2017)。

Joharestani、MZ、Cao、C.、Ni、X.、Bashir、B.、Talebiesfandarani、S. マルチソース リモート センシング データを使用したランダム フォレスト、XGBoost、ディープ ラーニングに基づく PM2.5 予測。 アトモス。 2019年、Vol. 10、ページ 373 10、373 (2019)。

Google スカラー

Pan, B. 時間ごとの PM2.5 濃度予測における XGBoost アルゴリズムの適用。 IOP 会議サー。 地球環境。 科学。 113、012127 (2018)。

記事 Google Scholar

Li, Y. & Sun, Y. オープンアクセス データと機械学習を使用して、都市レベルの CO 2 排出量をモデル化および予測します。 環境。 科学。 汚染。 解像度 28、19260–19271 (2021)。

記事 CAS Google Scholar

Yang, L. & Shami, A. 機械学習アルゴリズムのハイパーパラメータ最適化: 理論と実践。 ニューロコンピューティング 415、295–316 (2020)。

記事 Google Scholar

Yan, K. & Zhang, D. 再帰的特徴除去による相関ガスセンサーデータの特徴選択と分析。 Sens. Actuators、B Chem. 212、353–363 (2015)。

記事 CAS Google Scholar

Ketu, S. ランダム フォレスト回帰 (RFERF) による線形回帰ベースの再帰的特徴除去を使用した空間大気質指数と大気汚染物質濃度の予測: インドでのケーススタディ。 ナット。 ハザード 1 ～ 30 (2022)。

Hutson, G. CRAN - パッケージ機能TerminatoR。 （2021年）。

ラスムッセン、C. & ガーラマニ、Z. オッカムのかみそり。 上級神経情報プロセス。 システム。 13、(2000)。

Chen, T. & Guestrin, C. XGBoost: スケーラブルなツリー ブースティング システム。 ACM SIGKDD International Conference on Knowledge Discovery and Data Mining の議事録、第 13 ～ 17 巻、8 月 785 ～ 794 (ACM、2016)。

Kleck, G. & Patterson, EB 銃規制と銃所有レベルが暴力率に与える影響。 Ｊ．Ｑｕａｎｔ． クリミノール。 9、249–287 (1993)。

記事 Google Scholar

Wickham, H. ggplot2 データ分析用のエレガントなグラフィックス。 英国王立統計協会ジャーナル: シリーズ A (社会における統計) (2016)。

リファレンスをダウンロードする

この研究は、イケア財団助成金 (助成金番号 A19051; AH) と、AH に授与された 2018 年シンガポール国立大学早期キャリア研究賞 (助成金番号 NUS_ECRA_FY18_P15; AH) によって支援されました。エール大学の Zhi Yi Yeo 氏と Vasu Namdeo 氏に感謝します。データ収集については NUS College にご協力ください。 また、この草案の以前のバージョンについてコメントをいただいた Glenn Sheriff (アリゾナ州立大学)、Joe Aldy (ハーバード大学ケネディ行政大学院)、および Evan Johnson (ノースカロライナ大学チャペルヒル校) にも感謝します。

ノースカロライナ大学チャペルヒル校公共政策学部、チャペルヒル、米国

エンジェル・スー & シュエウェイ・ワン

Data-Driven EnviroLab、ノースカロライナ大学チャペルヒル校、米国チャペルヒル

エンジェル・スー & シュエウェイ・ワン

ノースカロライナ大学チャペルヒル校、環境研究所、チャペルヒル、米国

エンジェル・スー & シュエウェイ・ワン

イェール NUS カレッジ、シンガポール、シンガポール

ジョナス・タン＆ウェイン・トー

デルフト工科大学技術・政策・管理学部（オランダ、デルフト）

ニヒット・ゴヤル

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

AH は研究を考案し、共同設計し、データを収集し、モデリングと統計分析を実施し、図を作成し、論文を執筆しました。 XW はデータを収集し、統計モデリングと検証を実施し、図を作成し、論文の執筆に貢献しました。 JT は ML モデルの選択と実装を支援しました。 WT はデータの収集と結合を支援しました。 NG は、研究の着想と設計、データの収集と処理、結果の解釈を支援しました。

エンジェル・スーへの手紙。

著者らは競合する利害関係を宣言していません。

Nature Communications は、この研究の査読に貢献してくれた Zhi Qiao、Monica Salvia、Yanwei Sun に感謝します。 査読者レポートが利用可能です。

発行者注記 Springer Nature は、発行された地図および所属機関の管轄権の主張に関して中立を保っています。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Hsu、A.、Wang、X.、Tan、J. 他。 機械学習を使用してヨーロッパの都市の気候緩和パフォーマンスを予測します。 Nat Commun 13、7487 (2022)。 https://doi.org/10.1038/s41467-022-35108-5

引用をダウンロード

受信日: 2022 年 3 月 14 日

受理日: 2022 年 11 月 18 日

公開日: 2022 年 12 月 5 日

DOI: https://doi.org/10.1038/s41467-022-35108-5

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。