2000–2020年のG20域内・サブナショナル都市温室効果ガス排出量の機械学習推定

なぜ都市の排出が誰にとっても重要なのか

都市や地域は気候変動の最前線にあり、温室効果ガス排出の大幅削減を約束しています。しかし、多くの都市について、毎年どれだけ排出しているのかを確信を持って把握しているところは少数です。本研究はその盲点に取り組み、最新の機械学習を用いて世界主要経済圏にある何千もの都市の年次の温暖化排出を推定することで、市民、計画者、政策立案者に対してどこで進展があり、どこで停滞しているかをより明確に示します。

高まる期待とデータのギャップ

過去10年で何千もの地方自治体が気候行動を誓い、多くがネットゼロ目標を掲げました。しかし、定期的に詳細な排出インベントリを時系列で報告しているのは10分の1にも満たないのが現状です。都市が報告する場合でも方法は異なり、含まれるセクターはまちまちで、境界内の排出のみを数える自治体もあれば、消費に伴う域外の排出を含めるところもあります。国全体の排出量を単純に人口や所得で都市に按分する従来の代替手段は、地域の取り組みを見落とし、実際の変化を曖昧にします。グリッド化された他の全球データセットは一貫性を提供しますが、地方の意思決定が行われる実際の行政境界と一致しないため、現実の計画には使いづらいという制約があります。

機械が構築した新しい地図

著者らは機械学習の枠組みを構築し、世界の排出の約8割を占めるG20諸国のほぼ6,000の都市と100を超える地域について、2000年から2020年の年次温室効果ガス排出を推定します。彼らは気候ネットワークや政府プラットフォームから何千もの自己申告のインベントリを収集し、重複や人あたりで非現実的な値、急激な増減、不一致な単位などを確認して丁寧にクレンジングと標準化を行います。各都市や地域はGlobal Administrative Areas Database（GADM）を使って公式の行政境界に照合され、予測が州、省、郡、市町村などの実際の管轄と整合するようにしています。

宇宙（衛星）と社会からの手がかりでモデルに教える

異なる地域がどのように排出するかをモデルに学ばせるため、チームは幅広い公開データを取り込みます。これには化石燃料排出の衛星推定値、セクター別排出地図、電力使用量、微粒子や二酸化窒素などの大気汚染データが含まれます。人口や国内総生産といった社会経済指標や、気候に関連する暖房・冷房需要を示す気象データ由来の指標も加えます。ゾーン統計を用いて各都市・地域の境界内でこれらすべてのレイヤーを要約し、自動機械学習システムであるAutoGluonに投入します。このシステムは複数の基礎モデルを試し、組み合わせて、都市自身が報告した排出量を最もよく予測する構成を見つけます。

推定の精度はどの程度か

テスト用に留保した排出データ上で、モデルは地域間の変動の大部分を説明します。最も影響力のある要因として人口と所得が浮かび上がり、その次に建物由来の排出や電力使用量が続きます。研究者らはまた、彼らの推定を都市レベルまたはグリッド化された排出を別の方法で導出した二つの独立データセットと比較しました。より大きな行政単位では一致が最も強く、細かなスケールでも概ね良好ですが、入力データが乏しい場所やセクターのカバーが不完全な場合には差が大きくなります。各予測の周りに不確実性範囲を構築し、異なるモデル構成がどこで意見を異にするかを検討することで、最大の不確実性は報告が弱い地域、特にグローバル・サウスの一部に集中していることが示されます。

気候対策にとっての意義

成果物は、2000年から2020年にかけてのG20諸国における何千ものサブナショナル政府の年次排出量の公開データセットと、他者が拡張できるように訓練済みモデルを含みます。これらの推定値は、都市自身が作成する地域のインベントリを置き換えることを意図したものではなく、そうしたインベントリが欠けている、断片的である、あるいは比較可能でない場合に一貫した基準として機能することを目指しています。住民や支援者、意思決定者にとっては、特定の都市や地域で過去20年間に排出がどのように変化したかを確認し、ホットスポットを特定し、公約が実際の排出削減につながっているかをよりよく追跡できるようになるという意味があります。

引用: Yu, Y., Wang, X., Manya, D. et al. Machine learning estimates for G20 subnational urban GHG emissions from 2000–2020. Sci Data 13, 487 (2026). https://doi.org/10.1038/s41597-026-06691-9

キーワード: 都市の温室効果ガス排出, 機械学習, G20の都市, 気候データ, サブナショナルな気候政策